Tesis JAPagan CIFRADA

 

Universidad Politécnica de Cartagena Departamento de Ingeniería Térmica y de Fluidos

SISTEMA DE DIAGNÓSTICO DE MOTOR DIESEL MARINO BASADO EN MODELO TERMODINÁMICO Y DE INTELIGENCIA ARTIFICIAL

José Antonio Pagán Rubio Director

Dr. D. Francisco Vera García 2017

 

 

 

 

 

 

 

 

 

Resumen

El motor diésel es un equipo utilizado ampliamente en el sector naval tanto como  propulsor como grupo auxiliar, siendo el equipo más crítico de la plataforma. Por lo tanto la optimización de su eficiencia y fiabilidad tienen un impacto trascendental en la

disponibilidad, seguridad y en el coste del ciclo de vida. Para optimizar la eficiencia y la fiabilidad, es necesario disponer de un sistema que sea capaz de conocer el estado del motor, así como detectar y diagnosticar fallos. Un sistema de este tipo, aporta la información necesaria que permite tomar las decisiones más adecuadas tanto de operación como de mantenimiento, para corregir la forma de operar el motor según condiciones (ajuste mecánico/electrónico), ejecutar acciones de mantenimiento adecuadas que no pudieran estar previstas o alargar los periodos de mantenimiento preventivo por no ser necesario según estado del motor. La mejora  principal en e n operatividad operat ividad sería ser ía la reducción del de l consumo de combustible, mientras que la mejora en fiabilidad tendría un impacto positivo en tres aspectos, la disponibilidad del buque, el coste en mantenimiento y posibles efectos medioambientales o personales que puedan derivar de una avería. La literatura científica sobre sistemas integrados de monitorización, diagnosis y  prognosis de fallos en e n vehículos para minimizar el coste del ciclo de vida y maximizar la fiabilidad y disponibilidad utiliza como sistema conceptual más completo el “ Integrated Vehicle Health Management System  System   (IVHMS)”, (IVHMS)”,   o en castellano, sistema integrado de gestión de la salud para vehículos. En este tipo de sistemas, el módulo de diagnosis es uno de los elementos esenciales. La herramienta de diagnosis / prognosis  puede estar basada en un modelo físico del equipo o en un modelo basado en dato s históricos, construido mediante métodos estadísticos o computacionales, estos últimos denominados como modelos de “ Artificial Intelligence (AI) Intelligence  (AI)”, ”, inteligencia  inteligencia artificial.   En este trabajo se realiza un exhaustivo estudio del estado del arte “ State of the Art   (SoA)” sobre diagnóstico de motor diésel, en el que se analizan los tipos de técnicas actuales y se selecciona la más idónea para un motor diésel marino, resultando ser una combinación entre modelo de inteligencia artificial y modelo físico termodinámico del motor. A partir del resultado del estudio del SoA, se desarrolla un nuevo sistema de diagnosis compuesto por un subsistema de detección basado en inteligencia artificial y una base de datos de fallos completa del de l motor.

 

El subsistema de detección combina algoritmos de clasificación de comportamientos y de detección de anomalías basadas en una combinación de pertenencia a los comportamientos aprendidos y densidad de los comportamientos vecinos de un fallo  potencial. La base de datos de fallos se realiza mediante un “ Failure Mode and Effect Eff ect Criticality  Analysis (FMECA)  Analysis  (FMECA)”, ”,   análisis de modos de fallo, criticidades y efectos. El FMECA se realiza siguiendo la metodología de “ Reliability Centred Maintenance  Maintenance  (RCM)”, (RCM)”,  

mantenimiento basado en la confiabilidad. La base de datos obtenida es optimizada mediante un análisis del comportamiento del motor ante fallos obtenido en un simulador de fallos del motor basado en un modelo termodinámico unidim unidimensional. ensional. El E l modelo está creado en AVLBoost©, y está ajustado y validado con datos experimentales medidos y registrados en un motor real en banco de pruebas. Tanto el subsistema de detección de fallos como el de diagnosis son validados con datos dat os reales del motor en buque, obteniendo resultados satisfactorios. El subsistema de detección obtiene resultados de precisión, sensibilidad y especificidad globalmente superiores al 93%. Mientras que la base de datos de fallos, optimizada con el modelo del motor, es capaz de diagnosticar e identificar los fallos con mucha mayor precisión que una base de datos tradicional basada solamente en un análisis FMECA.

 

  Abstract

Diesel engines are widely used in naval sector as both propulsion and genset application, for this reason is the most critical equipment of the platform. Therefore optimization of efficiency and reliability has a transcendental impact on availability,

safety and life cycle cost. In order to optimize efficiency and reliability, it is necessary to have a Condition Based Monitoring (CBM) system to know real-time engine performance and be able to detect and diagnose incipient faults. This kind of systems provide the necessary information to make the most appropriate decisions about operation and maintenance such as mechanical / electronic adjustments, replacement / repair works, or extension of  preventive maintenance periods according to the current state of engines. The main operation improvement would be fuel consumption reduction, while there are three  positive impacts thanks to reliability improvement: higher vessel availability, lower maintenance costs, and avoidance of possible environmental or personal effects derived from an engine breakdown. Scientific literature uses "Integrated Vehicle Health Management System (IVHMS)" as the most complete concept of a vehicle condition monitoring system. In this type of systems, a diagnosis module is one of the essential elements. A diagnosis / prognosis tool could be based on a physical model or on a data-based model. The last one is constructed using historical data and statistical or artificial intelligence (AI) methods. In this work is carried out an exhaustive study of the State of the Art (SoA) about diesel engine diagnosis. In this study is analysed current diagnosis techniques and selected the most suitable one for a marine diesel engine, resulting in a combination of artificial intelligence and thermodynamic model. Based on previous SoA results, a new diagnostic system is developed in this work consisting of an artificial intelligence detection subsystem and a complete engine fault database as diagnose subsystem. The detection subsystem combines behaviour classification and anomaly detection algorithms based on a combination of membership in learned behaviours and density of neighbouring behaviours behaviours of o f a potential failure. The fault database is constructed using a Failure Mode and Effect Criticality Analysis (FMECA). This FMECA is performed following Reliability Centred Maintenance (RCM) methodology. Obtained database is then optimized using an analysis of the

 

engine under fault conditions by an engine failure simulator based on a one-dimensional thermodynamic model created in AVLBoost©. Before performance analysis is carried out, engine model is adjusted and validated with experimental data measured and recorded in a real engine on a test bench. Both the fault detection and diagnostics subsystems are validated with real engine historic data from vessel, obtaining satisfactory results. Detection subsystem achieves results of accuracy, sensitivity and specificity above 93%. Moreover, fault database

optimized by engine model, is able to diagnose and identify faults much more accurately than a database dat abase based only on a traditional FMECA analysis.

 

Agradecimientos

En primer lugar, mi más sincero agradecimiento a mi director de tesis Francisco Vera y al profesor José Hdez. Grau, por aceptar el reto de dirigirme y ayudarme durante todo el largo proceso de investigación que ha supuesto la realización de mi tesis doctoral. Por

largo proceso de investigación que ha supuesto la realización de mi tesis doctoral. Por extensión mi agradecimiento también al departamento de Ingeniería Térmica y de Fluidos y a la Universidad Politécnica de Cartagena. Muy especialmente a Fran, por mantenerme siempre en la línea adecuada, resolviendo dudas, supervisando el trabajo, aportando sus grandes conocimientos sobre modelado y en definitiva haciendo posible que no me saliera del camino. También muy especialmente a Pepe, por su dedicación en el proceso experimental y en el tratamiento de los datos obtenidos, donde su conocimiento y experiencia han sido fundamentales para poder caracterizar el motor estudiado. También, mis agradecimientos especiales para Navantia, por el apoyo desde la dirección de Propulsión y Energía así como de los departamentos de producción e ingeniería por hacer posible el ensayo del motor en banco de pruebas y la obtención de datos característicos cruciales para el ajuste del modelo.  No menos especial mi agradecimiento a Alberto Díez, del que he aprendido mucho sobre inteligencia artificial aplicada al a l diagnóstico de equipos, y que ha hecho posible la creación del subsistema de detección de anomalías. Espero sinceramente que obtenga su título de doctorado en breve, que está como yo en la fase final de su trabajo. Además, también quiero agradecer a todos los estudiantes que han contribuido de una manera u otra a la finalización exitosa de mi investigación, a José Muñoz, a Pedro Gil, a Jordi Serra, a Daniel Albaladejo y a Juan Melgarejo. Por último y más importante, quiero agradecer a toda mi familia, sobre todo a mi mujer, Esther, y mis dos hijos, Jose y Paula, a los que tanto quiero, por su amor y paciencia, a los que les he robado muchas horas que espero compensar. A mis padres y hermanos, a mis suegros y cuñados, abuelos, sobrinos, etc., a todos, porque de una u otra forma todos me han apoyado y animado a lo largo de esta experiencia.

 

 

 

 A mi gran familia

 

 

 

INDICE

Indice Indice de tablas Indice de figuras Nomenclatura

i vii ix xi

1.1

Capítulo 1: Introducción Marco

1 3

1.2 1.3 1.4 1.5

Objetivos Metodología Esquema de la tesis Referencias

4 5 7 8 9

2.2.1 2.2.2 2.2.2.1 2.2.2.2 2.2.2.2.1 2.2.2.2.2 2.2.2.2.3 2.2.2.3 2.2.2.4 2.2.3 2.2.3.1 2.2.3.1.1 2.2.3.1.2 2.2.3.1.3 2.2.3.1.4 2.2.3.1.5 2.2.3.2

Capítulo 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos Introducción Componentes de un sistema actual de monitorización de la condición  para vehículos Adquisición de datos Procesamiento de datos Datos de magnitud escalar Datos en forma de onda Análisis en el dominio del tiempo Análisis en el dominio de la frecuencia Análisis combinado tiempo-frecuencia Datos multidimensionales Combinación de eventos y datos de monitorización de la condición Soporte a toma de decisiones sobre operación y mantenimiento Diagnosis Límites de señales monitorizadas Modelos físicos Modelos estadísticos Modelos de inteligencia artificial Modelos semi-físicos Prognosis

15 16 17 17 18 18 19 20 20 20 21 22 22 23 24 26 26

2.2.3.3 2.2.3.3.1 2.2.3.3.2 2.2.3.4 2.3 2.4 2.5

Soporte a toma de decisiones Influencia de la política de mantenimiento Influencia del intervalo de monitorización de la condición Fusión de datos de múltiples señales Importancia de la diagnosis de fallos en un sistema CBM+ Diagnosis en motores diesel Referencias

27 28 28 29 30 30 32

3.1 3.2 3.3

Capítulo 3: Estado del arte de diagnosis en motores diesel Introducción Búsqueda bibliográfica y clasificación de técnicas de diagnosis Evaluación de técnicas de diagnosis

45 47 47 48

2.1 2.2

11 12

i

 

3.4 3.5 3.6 3.6.1 3.6.1.1 3.6.1.2 3.6.1.3 3.6.1.4

Análisis comparativo Selección de un sistema de diagnosis para motor diesel marino Anexos Anexo A: Búsqueda bibliográfica y clasificación de las técnicas de diagnosis Búsqueda bibliográfica Selección de trabajos Clasificación de técnicas de diagnosis Análisis estadístico de la búsqueda bibliográfica

66 68 71 71 71 72 72 72

3.7

Referencias

85 113

4.1 4.2 4.2.1 4.3 4.3.1 4.3.2 4.4 4.4.1 4.4.2 4.5 4.6

Capítulo 4: Sistema de detección de fallos en motor diésel marino basado en inteligencia artificial Introducción Caracterización de comportamientos Clasificación comportamientos según distancia K-means Detección de anomalías Partición de comportamientos con lógica difusa Detección de comportamientos anómalos con LOF-Based score Escenario de la prueba Motor diesel de estudio Prueba experimental Resultados Referencias

115 115 115 117 117 119 120 120 121 123 127

5.2.1 5.2.2 5.2.3 5.2.4 5.2.5 5.2.6 5.3 5.4

Capítulo 5: Base de datos de fallos FMECA para motor diesel marino Introducción Metodología de mantenimiento basado en la fiabilidad para construcción de FMECA Definición de mantenimiento basado en la fiabilidad Patrones de fallo Grupo de trabajo RCM Contexto operacional Procedimiento RCM Adaptación de RCM a plataformas navales Construcción de base de datos FMECA para motor diesel marino Anexos

5.4.1 5.5

Anexo A: Base de datos de fallos FMECA completa Referencias

146 157 161

6.1 6.2 6.3 6.3.1 6.3.2 6.3.3 6.3.3.1

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino Introducción Recolección de datos Medidas experimentales Banco de pruebas Condiciones de ensayo Protocolo de pruebas Puntos de funcionamiento del ensayo

Parámetros registrados en el ensayo Medidas adicionales para caracterización de motor diesel en modelo termodinámico Presión dinámica en cilindro y colectores Emisiones Construcción del modelo termodinámico Características generales del modelo Pérdidas de carga localizadas en admisión y escape Conductos

167 170

5.1 5.2

129

131 131 132 134 135 135 136 138 140 146

163 163 164 164 166 166 166

ii

 

6.3.3.2 6.3.4 6.3.4.1 6.3.4.2 6.4 6.4.1 6.4.2 6.4.3

170 174 175 175 179 180

6.4.4 6.4.5

Turbocompresor Enfriador de aire

6.4.6 6.4.7 6.4.7.1 6.4.7.2 6.4.7.3 6.4.7.4 6.5 6.6 6.6.1

Colectores de admisión y escape Cilindros Modelado de la combustión Modelado de blow-by Modelado de la renovación de la carga Modelado de las pérdidas de calor por convección Validación del modelo unidimensional Anexos Anexo A: Obtención de datos geométricos para modelo del motor diésel 6.6.1.1 Colector de admisión 6.6.1.2 Conductos de admisión 6.6.1.3 Colector de escape 6.6.1.4 Conductos de escape 6.6.1.5 Levantamiento de válvulas 6.6.2 Anexo B: Tratamiento de las medidas de gases contaminantes para calculo gastos másicos y emisiones 6.6.2.1 Cálculo del gasto másico de aire de admisión 6.6.2.1.1 Dosado 6.6.2.1.1.1 Método de balance de C, H, O 6.6.2.1.1.2 Método λ de Brettschneider 6.6.2.2 Cálculo del gasto másico de gases 6.6.3 Anexo C: Tratamiento de las señales de presión dinámica en cilindro y cálculo de ley de liberación de calor 6.6.3.1 Presiones medias, trabajo y par 6.6.3.2 Coeficientes politrópicos de compresión y expansión 6.6.3.3 Evolución de la temperatura en el cilindro 6.6.3.4 6.6.3.5 6.6.3.6 6.7

7.1 7.2 7.2.1 7.2.2 7.2.3

Calor transmitido a través de las paredes Calor liberado por el combustible Ley de doble Vibe Referencias Capítulo 7: Simulación de fallos en modelo termodinámico unidimensional Introducción Simulación de fallos Caída de presión excesiva en filtro de aire (F1) Reducción de eficiencia en enfriador de aire (F2) Caída de presión excesiva en enfriador de aire (F3)

180 183 184 184 185 185 186 187 188 189 189 189 191 192 194 195 197 197 197 198 199 201 201 201 202 203 204 205 207 208 211

213 213 214 215 215

iii

 

7.2.4 7.2.5 7.2.6 7.2.7 7.2.8 7.2.9 7.2.10 7.2.11 7.2.12

Fallo en el compresor de aire (F4) Fuga de aire en colector de admisión (F5) Mal asiento de válvula de admisión (F6) Misfiring (F7) Pérdida de relación de compresión (F8) Fallo de regulación huelgo de válvulas - menor huelgo - (F9) Fallo regulación huelgo de válvulas - mayor huelgo - (F10) Fallo timing de inyección - adelanto de la inyección - (F11) Fallo timing inyección - retraso de inyección - (F12)

215 216 216 217 217 217 218 218 218

7.2.13 7.2.14

Fallo en turbina (F13) Fuga de carga en colector de escape (F14)

218 219

7.2.15 7.3 7.3.1 7.3.2 7.3.3

Caída de presión excesiva en conductos escape (F15) Análisis de los síntomas producidos por los fallos Comportamiento presión aire de carga ante fallos (Padm) Comportamiento temperatura aire de carga ante fallos (Tadm) Comportamiento temperatura gases salida de cilindro ante fallos (Tscil) Comportamiento gasto másico de aire ante fallos fall os (̇  ) Comportamiento presión media indicada ante fallos (IMEP) Comportamiento velocidad turbocompresor ante fallos (nturbo) Comportamiento temperatura aire salida del compresor ante fallos (Tsc) Comportamiento presión del colector de escape ante fallos (Pesc) Comportamiento temperatura gases entrada turbina ante fallos (Tet) Comportamiento temperatura gases salida turbina ante fallos (Tst) Análisis preliminar de los resultados del modelado de fallos ante los  parámetros monitorizados Referencias

219 219 220 221 222

7.3.4 7.3.5 7.3.6 7.3.7 7.3.8 7.3.9 7.3.10 7.4 7.5

8.1 8.2 8.2.1 8.2.2 8.2.3 8.2.4 8.2.5 8.2.6 8.2.7 8.2.8 8.2.9 8.2.10 8.3 8.4 8.4.1

223 224 225 226 227 228 229 230 231

Capítulo 8: Optimización de la base de datos de fallos de motor diesel marino Introducción Determinación de valores límite de síntomas de fallo Activación de presión aire de carga como síntoma de fallos Activación de temperatura aire de carga como síntoma de fallos Activación de temperatura gases salida de cilindro como síntoma de fallos Activación de gasto másico de aire como síntoma de fallos

235

Activación de presión media indicada como síntoma de fallos Activación de velocidad turbocompresor como síntoma de fallos Activación de temperatura aire salida del compresor como síntoma de fallos Activación de presión del colector de escape como síntoma de fallos Activación de temperatura gases entrada turbina como síntoma de fallos Activación de temperatura gases salida turbina como síntoma de fallos Optimización de la base de datos de fallos Validación de la mejora de la base de datos. Ejemplo de detección de fallos Validación 1 –  Alimentación de base de datos de fallos con datos

241 242 243

237 237 238 238 239 240

244 245 246 247 250 251

iv

 

8.4.1.1 8.4.1.2 8.4.1.3 8.4.1.4

 procedentes del modelo Alimentación de base de datos de fallos con fallo F1 simulado en el modelo Alimentación de base de datos de fallos con fallo F2 simulado en el modelo Alimentación de base de datos de fallos con fallo F3 simulado en el modelo Alimentación de base de datos de fallos con fallo F4 simulado en el modelo

252 254 255 256

8.4.1.5

Alimentación de base de datos de fallos con fallo F5 simulado en el modelo

257

8.4.1.6

258

8.5

Alimentación de base de datos de fallos con fallo F6 simulado en el modelo Alimentación de base de datos de fallos con fallo F7 simulado en el modelo Alimentación de base de datos de fallos con fallo F8 simulado en el modelo Alimentación de base de datos de fallos con fallo F9 simulado en el modelo Alimentación de base de datos de fallos con fallo F10 simulado en el modelo Alimentación de base de datos de fallos con fallo F11 simulado en el modelo Alimentación de base de datos de fallos con fallo F12 simulado en el modelo Alimentación de base de datos de fallos con fallo F13 simulado en el modelo Alimentación de base de datos de fallos con fallo F14 simulado en el modelo Alimentación de base de datos de fallos con fallo F15 simulado en el modelo Resumen de resultados ofrecidos por base de datos de fallos Validación 2 –  Alimentación  Alimentación de base de datos de fallos con datos monitorizados en el motor real Referencias

9.1

Capítulo 9: Conclusiones y trabajo futuro Conclusiones

273 275

9.2 9.3

Trabajo futuro Referencias

281 283

Referencias

285

8.4.1.7 8.4.1.8 8.4.1.9 8.4.1.10 8.4.1.11 8.4.1.12 8.4.1.13 8.4.1.14 8.4.1.15 8.4.1.16 8.4.2

259 260 261 262 262 263 264 266 267 268 269 271

v

 

TABLAS Tabla Descripción 3.1 Lista trabajos representativos en bibliografía sobre diagnosis motor diésel

Pág. 49

3.2 3.3 3.4 3.5 3.6 4.1 4.2 4.3 4.4 4.5 5.1 5.2 5.3 5.4 5.5 5.6 6.1 6.2 6.3 6.4 6.5 7.1 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9

Análisis comparativo de estrategias de diagnosis de motor diésel Análisis de restricciones de estrategias de diagnosis de motor diesel marino Análisis comparativo de estrategias de diagnosis de motor diesel marino Técnicas de diagnosis y tipos de señales utilizados para clasificar los trabajos encontrados en la bibliografía Bibliografía completa diagnosis equipos clasificados Especificaciones generales motor diésel marino Parámetros monitorizados a bordo del motor diésel marino Distribución de clústeres/grupos de comportamiento del motor diésel marino Resultados obtenidos Evaluación de resultados: precisión, sensibilidad, especificidad y coef. κ   Matriz de riesgo RCM para plataformas navales definida en NES 45 Parámetros Operativos de base de datos de fallos FMECA Parámetros de fluidos de base de datos de fallos FMECA Síntomas detectados por inspecciones visuales del operador Base de datos FMECA simplificada –  simplificada –  fallos termodinámicos típicos Base de datos FMECA completa Servicios principales del banco de pruebas Puntos de funcionamiento del ensayo en banco de pruebas Parámetros monitorizados en ensayo de banco de pruebas Coeficiente transmisión de calor en colector escape Comparativa entre valores medios simulados y experimentales Recopilación del efecto sobre los parámetros monitorizados en el motor Activación de presión aire de carga como síntoma de fallos Activación de temperatura aire de carga como síntoma de fallos Activación de temperatura gases salida de cilindro como síntoma de fallos Activación de gasto másico de aire como síntoma de fallos Activación de presión media indicada como síntoma de fallos Activación de velocidad turbocompresor como síntoma de fallos Activación de temperatura aire salida del compresor como síntoma de fallos Activación de presión del colector de escape como síntoma de fallos Activación de temperatura gases entrada turbina como síntoma de fallos

66 68 70 72 79 121 122 123 125 126 139 142 143 143 145 149 165 166 167 184 188 231 238 239 239 240 241 242 243 244 245

vii

 

8.10 8.11 8.12 8.13 8.14

Activación de temperatura gases salida turbina como síntoma de fallos Comparativa base de datos de fallos original (a) y optimizada (b) Comparativa diagnóstico base de datos original vs. optimizada ante fallo F1 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F2 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F3 simulado

246 248 253 254 255

8.15

Comparativa diagnóstico base de datos original vs optimizada ante fallo F4 simulado

256

8.16

Comparativa diagnóstico base de datos original vs optimizada ante fallo F5 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F6 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F7 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F8 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F9 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F10 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F11 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F12 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F13 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F14 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F15 simulado Resumen validación comparativa entre base de datos original vs optimizada ante simulaciones de fallo Comparativa diagnóstico base de datos original vs optimizada ante fallo F7 real

257

8.17 8.18 8.19 8.20 8.21 8.22 8.23 8.24 8.25 8.26 8.27 8.28

viii

 

FIGURAS 

258 259 260 261 262 263 264 265 266 267 268 269

Fig.

Título

Pág.

1.1 2.1 2.2 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8

Diagrama de de bloques de la metodología Arquitectura un sistema IVHM Arquitectura típica de un sistema de diagnosis basado en modelo Técnicas de diagnosis de motor diesel Metodología diagnosis propuesta por D.G. Driscoll et al (1988) Metodología diagnosis propuesta por C.R.Parikh et al (2003) Metodología diagnosis propuesta por Kevin P. Logan et al (2005) Metodología diagnosis propuesta por F.A. Lafossas et al (2008) Metodología diagnosis propuesta por C.R.Parikh et al (2009) Metodología diagnosis propuesta por J. Huang & P. Zhang (2009) Metodología diagnosis propuesta por V.T. Lamaris & D.T. Hountalas (2010) Metodología diagnosis propuesta por L.Tao et al (2010) Metodología diagnosis propuesta por F. Payri et al (2011)

6 14 30 47 50 51 52 53 54 55 56

Metodología diagnosis propuesta por L. Guihang et al (2011) Metodología diagnosis propuesta por J.Porteiro et al (2011) Metodología diagnosis propuesta por A.J.Bayba et al (2012) Metodología diagnosis propuesta por Koustav Dey (2012) Metodología diagnosis propuesta por F.F. Vacas et al (2012) Metodología diagnosis propuesta por O.C. Basurko & Z.Uriondo (2015) Metodología diagnosis propuesta por J. Muñoz et al (2016) Número de artículos de interés de cada técnica o grupo de técnicas de diagnosis de motor diesel Número de artículos de interés por cada combinación de señales monitorizadas Número de artículos de interés encontrados en cada base de datos de

59 60 61 62 63 64

3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 3.21 3.22 4.1 4.2 4.3 4.4 4.5 5.1 5.2

 búsqueda Número de artículos de interés encontrados en cada revista Número de artículos de interés publicados cada año Partición difusa de clústeres en comportamientos normales y outliers Ejemplo de indicador de detección de anomalías LOF-based event score Ejemplo de comportamiento normal de uno de los clústeres (clúster 3) Ejemplo outliers detectados relacionados con defecto de combustión (clúster 3) Ejemplo outliers detectados relacionados con alta intensidad en alternador (clúster 6) Mantenimiento de funciones Curva P-F –  P-F –  evolución del fallo potencial hasta fallo funcional

57 58

63 73 74 75 76 77 118 120 124 124 125 132 133

ix

 

5.3 5.4 5.5 5.6 6.1 6.2 6.3 6.4

Patrón de fallo tradicional Patrones de fallo del RCM Grupo de trabajo RCM Contexto operacional Motor diésel marino en banco de ensayos Puntos de medida de ensayo en banco de pruebas sobre motor diésel Sistema de medida de presión cilindro IndicatorCal® Sensores de presión dinámica sobre motor

134 134 135 136 165 168 171 172

6.5 6.6 6.7 6.8 6.9 6.10 6.11 6.12 6.13 6.14 6.15 6.16 6.17

Presión en cilindro filtrada y sin filtrar  filtrar    100% carga del motor Equipo portátil de medida de gases contaminantes Esquema modelo termodinámico del motor diésel marino en AVL Boost© Presión media de pérdidas por fricción frente a presión media efectiva Curvas de ajuste de caída de presión localizada en filtro de aire y conductos de escape Mapa de compresor Mapa de turbina Curvas de Coeficientes de descarga de válvulas Comparativa de presión dinámica en cilindro simulada y experimental Colector de aire de admisión Dimensiones simplificadas de colector de admisión aire para modelado Conductos de admisión aire en culata Dimensiones simplificadas de conductos de admisión aire para

174 175 177 178 180 182 183 187 188 190 191 191 192 193 194 194 195 195 196 197 203

6.26 6.27 7.1 7.2

modeladode gases de escape Colector Dimensiones simplificadas de colector de escape para modelado Conductos de escape en culata Dimensiones simplificadas de conductos de escape para modelado Tren de accionamiento de válvulas Relación de amplificación en el levantamiento debido a los balancines Levantamiento válvulas admisión y escape vs ángulo cigüeñal Coeficientes politrópicos de compresión y expansión al 100% de carga Calor liberado por el combustible al 100% de carga Fracción de masa quemada por el combustible al 100% de carga Comportamiento presión aire de carga ante fallos Comportamiento temperatura aire de carga ante fallos

7.3 7.4 7.5 7.6 7.7 7.8 7.9 7.10 8.1

Comportamiento temperatura salida gases cilindro ante fallos Comportamiento gasto másico de aire ante fallos Comportamiento presión media indicada ante fallos Comportamiento velocidad turbocompresor ante fallos Comportamiento temperatura aire salida del compresor ante fallos Comportamiento presión del colector de escape ante fallos Comportamiento temperatura gases entrada turbina ante fallos Comportamiento temperatura gases salida turbina ante fallos Esquema validación comparativa base de datos de fallos

223 224 225 226 227 228 229 230 251

6.18 6.19 6.20 6.21 6.22 6.23 6.24 6.25

x

 

NOMENCLATURA

206 207 221 222

Acrónimos

 AANN  ACM  AHM  AI  ANN  ASCII  BPNN CBM CBM+ CBR CCNN CIMAC CMMS CPNN  EA  EEUU  EGR  EOC  ERP  ES  EVO  FFNN  FFT  FL  FMEA  FMECA

Auto Associative Neural Network “red neuronal autoauto -asociativa” asociativa”   Association for Computing Machinery “asociación de equipos computacionales”   computacionales” Airplane Health Management “gestión de la salud de aeronaves”  aeronaves”   Artificial Intelligence “inteligencia artificial”  artificial”  Artificial Neural Network “red neuronal artificial”  artificial”   American Standard Code for Information Interchange “código estándar Americano para intercambio de información”  información”   Back Propagation Neural Network “red neural de alimentación hacia atrás”   atrás” Condition Based Maintenance “mantenimiento basado en la condición”   condición” Condition Based Maintenance Plus “mantenimiento basado en la condición avanzado”  avanzado”  Case-Based CaseBased Reasoning “razonamiento basado en casos”  casos”   Cascade Correlation Neural Network “red neuronal de correlación en cascada”  cascada”  Congrès International des Moteurs A Combustion interne “asociación internacional de tecnología de motores de combustión”  combustión”   Computerized Maintenance Management Systems “sistemas de gestión de mantenimiento computarizado”  computarizado”   Counter Propagation Neural Network “red neuronal de propagación en sentido contrario”  contrario”  Evolutionary Algorithm “algoritmo evolutivo”  evolutivo”   Estados Unidos Exhaust Gas Recirculation “recirculación de los gases de escape”  escape”   End of Combustion “final de la combustión”  combustión”  Enterprise Resource Planning systems “sistemas de planificación de recursos empresariales”  empresariales”  Expert System “sistema experto”  experto”   Exhaust Valve Opening “apertura  “apertura de la válvula de escape”  escape”  Feed Forward Neural Network “red neural de alimentación hacia delante”   delante” Fast Fourier Transform “transformada rápida de Fourier”  Fourier”   Fuzzy Logic “lógica difusa”  difusa”  Failure Modes, Effects Analysis “análisis de modos de fallo y efectos”   efectos” Failure Modes, Effects and Criticality Analysis “análisis de modos de fallo y efectos indicando su criticidad”  criticidad”  

xi

 

 FNN GA GENSET  HMM  ICA  ICAS

Fuzzy –Neural Network “redes neuroneuro-difusas” difusas”   Genetic Algorithm “algorit “algoritmo genético”  genético”  Generator set “grupo dieseldiesel-generador” generador”   Hidden Markov Model “modelo de Markov oculto”  oculto”   Independent Component Analysis “análisis de componentes independientes”   independientes” Integrated Condition Assesment System “sistema integrado de evaluación de la condición”  condición” 

 IEEE  ISO  IT  IVC  IVHM  JSF  KPI    LOF  MBR  MDF  MDO  MSG  NASA  NATO  NES  NNF  NR  NTIS  PCA  PHM  RBFNN  RBR  RCM  RNN  RUL  RULE SAE SAGE

Institute of Electrical and Electronics Engineers instituto de ingenieros eléctricos y electrónicos”  electrónicos”  International Standard Organization Information Technology "tecnologías de la información" Intake Valve Closing “cierre de la válvula de admisión” admisión”   Integrated Vehicle Health Management “gestión integrada de la salud en vehículos”  vehículos”   Joint Strike Fighter “caza de combate Joint Strike” Str ike”   Key Performance Indicator “indicador de prestaciones / comportamiento”   comportamiento” Local Outlier Factor “factor local de anomalía”  anomalía”  Model-Based Reasoning "razonamiento basado en modelos" Multisensor Data Fusion “fusión de datos de múltiples sensores”  sensores”   Marine Diesel Oil “combustible diesel marino”  marino”  Maintenance Steering Group “grupo de dirección de Mantenimiento”   Mantenimiento”  National Aeronautics anddeSpace Administration “administración nacional estadounidense aeronautica y el espacio  North Atlantic Treaty Organization “organización del tratado del Atlántico norte  Naval Engineering Standard “estándar de ingeniería naval de defensa del Reino Unido”  Unido”    Neural-Fuzzy  NeuralFuzzy Network “sistema difusodifuso-neuronal” neuronal”    Negative Reasoning "razonamiento negativo"  National Technical Information Service “servicio de información técnica nacional de Estados Unidos”  Unidos”  Principal Component Analysis “análisis de componentes  principales”    principales” Proportional Hazards Model “modelo de peligros o tasas de fallo  proporcionales”    proporcionales” Radial Basis Function Neural Network Network “red neuronal de función de  base radial”  radial”  Rule-Based Reasoning "razonamiento basado en reglas" Reliability Centred Maintenance “mantenimiento basado en la confiabilidad”   confiabilidad” Recurrent Neural Network “red neuronal recurrente”  recurrente”   Remaining Useful Life “vida útil remanente”  remanente”   Remaining Useful Life Estimate “estimación de la vida útil remanente”   remanente” Society of Automotive Engineers “sociedad de ingenieros de la automoción”   automoción” SAra and GEorge publications

xii

 

SI SOC SPC STFT SVM TC RPM TDC

Start of Inyection “inicio de la inyección”  inyección”   Start of Combustion “inicio de la combustión”  combustión”  Statistical Process Control “control estadístico de procesos”  procesos”   Short-time Shorttime Fourier Transform “transformada de Fourier de corto tiempo”   tiempo” Support Vector Machine “máquina de vector de soporte”  soporte”  RPM de Turbo Compresor Top Dead Center “punto muerto superior”  superior”  

TRL TSA UPCT

Tecnology Readless Level nivel de madurez tecnológica   Time Synchronous Average “promedio de tiempo sincrónico”  sincrónico”   Universidad Politécnica de Cartagena

US

United States 1

Fallos típicos termodinámicos en base de datos de fallos  

F1 (56A1) F2 (44A1) F3 (44A3) F4 (57B2) F5 (52A1) F6 (1B21 F7 (6A1) F8 (1B9) y (1B10) F9 (1B20) F10 (1B1) y (1B14) F11 (1B16) F12 (1B16) F13 (57B2) F14 (54A1) F15 (1B17) y (1B18)

caída de presión excesiva en filtro de aire reducción de eficiencia en enfriador de aire caída de presión excesiva en enfriador de aire fallo en compresor de aire, menor rendimiento y caudal del compresor fuga de aire en colector de admisión mal asiento de válvula de admisión menos cantidad de combustible inyectado quemado en un cilindro, misfiring  pérdida de relación de compresión del cilindro fallo de regulación del huelgo de válvulas (menor huelgo) fallo de regulación del huelgo de válvulas (mayor huelgo) fallo timing inyección (adelanto de inyección) fallo timing inyección (retraso de la inyección) fallo en turbina, menor rendimiento y caudal de la turbina fuga de carga en colector de escape caída de presión excesiva en conductos escape

1

 Entre paréntesis el código que tiene cada fallo termodinámico en la base de datos de fallos completa Tabla 5.6 del Capítulo 5

xiii

 

2

Síntomas de los fallos típicos termodinámicos en base de datos de fallos  

S1 (ST80) S2 (WT70) S3 (FT40-

velocidad, régimen de giro del motor. potencia generada por el motor. consumo de combustible del motor.

[rpm] [kW] [l/h]

FT41) S4 (PT36-A)

S5 (TT31-A)

S6 a S17 (TT50-1A a 6B) S18 y S19 (TT51-A1 y B1) S20 y S21 (TT52-A y B) S22 (PT10) S23 (PT22) S24 (AC-EMCr) S25 (AC-EMCu) S26 (AC-EMFe) S27  (AC-EMS27 Mn) S28 (AC-EMSi) S29  (AC-EMS29 V) S30Comb) (AC-FQS31 y S32 S33 S34 S35-S36 S37

presión aire de carga, presión en el colector de

[bar]

admisión   o enfriador del aire del motor.después del intercooler  o temperatura aire de carga, temperatura del aire en el colector de admisión después del intercooler   o enfriador de aire del motor. temperatura de los gases de escape a la salida de cada cilindro, 12 valores desde cilindro 1A hasta el cilindro 6B. temperatura de los gases de escape a la entrada de las turbinas de cada línea, A y B. temperatura de los gases de escape a la salida de las turbinas de cada línea, A y B. presión circuito del agua dulce utilizada para la refrigeración del motor. presión del circuito de aceite lubricación del motor. contenido en Cromo del aceite de lubricación.

[bar] [ppm]

contenido en Cobre del aceite de lubricación.

[ppm]

contenido en Hierro del aceite de lubricación.

[ppm]

contenido en Manganeso del aceite de lubricación.

[ppm]

contenido en Silicio del aceite de lubricación.

[ppm]

contenido en Vanadio del aceite de lubricación.

[ppm]

[ºC]

[ºC]

[ºC] [ºC] [bar]

contaminación del aceite por combustible.

[%]

Temperatura de aire salida de compresores de cada línea A y B presión colector de escape presión media indicada IMEP velocidad media de turbocompresores de cada línea AyB gasto másico de aire

[ºC] [bar] [bar] [rpm] [kg/s]

2

 Entre paréntesis el código que tiene cada síntoma de los fallos termodinámicos en la base de datos de fallos completa Tabla 5.6 del Capítulo 5

xiv

 

Parámetros registrados en banco de ensayos 3 

P1 (ST80) P2 (WT70) P3 P4 P5 (PT42) P6 (TT40)

velocidad, régimen de giro del motor. potencia generada por el motor. cremallera de combustible presión diferencial en tanque consumo combustible presión presión circulación de combustible temperatura de combustible entrada de motor

[rpm] [kW] [%] [mbar] [bar] [ºC]

P7 P8 P9 P10 P11 P12 P13 P14 (PT36-A)

P15 P16 (TT31-A)

P17 P18 P19 P20 P21 P22 P23 P24 a P35 (TT50-1A a 6B) P36 P37 P38 y P39 (TT51-A1 y B1) P40 y P41 (TT52-A y B) P42 P43 (PT03) P44 (TT03)

temperatura del combustible salida de motor par motor efectivo corregido potencia motor efectiva corregida

[ C] [kNm] [kW]

consumo específico de combustible corregido presión de aspiración de aire salida de filtro (lado A) presión de aire entrada a enfriador (lado A) temperatura de aire de entrada a enfriador (lado A) presión aire de carga, presión en el colector de admisión después del intercooler o enfriador del aire del motor. pérdida de carga lado aire en el enfriador temperatura aire de carga, temperatura del aire en el colector de admisión después del intercooler o enfriador de aire del motor. gasto másico de aire relación aire combustible AFR presión instantánea de aire en colector de admisión (lado A) presión instantánea en cilindro 1A gasto másico de gases presión instantánea de gases en colector de escape (lado A) presión media indicada IMEP temperatura de los gases de escape a la salida de cada cilindro, 12 valores desde cilindro 1A hasta el cilindro 6B. temperatura media de gases de escape salida cilindros (lado A) temperatura media de gases de escape salida cilindros (lado B)

[gr/kWh] [mmH2O] [bar] [ºC] [bar]

temperatura de los gases de escape a la entrada de las turbinas de cada línea, A y B temperatura de los gases de escape a la salida de las turbinas de cada línea, A y B. contrapresión de escape en salida de turbocompresor A presión circuito de agua salada temperatura de agua de mar entrada a enfriador  principal

[ºC]

[mbar] [ºC]

[kg/s] [-] [bar] [bar] [kg/s] [bar] [bar] [ºC]

[ºC] [ºC]

[ºC] [mmH2O] [bar] [ºC]

3

 Los parámetros monitorizados también a bordo incluyen el código que tiene en el buque entre paréntesis. Éste código coincide con el que tiene en la Tabla 5.6 del Capítulo 5 si está incluido como un síntoma de algún fallo.

xv

 

P45 P46 (TT11) P47 P48 (PT10)

temperatura de agua de mar salida de enfriador  principal temperatura de agua dulce entrada de enfriador  principal (salida motor) temperatura de agua dulce salida de enfriador  principal (entrada motor) presión circuito del agua dulce utilizada para la refrigeración del motor.

[ºC] [ºC] [ºC] [bar]

P49 (TT41) P50 (PT22) P51

temperatura de aceite de lubricación salida motor presión del circuito de aceite lubricación del motor. concentración gases de escape de O2 en base seca

[ C] [bar] [ppm]

P52 P53 P54 P55 P56 P57 (TT97) P58 (PT96) P59 (MT98)

concentración gases de escape de CO2 en base seca concentración gases de escape de CO en base seca concentración gases de escape de NO en base seca concentración gases de escape de NO2 en base seca concentración gases de escape de NOx en base seca temperatura ambiente presión barométrica ambiente humedad relativa ambiente

[ppm] [ppm] [ppm] [ppm] [ppm] [ºC] [mbar] [%]

Símbolos latinos

a A Ai   A   A/F AFR B B BMEP c C 

   ,   CFF  CFU  C i  CMF  c p_exp  c p_comp  c1, c2 

Parámetro de modelo termodinámico a modificar  para simular un fallo ár área ea coeficiente auxiliar balance C, H, O moles necesarios para combustión de sustancias a las que afecta relación aire / combustible relación aire / combustible moles necesarios para combustión de sustancias a las que afecta diámetro del cilindro presión media efectiva de frenado velocidad del sonido en el gas, velocidad del pistón fracción máxima de calor liberado para combustión completa, carbono curva de coeficiente de descarga respecto al levantamiento curva de coeficiente de descarga respecto al levantamiento de referencia código de fallo funcional en base de datos de fallos código de función en base de datos de fallos grupo de comportamiento / cluster i código de modo de fallo en base de datos de fallos Coeficiente politrópico de expansión coeficiente politrópico de compresión coeficientes del método Woschni

[-] [m ] [-] [-] [-] [-] [-] [m] [bar] [m s- ] [-] [-] [-] [-] [-] [-] [-] [-] [-] [-]

xvi

 

D

 (´ , ´ )   

f FMEP FQL ℎ  H

diámetro distancia Euclídea entre registros x registros xi y  y x  x j 

[m] [-]

energía interna total frecuencia de resonancia presión media de pérdidas por fricción fracción de calor liberado entalpía total Hidrógeno

[J] [Hz] [bar] [-] [J] [-]

ℎ : HR IMEP k    

L

Lθ 

Lcorregido θ  Lleva θ       LRD(d  ) i  

Lválvula θ  2 (x) m  M ̇   n n  N O  

Pθ   p_2/p_1  p_3/p_4 Q ̇   R R

coeficiente convectivo humedad relativa presión media indicada número de grupos de comportamientos constante de ajuste del coeficiente de descarga, constante de equilibrio de la reacción de conservación del gas de agua longitud curva de levantamiento curva de levantamiento corregida levantamiento de la leva factor local de outliers distancia de alcance local de d i  levantamiento de la válvula normalización L2 del registro x factor de ajuste ley de doble Vibe masa gasto másico número de moles, coeficiente politrópico revoluciones Nitrógeno Oxígeno  presión  presión instantánea respecto a ángulo del cigüeñal relación de compresión en compresor de aire relación de expansión en turbina calor constante de los gases ideales para un gas concreto radio

i  j ) reachDist(d  ,d  K-distancia de vecindad   Azufre S evento xi       puntuación del evento x tiempo   T temperatura  par T  un umbral de detección de anomalías para cluster i ℎ    velocidad del fluido   u0  límite inferior del parámetro principal de entrada

uk  

límite superior del parámetro principal de entrada

[J m-  K - ] [%] [bar] [-] [-]

[m] [mm] [mm] [mm] [-] [-] [mm] [-] [-] [kg] [kg seg- ] [-] [rpm] [-] [-] [Pa] [Pa] [-] [-] [J] [kJ kg- K - ] [m] [-] [-] [-] [s] [K] [Nm] [-] [m/s] [según  parámetro] [según  parámetro]

xvii

 

  V

Vθ  w  W ̇    xb   X  f  

velocidad instantánea gases en cilindro vo volu lume men n volumen instantáneo respecto a ángulo del cigüeñal anchura rango parámetro principal de entrada  potencia fracción de masa quemada parámetro principal de entrada

[-] [m ] [l] [-] [kW] [-] [según  parámetro]

Símbolos griegos

  α 

β  γ 

   η  θ  κ  

 λ 

          v 

   

velocidad del fluido ángulo movimiento balancín factor de ponderación ley de doble Vibe constante adiabática del gas cociente de calores específicos en función de la temperatura en cada ángulo de giro de cigüeñal rendimiento ángulo de giro del cigüeñal coeficiente estadístico kappa kappa  de Cohen Coeficiente de exceso de aire función de pertenencia conjunto difuso normal función de pertenencia conjunto difuso outliers moles necesarios para combustión de sustancias a las que afecta densidad del fluido dimensión longitudinal que sigue el flujo

Subíndices y superíndices Subíndices

a adm atm c cc col,inf col,sup cond,ent,colector cool eq esc et f gases gross H

Aire admisión atmosférica compresor Cámara de combustión semicolector inferior semicolector superior conducto de entrada al colector refrigerante a la entrada del enfriador equivalente escape entrada de turbina combustible gases de combustión bruta valor alto

xviii

 

ht ht i i,f i,nom in ivc L

transmitido a las paredes transmitido a las paredes indicado simulación i, valor con fallo simulación i, valor nominal entrada instante de cierre válvula de admisión valor bajo

[m/s] [º] [-] [-] [-] [-] [rad] [-] [-] [-] [-] [-] [kg/l] [m]

m m neta neto out  pant  pms  pump red s sc scil sección st t turbo vap,sat w  

β   

    0 1

mecánico media neta salida pantalla interna del colector punto muerto superior bombeo reducido estequiométrico salida del compresor salida de cilindros sección transversal de un conducto salida de turbina turbina turbocompresor vapor pistón saturado en contacto con el fluido moles de carbono en ecuación química combustión moles de hidrógeno en ecuación química combustión moles de oxígeno en ecuación química combustión moles de nitrógeno en ecuación química combustión moles de azufre en ecuación química combustión inicio fase premezcla de la combustión inicio fase difusión de la combustión

Superíndices

-

xix

 

xx

 

CAPÍTULO 1: I ntroducción ntroducción

CAPÍTULO 1

Introducción

INDICE 1.1 1.2 1.3 1.4 1.5

Marco Objetivos Metodologí Metodologíaa Esquema de la tesis Referenci Referencias as

3 4 5 7 8

LISTA DE TABLAS -

LISTA DE FIGURAS 1.1

Diagrama de bloques de la metodolog metodología ía

6

1

 

CAPÍTULO 1: I ntroducción ntroducción

1.1 . MARCO. El motor diesel disfruta de una posición de liderazgo tanto en la propulsión como en la generación de energía del sector naval. La razón de esta expansión del motor diesel es su alta potencia específica, eficiencia, fiabilidad y, sobre todo, mejor respuesta a

cambios de carga en comparación a otras soluciones como la turbina de gas. La eficiencia y la fiabilidad toman una importancia crucial si se tiene en cuenta el coste de todo el ciclo de vida, ya que mayormaximizar parte del coste total del buque son gastos de operación y mantenimiento [1].la Para la fiabilidad, la metodología de mantenimiento que mejores resultados produce es el  Reliability Centred Maintenance (RCM) “mantenimiento basado en la confiabilidad” [2]. Una de las características más importantes del RCM es que prioriza el Condition Based Maintenance (CBM)  “mantenimiento basado en la condición”  frente a estrategias de mantenimiento  preventivo y cor correctivo. rectivo. Con CBM se monitorizan monitorizan parámetros de funcionamiento, funcionamiento, que tras ser procesados, permiten obtener indicadores de eficiencia o de fallo, en definitiva de la salud o rendimiento de un equipo o sistema. La arquitectura y funcionalidades que debe tener un buen sistema CBM están definidos por el estándar internacional ISO 13374 [3]. El concepto de sistema CBM ha evolucionado a sistemas que desarrollan mucho más profundamente los módulos de diagnosis, prognosis y ayuda a la toma de decisiones. Siguiendo esta línea, el concepto más completo y específico utilizado para vehículos corresponde a  Integrated Vehicle Health Management System (IVHMS)  “sistema integrado de gestión de la salud para vehículos” [ 4], concepto que puede aplicarse tanto vehículos aéreos, terrestres o marinos. Las herramientas de diagnosis para motores propuestos en la bibliografía se pueden clasificar entre sistemas estadísticos/inteligencia artificial, físicos e híbridos/semifísicos [5]. Para obtener buenos resultados, los métodos estadísticos y de inteligencia artificial requieren de una gran cantidad de datos de funcionamiento fiables tanto de operación normal como con fallos. Este tipo de sistemas no necesitan conocer y definir el proceso físico que se produce en el equipo, lo que simplifica el problema. Además, una metodología de este tipo se puede extrapolar fácilmente a otros equipos y sistemas distintos. Por otro lado, los sistemas físicos, aunque también necesitan obtener datos experimentales, es suficiente una serie limitada de ensayos específicos para la caracterización y ajuste del modelo. Otra ventaja importante de los modelos físicos es que se adaptan mejor anocondiciones ambientales distintas a lasploensayadas, cual  permite que el sistema produzca falsos positivos, por ejemplo ejem cuando ellobuque navega por climas muy fríos o muy cálidos. Los sistemas híbridos por su parte combinan las ventajas de sistemas basados en datos, estadísticos/inteligencia artificial y sistemas basados en el conocimiento, sistemas físicos. Independientemente de la estrategia a seguir para la detección de fallos, se necesita disponer de una base de datos de fallos completa y fiable que permita identificar la anomalía detectada y diagnosticar el problema para poder realizar soporte a la toma de decisiones sobre la operación y mantenimiento de estos sistemas. La creación de esta  base de datos de fallos exige un gran conocimiento conocimiento sobre el diseño del equipo, así como experiencia sobre su operación y mantenimiento. La metodología de RCM es un marco ideal para desarrollar un  Failure Modes, Effects and Criticality Analysis (FMECA) 3

 

CAPÍTULO 1: I ntroducc ntroducción ión

indicando su criticidad” [8]. El análisis FMECA es una base de datos de fallos completa en la que se incluyen los síntomas que se producen cuando existe un fallo y la criticidad del mismo. En ocasiones, no se analiza la criticidad, en ese caso el análisis se denomina FMEA ( Failure Modes, Effects Analysis).

“análisis de modos de fallo y efectos

Una restricción importante a la hora de diseñar un sistema de diagnosis, sea cual sea la estrategia, es que aunque se disponga de un amplio número de unidades de un mismo tipo de equipo, equipo, sólo se suelen conseguir datos históricos de unos pocos fallos típicos que

hayan ocurrido en el pasado. Por lo tanto, sólo se podrán caracterizar unos pocos modos de fallo. Este inconveniente se puede solucionar parcialmente si se construye un modelo físico preciso que actúe como simulador del equipo [6] y que permita obtener de forma fiable los síntomas de fallos no disponibles con datos reales, de esta forma se mejora la fiabilidad de la solución adoptada. Otra opción, sería la inseminación de dichos fallos en un motor real [7] pero esto, además del coste de combustible y tiempo, tiene el principal inconveniente de que se pone en riesgo la seguridad del motor y de los operadores.

1.2 . OBJETIVOS. El objetivo principal de esta tesis doctoral es el desarrollo de un sistema de diagnosis para un motor diesel marino semirrápido de cuatro tiempos cuya aplicación en el buque es de grupo auxiliar/generador de energía eléctrica de la plataforma (G E Nera Nerattor SE T , GENSET). Para poder realizar el objetivo principal, se han establecido una serie de objetivos parciales que se definen y explican brevemente en las siguientes líneas.

Realizar un estudio del estado del arte de sistemas de diagnosis, con especial interés en diagnosis de motores diesel. Para ello, se han analizado las técnicas existentes en la  bibliografía, identifican identificando do las más utilizadas y la tendencia actual para este tipo de  problemas. Una vez realizada la búsqued búsquedaa bibliográfica anterior, realizar una comparativa de las técnicas más apropiadas  para motores diesel marinos. Enmarcar las técnicas dentro de los sistemas IVHM, como sistema más completo de gestión de la salud de vehículos, profundizando sobre el papel del módulo de diagnosis que emplea el IVHM. Desarrollar un sistema de diagnosis  para motor diesel marino, compuesto de un subsistema de detección de fallos  estadístico/inteligencia artificial y de una base de datos de fallos fiable. Para la construcción del sistema de detección fallos, utilizar datos de funcionamiento históricos del motor  diesel que permitan entrenar algoritmos de clasificación y la detección de compor comportamientos tamientos anómalos de este tipo de motores. Para la creación de la base de datos de fallos, utilizar la metodología RCM para crear una base de datos del tipo FMECA de partida  basada en el conocimiento experto. Posteriormente se optimiza la base de datos de partida FMECA gracias al desarrollo de un simulador de fallos  basado en un modelo termodinámico. El modelo termodinámico no se ha desarrollado si no que se ha utilizado el software comercial de reconocido prestigio prestigio internaci internacional, onal, AVL Boo Boost©. st©. Por lo ttanto, anto, un objetivo del trabajo es 4

 

CAPÍTULO 1: I ntroducción ntroducción

adaptar el modelo para simular fallos de motor con la suficiente validez en la respuesta en el modelo. Otro objetivo necesario ha sido recopilar los datos geométricos y característicos del motor, realizar ensayos experimentales en banco de pruebas de este tipo de motores, que debido a su tamaño no suelen ser fáciles de obtener  y   y establecer un procedimiento estandarizado para la medida y análisis de los resultados ensayados para que su comparación con el modelo sea fiable y representativo del motor tanto durante los ensayos como durante su uso y funcionamiento real en barco. Una vez creado y validado el modelo, inseminar los fallos termodinámicos típicos del motor

diesel para este tipo de aplicaciones y analizar los síntomas obtenidos por el modelo  para, por últim último, o, optimizar la base de datos de fallos FMECA de partida con nuevos  parámetros y capacidades capacidades pa para ra la distinci distinción ón entre los diferentes ti tipos pos de fallo. Todos estos objetivos han sido desarrollados para un solo motor, pero tanto el proceso como el sistema obtenido se han realizado para poder ser fácilmente extrapolable a otros motores diesel marinos tanto con aplicación de propulsión como de grupos auxiliares GENSET.

1.3 . METODOLOGÍA. La metodología seguida para este trabajo se explica en los siguientes párrafos, además se intenta resumir con el diagrama de bloques que muestra la Fig. 1.1. En primer lugar se ha realizado el estudio del concepto CBM+ como sistema integral de monitorización de la condición en vehículos. Una vez identificada la estructura, elementos funcionespara del un CMB+, se ha importanciala que tiene un de buen sistema de ydiagnosis sistema de analizado este tipo. la Confirmada importancia la diagnosis en motores diesel y siendo el objetivo principal de esta tesis el desarrollo de un sistema aplicado a motor diésel marino, se ha realizado un estudio bibliográfico más  profundo sobre las ttécnicas écnicas utilizadas en la actualidad. Del análisis y la evaluación evaluación de estas técnicas se llega a la conclusión que pueden dividirse en dos, las técnicas basadas en modelos físicos y las basadas en modelos estadísticos y/o inteligencia artificial. Para ambos tipos es imprescindible la utilización de bases de datos de fallos del motor. Se utiliza el análisis de las técnicas para desarrollar un nuevo sistema de diagnosis para motor diésel marino compuesto por un subsistema de detección de fallos basado en inteligencia artificial y un subsistema diseñado a partir de una base de datos de fallos fiable creada con un FMECA y optimizada mediante un simulador de fallos basado en modelo termodinámico. De esta forma, el sistema propuesto es un sistema híbrido, que utiliza los datos reales del equipo para la detección de fallos y la capacidad de reproducir el comportamiento del motor ante fallos que no se han producido en la realidad que tiene el modelo físico. El subsistema de detección está compuesto por un clasificador de comportamientos y un detector de anomalías. A la par, se construye un modelo termodinámico en AVLboost© y se le inseminan fallos termodinámicos. Se analizan los síntomas que ofrece el simulador de fallos termodinámico para optimizar la  base de datos de fallos FMECA. La construcción del modelo termodinámico termodinámico requiere re quiere la recolección previa de datos geométricos y característicos así como la realización de ensayos experimentales en banco de pruebas para caracterizar y validar el modelo cuando el motor funci funciona ona corr correctamen ectamente. te.

5

 

CAPÍTULO 1: I ntroducc ntroducción ión

Fig. 1.1. Diagrama de bloques de la metodología.

6

 

CAPÍTULO 1: I ntroducción ntroducción

1.4 . ESQUEMA DE LA TESIS. Esta tesis doctoral se compone de nueve capítulos. A continuación se resume  brevemente el alcance y contenido de cada uno de ellos. ellos. En el presente capítulo principalmente se presentan los objetivos globales y parciales de la tesis, así como, se hace una explicación resumida de la metodología seguida para obtener los objetivos planteados para este trabajo. t rabajo.

En el Capítulo 2 se muestra la arquitectura y elementos que componen los IVHM, el concepto de sistema de gestión de la salud más completo existente en la bibliografía aplicado a vehículos, nacido en sector aeroespacial y de defensa y extendido  posteriormente a la industria tras el desarrollo desarrollo de las tecnologías de la computación computación e información. En el Capítulo 3 se realiza un estudio del estado del arte sobre sistemas de diagnosis, con especial atención a la diagnosis de motor diesel. Se realiza una búsqueda  bibliográfica extensa, extensa, se clasifican en grupos y se sintetizan los resultados aport aportando ando un análisis sobre las técnicas existentes en la bibliografía, identificando las más utilizadas. Finalmente se realiza una comparativa de las técnicas más apropiadas para motores diesel marinos. El capítulo 4 se desarrolla un sistema de detección de fallos en motor diesel marino, compuesto por herramientas Clustering de “clasificación de comportamientos”,  Fuzzy  Logic de “lógica difusa”, y Event y Event Score de “evaluación de comportamientos”.

En el capítulo 5 se presenta la metodología de mantenimiento basado en la fiabilidad RCM, en concreto la primera parte que define los modos de fallo de un equipo o sistema. Posteriormente se realiza una base de datos de fallos FMECA de partida siguiendo la metodología RCM presentada previamente y utilizando conocimiento experto en el diseño, operación y mantenimiento del equipo. En el capítulo 6 se desarrolla un modelo termodinámico unidimensional, construido utilizando como plataforma el software comercial AVL Boost©. Se indica el proceso de recopilación de datos geométricos y característicos del motor y los ensayos experimentales en banco de pruebas. También se presentan los elementos de los que se compone el modelo. Finalmente se realiza la validación del mismo mediante comparativa entre valores experimentales experimentales y de simulación. En el Capítulo 7 se explica cómo se inseminan cada uno de los quince fallos del motor típicos en el modelo termodinámico desarrollado en el capítulo anterior. Se define cómo se insemina cada fallo en el modelo y su consecuencia desde el punto de vista termodinámico y se muestran y analizan los síntomas que proporciona el modelo para cada uno de los fallos inseminados. En el Capítulo 8 se realiza la optimización de la base de datos de fallos FMECA creada en el capítulo 5. A partir del análisis de síntomas realizado en el capítulo 6, se comprueban qué síntomas hay que actualizar de la base de datos FMECA de partida  para obtener una base de datos optimizada aún más fiable. Para la validación validación de la nueva base de datos se utiliza los datos de síntomas de un fallo real ya documentado y 7

 

CAPÍTULO 1: I ntroducc ntroducción ión

de otros fallos simulados para ampliar la validez de la técnica utilizada y de la nueva  base de datos datos mejorada. Finalmente, en el Capítulo 9 se resumen las conclusiones obtenidas respecto a los objetivos marcados en el capítulo 1 y se indican trabajos futuros previstos que parten de los resultados obtenidos en la presente tesis doctoral.  

1.5 . REFERENCIAS. [1]

G. Polo, On maritime transport costs, evol evolution, ution, and forecast, Ship Science & Technology Vol 5, No 10, 2011.

[2]

J. Moubray Moubray,, Reliabili Reliability-Centered ty-Centered Maintenance, Industrial Press, ISBN: 9780831131463, 2002.

[3]

ISO  13374-1:2003: Condition monitoring and diagnostics of machines  —  Data   Data  processing, communication communication an andd presentation —  Part  Part 1: General guidelines.

[4]

D. Abbott et al., Concepts for an integrated vehicle vehicle health health monitoring monitoring system, Review of Quantitative Nondestructive Evaluation Vol. 22, American Institute of Physics, pp. 1606-1614.

[5]

Anupam Das, J. Maiti and R.N. Banerjee Banerjee,, Process monitoring and fault detection strategies: a review. International Journal of Quality & Reliability Management Vol. 29 No. 7, 2012 pp. 720-752.

[6]

Dimitrios T. Hountalas, Prediction of marine diesel engine performance under fault conditions, Applied Thermal Engineering 20 (2000) 1753-1783.

[7]

Andrew J. Bayba, David N. Siegel, and Kwok Tom, Application of Autoassociative Neural Networks to Health Monitoring of the CAT 7 Diesel Engine, Florida, USA, 22 – 25 25 Army Research Laboratory,  ARL-TN-0472, 2012.

[8]

IEC 60812: Analysis techniques for sys system tem reliability  –   Procedure for failure mode and effects analysis (FMEA). International Electrotechnical Commission IEC, 2006.

8

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

CAPÍTULO 2

Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos INDICE 2.1 2.2 2.2.1 2.2.2 2.2.2.1 2.2.2.2 2.2.2.2.1 2.2.2.2.2 2.2.2.2 .2 2.2.2.2.3 2.2.2.3 2.2.2.4 2.2.3 2.2.3.1 2.2.3.1.1 2.2.3.1.2 2.2.3.1.3 2.2.3.1.4 2.2.3.1.5

Introducci Introducción ón Componentes de un sistema actua actuall de monitor monitorización ización de la condición condició n  para vehículos vehículos Adquisició Adquisiciónn de dato datoss Procesami Procesamiento ento de datos Datos de magnitud escalar Datos en forma de onda Análisis en el dominio del tiempo Análisis en el dominio de la frecuencia Análisis combinado tiempo-frecuencia Datos mul multidimensionales tidimensionales Combinación de evento eventoss y datos de monitorizac monitorización ión de la condición condició n Soporte a toma de decisiones sobre operación y mantenimiento mantenim iento Diagnosis Límites de señales monitorizadas monitorizadas Modelos físicos Modelos estadísticos Modelos de inteligenci inteligenciaa artificial Modelos semi-físic semi-físicos os

11 12 15 16 17 17 18 18 19 20 20 20 21 22 22 23 24 26

2.2.3.2 2.2.3.3 2.2.3.3.1 2.2.3.3.2 2.2.3.4 2.3 2.4 2.5

Prognosis Soporte a toma de decisiones Influencia de la política de mantenimi mantenimiento ento Influencia del interval intervaloo de moni monitor toriza ización ción de la condición Fusión de datos de múltiples señales Import Importancia ancia de la diagnosis de fallos en un sistema siste ma CBM+ Diagnosis en motores diesel Referenci Referencias as

26 27 28 28 29 30 30 32

9

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

LISTA DE TABLAS -

LISTA DE FIGURAS

2.1 2.2

Arquitectura de un sistema IVHM Arquitectura típica de un sistema de diagnosis basado en modelo

14 30

10

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

2.1 . INTRODUCCIÓN. La fiabilidad siempre ha sido un aspecto importante en la evaluación y selección de equipos industriales. Un buen diseño es esencial para conseguir un equipo de alta fiabilidad. Sin embargo, no importa lo bueno que sea el diseño, los equipos se deterioran con el tiempo ya que funcionan bajo cierta carga o estrés en un entorno real, a menudo teniendo ésta cierta aleatoriedad. De este modo, se utiliza el mantenimiento

como una forma eficaz de asegurar un nivel satisfactorio de fiabilidad durante la vida útil de un equipo. El origen del mantenimiento fue básicamente reaccionar después de que se produjera una avería, es decir reparar tras el fallo (llamado mantenimiento correctivo o no  planificado). Una ttécnica écnica de mantenimi mantenimiento ento posterior fue el mantenimiento mantenimiento preventivo preventivo  basado en el tiempo (también llamado man mantenimiento tenimiento planificado), planificado), que establece establece un intervalo periódico para realizar la tarea de mantenimiento, independientemente del estado de salud del equipo. Con el rápido desarrollo de la tecnología, los equipos se han vuelto más y más complejos, exigidos además de una mayor calidad y fiabilidad. Esto ha provocado que el coste del mantenimiento preventivo sea cada vez mayor y se haya convertido en un gasto importante de las instalaciones. Por esta razón, han surgido enfoques de mantenimiento más eficientes [1], todos ellos variaciones del Condition  Based Monitoring (CBM) “mantenimiento basado en la condición”.   El CBM es una técnica de mantenimiento que recomienda acciones de reparación o sustitución basadas en la información recogida a través de la monitorización de la condición del equipo. Su objetivo es aumentar la fiabilidad del activo así como intentar evitar tareas de mantenimiento innecesarias realizando acciones sólo cuando hay evidencia de comportamientos comportamientos anormales de un equ equipo. ipo. En equipos y sistemas complejos, una instalación de CBM tradicional, basada en señales de vibración, es útil pero insuficiente para detectar todos los modos de fallo que se pueden presentar en los motores. Esto es debido a que las vibraciones son un indicador robusto de problemas mecánicos pero no son capaces de detectar otros muchos tipos de fallo. Por lo tanto, los sistemas CBM han ido evolucionando hasta realizar en la actualidad fusión de datos de diferentes tipos de señales, utilizar modelos de comportamiento y disponer de bases de datos de fallos. Una denominación que utiliza recientemente para nombrar el concepto actual de sistema de monitorización de la condición es Condition Based Monitoring Plus (CBM+)  “mantenimiento basado en la condición avanzado” [2]. CBM+ combina la integración de múltiples sensores con técnicas de inteligencia artificial y análisis de fiabilidad. f iabilidad. Este concepto fue creado por el Departamento de Defensa de los Estados Unidos para mejorar la fiabilidad y disponibilidad de su flota durante el ciclo de vida. Otra denominación denominación aún más completa son los sistemas llamados  Integrated Vehicle Health Management (IVHM)  “gestión integrada de la salud del vehículo”. Un sistema IVHM es un concepto de sistema

integral que proporciona soporte automático para la toma de decisiones sobre el mantenimiento y operación del vehículo. Para ello, se incluye la política de mantenimiento, teniendo en cuenta la gestión de repuestos, mano de obra instalaciones de reparación, etc. El concepto IVHM fue creado hace más de dos décadas por la industria aeroespacial [3], sector donde este concepto integrador de la gestión de la salud del vehículo está a la vanguardia. En la actualidad, se está trabajando en este

11

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

sentido en todo tipo de vehículos terrestres, marinos y aéreos, sobre todo en el sector aeronáutico y de defensa.

2.2 . COMPONENTES DE UN SISTEMA DE MONITORIZACIÓN ACTUAL PARA VEHÍCULOS. Un sistema IVHM utiliza datos históricos relevantes para el comportamiento presente y

futuro del vehículo y los transforma en información para facilitar las decisiones operativas y de mantenimiento. Este concepto se compone de la integración de sensores, tecnologías de comunicaciones, conocimiento de los equipos e inteligencia artificial  para proporcion proporcionar ar lay capacida capacidad d desoluciones. diagnosticar problemas de todos los sistemas y equipos del vehículo recomendar El concepto de IVHM es en realidad una evolución de sistemas de diagnosis y  prognosis aplicados a un sistema s istema CBM tradici t radicional onal [4, 5, 6]. El oobjetivo bjetivo es implementar una estrategia avanzada de diagnosis, prognosis y gestión de la salud que permita la monitorización continua y la evaluación en tiempo real de la salud funcional del vehículo, predecir la vida útil remanente de los componentes que fallan o están a punto de fallar y usar esta información para mejorar las decisiones sobre operación y mantenimiento. Este sistema realiza una identificación temprana de los fallos, lo que  produce una reducción de operaciones de mantenimiento debido a un menor número de casos de fallo inesperados. Además, cuando se trata de aplicaciones destinadas a operaciones militares, las funciones de mando y control pueden tener un mayor conocimiento de la condición del vehículo y de sus capacidades en cada momento y situación, lo que aumenta la seguridad y las posibilidades de éxito de la misión a la que se sometan estos equipos. También permite conocer a priori si es necesario necesario el cambio de vehículo antes de comenzar la misión o incluso una retirada a tiempo para no perderlo  junto con la tripulación tripulación si fuera un vvehículo ehículo tripulado [7, 8]. Para algunos autores, el alcance de un sistema IVHM también incluye la gestión logística. Esto quiere decir que la disponibilidad de información sobre salud del vehículo de forma actualizada y detallada se puede utilizar para activar automáticamente acciones logísticas. En este caso el sistema IVHM también transmite datos del estado del vehículo a un sistema de información distribuido que procesa cálculos del IVHM junto con otra información sobre el vehículo y el ciclo logístico y, si se requiere mantenimiento, informa a la infraestructura de la cadena de suministro y las instalaciones de apoyo de la necesidad de piezas, herramientas y mano de obra. Un ejemplo de undesistema ampliado que comprende vehículo como su   Strike elFighter   [9, 10] infraestructura soporteIVHM logístico es el programa del  Joint tanto (JSF) del Departamento de Defensa de Estados Unidos. El programa JSF está liderando el desarrollo de sistemas de armas de ataque de próxima generación para la Marina, la Fuerza Aérea y el Cuerpo de Marines de los Estados Unidos. Aquí, el sistema de monitorización de la condición del vehículo se diseña con un sistema IVHM completamente funcional que realiza la detección de fallos, aislamiento y reconfiguración a través de numerosos componentes y subsistemas (por ejemplo estructuras, motores, electrónica, hidráulica, combustible y sistemas de energía eléctrica). La detección de una anomalía que requiere una acción de mantenimiento activa la cadena logística para programar la reparación/sustitución, adquisición de repuestos, etc. La existencia de tecnología de adquisición, tratamiento y análisis actual 12

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

hace que aunque no haya muchos ejemplos de aplicaciones IVHM, vayan apareciendo iniciativas desarrollándose desarrollándose en ttodo odo tipo de vehíc vehículos ulos aéreos, marin marinos os o terrestres. Baroth et al. [11] dan una visión general de las principales aplicaciones en los sectores automoción, espacial, defensa y de aeronáutica comercial. Janasak y Beshears [6] discuten los sistemas de monitorización de la salud actualmente ofrecidos a diferentes tipos de plataformas, incluyendo vehículos y plantas industriales. De manera similar,

Reichard et al. [12] proporcionan una lista de proyectos militares en los que la información generada por el sistema de monitorización de la salud del vehículo se está incorporando dentro de los sistemas automatizados de gestión logística y estratégica de flotas. Algunas de las aplicaciones más relevantes de IVHM destacadas en la literatura, además del JSF [9, 10]  citado anteriormente, son el Boeing's  Airplane Health Management (AHM) y el General Motors OnStar . Mientras que Boeing y General Motors son vistos como referentes de IVHM comerciales, en la industria naval militar es de destacar el  Integrated Condition Assesment System  (ICAS) “sistema integrado de evaluación de la condición" de la US Navy [13] aplicado exitosamente en más de 100 buques de su flota. En la actualidad, existen importantes esfuerzos para reducir los costes en los programas de vehículos militares y comerciales [7]. Para ello, se presta mucha atención a las actividades operativas y de apoyo que contribuyen con una proporción importante a los costes totales del ciclo de vida de los vehículos modernos. La experiencia ha demostrado que gran parte de los costes del ciclo de vida de los vehículos son atribuibles a las actividades de mantenimiento. formadesimilar, el coste de diez operación y mantenimiento de un vehículo puede exceder elDeprecio adquisición hasta veces [14]. En este contexto, parece que las nuevas generaciones de plataformas de vehículos experimentarán cambios sustanciales e integrarán un progreso tecnológico cuyo objeto sea mejorar las operaciones en servicio y el mantenimiento. La visión actual es que los vehículos nuevos y antiguos deben contar con funciones de inteligencia basadas en tecnología avanzada que permitan tomar decisiones que se basen en disponer de más información sobre el diseño, uso, man mantenimiento tenimiento y soporte logístico [11, 15]. Esto es totalmente coherente con la adopción de una filosofía IVHM que utiliza la fusión y el fuerte acoplamiento de las tendencias interdisciplinarias de las ciencias de la ingeniería, computación y comunicaciones para lograr la utilización más  barata y eficaz eficaz de los sis sistemas temas y equipos de llos os vehículos.

13

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

Un sistema IVHM se compone compone de ttres res partes fundamentales [16]:

Fig. 2.1. Arquitectura de un sistema IVHM. 1.  Adquisición de datos. Recolección de información para obtener datos relevantes para la salud del sistema. 2.  Procesamiento de datos. Manejo y análisis de los datos o señales recogidos en el paso anterior para una mejor comprensión e interpretación de los datos. 3.  Soporte a toma de decisiones de operación y mantenimiento . Que incluye las tareas de diagnosticar y conocer el estado del vehículo, pronosticar posibles fallos o evolución del vehículo y, por último, recomendar acciones de operación y/o mantenimiento eficientes en base a un soporte sopo rte técnico y de análisis. Diagnosis y prognosis son dos elementos fundamentales en un sistema IVHM. Las herramientas de diagnosis se ocupan de la detección, aislamiento e identificación de fallos cuando se producen. La detección de fallos es la tarea que indica si algo va mal en el sistema que se está supervisando, el aislamiento de fallos la que localiza el componente defectuoso, y la identificación de fallos la que determina la naturaleza del fallo detectado. Por otro lado, las herramientas de prognosis se ocupan de la predicción de fallos antes de que se produzcan. Esta tarea determina si un fallo es inminente y estima cuándo y cómo de probable es que se produzca. Un sistema IVHM puede utilizar diagnosis, prognosis o ambos. Sin embargo, sea cual sea el objetivo, siempre contiene los tres elementos clave de la Fig. 2.1. La literatura sobre diagnosis y prognosis de fallos es enorme y diversa, principalmente debido a la amplia variedad de sistemas, equipos y componentes existentes en la industria. Cientos de artículos en esta área, incluyendo teorías y aplicaciones prácticas, aparecen cada año en revistas académicas, actas de conferencias e informes técnicos. En los siguientes apartados se hace una descripción detallada de las tres partes fundamentales de un sistema IVMH y de las técnicas utilizadas para cada una de estas  partes.

14

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

2.2.1 Adquisición de datos. La adquisición de datos es un proceso de recolección y almacenamiento de datos o información útil de equipos [17] del vehículo. Este proceso es un paso esencial en la implementación de un sistema IVHM. Los datos recogidos se pueden clasificar en dos tipos principales:

  Datos de eventos y,   Datos de monitorización de la condición.

 

Los   incluyen lo que que se sucedió en el equipos pasado (ej.: datos de eventos instalación, avería, revisión, etc.,lay información las causas) ysobre / o lo hizo sobre del vehículoo (ej.: vehícul ( ej.: reparaciones menores, mantenimi mantenimiento ento preventivo, preventivo, cambio de aceite, etc.). Los datos de monitorización de la condición   son los datos de las señales recogidas relacionadas con la condición/estado de salud de los equipos. Los datos medidos sobre la condición son de varios tipos y versátiles. Pueden ser datos de vibración, datos acústicos, datos de análisis de aceite, temperatura, presión, humedad, datos ambientales, etc. Se utilizan todo tipo de sensores y micro-sensores, sensores ultrasónicos, sensores de emisión acústica, acústica, etc. que permi permiten ten recopilar diferentes tipos de datos [18, 19, 20]. La recopilación de datos de eventos suele requerir la introducción manual de datos en los sistemas de información. Para ello, se han desarrollado sistemas de gestión empresariales [21] tales como  Enterprise Resource Planning systems (ERP)  “sistemas de planificación de recursos empresariales” u otros más específicos de gestión de mantenimiento como Computerized Maintenance Management Systems (CMMS)   “sistemas de gestión de mantenimiento computarizado”. computarizado”.  

Sin embargo, los datos de monitorización de la condición son recopilados de forma automática por el sistema de adquisición de datos del vehículo. Las tecnologías inalámbricas,, co inalámbricas como mo Bluetooth, WiFi y ot otros, ros, han proporcionado una solución solución alternativa alternat iva rentable para la comunicación de este tipo datos. También, con el rápido desarrollo de la computación y tecnologías avanzadas de sensores, las instalaciones de adquisición de datos se han vuelto más potentes y menos costosas, lo que hace que la adquisición de datos para la implementación de un sistema IVHM sea más asequible y factible. Es importante destacar que los datos de eventos y los de monitorización de la condición son igualmente importantes en un sistema IVHM. práctica, sin embargo, se tiende a poner más énfasis en la recopilación de los datosEn delamonitorización de la condición y a descuidar los datos de eventos. Ignorar los datos de eventos puede ser resultado de la creencia errónea de que los datos de eventos no son valiosos, siempre y cuando los indicadores de condición parezcan estar funcionando bien en la reducción de fallos que se producen en los equipos. Esta creencia es incorrecta ya que los datos de eventos son al menos útiles para evaluar el desempeño de los indicadores de condición actuales, e incluso pueden ser utilizados como retroalimentación al diseñador del sistema para considerar el rediseño del sistema o la mejora de indicadores de condición. Ignorarlos también puede resultar del hecho de que la recopilación de datos de eventos normalmente requiere la introducción manual de datos y una vez que el ser humano está involucrado, todo se vuelve más complicado y propenso a errores. Una solución podría ser implementar y automatizar la recopilación de datos de eventos utilizando las 15

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

 Information Technology (ITs)  "tecnologías

de la información" y reportando al sistema

de gestión del mantenimiento.

2.2.2. Procesamiento de datos. Para un correcto procesamiento de los datos es necesario la realización de diferentes  pasos para así hacer abordable y út útil il la ingente cantidad de dato datoss que se toman de cada

uno de los sistemas. El primer paso que realiza el procesamiento de datos es el tamizado o separación de los datos útiles de los inútiles, también llamado limpieza de los datos ya que se separan los datos útiles de los denominados datos basura o que contengan errores. Este es un paso importante ya que los datos, especialmente los datos de eventos, que normalmente se introducen manualmente, casi siempre contienen errores. La limpieza de los datos asegura, o al menos aumenta la posibilidad, de que se usen datos limpios (libres de errores) para un análisis y modelado posterior. Sin el paso de limpieza de datos, uno  puede entrar en la llamada "basura entra  –   basura sale". Los errores en los datos son causados por muchos factores incluyendo el factor humano mencionado anteriormente. Para los datos de monitorización de la condición, los errores pueden ser causados, por ejemplo, por fallo del sensor. En este caso, la identificación y aislamiento del fallo del sensor es el camino correcto [22]. En general, sin embargo, no hay una manera sencilla de limpiar datos, siendo necesario algunas veces un examen manual de los datos. En caso de recurrir a esto último, las herramientas gráficas son muy útiles para encontrar y eliminar errores de datos. El siguiente paso del procesamiento de datos es el análisis de estos. Una gran variedad de modelos, algoritmos y herramientas están disponibles en la literatura para analizar los datos de tal forma que permitan una mejor comprensión e interpretación de los datos. Los modelos, algoritmos y herramientas utilizados para el análisis de datos dependen principalmente de los tipos de datos recogidos. Los datos de monitorización de la condición recogidos por un sistema de adquisición de datos pueden ser de distinto tipo. t ipo. Se pueden dividir en ttres res categorías categorías::   Tipo magnitud escalar: Cada registro de datos recopilado de una variable es un



solo valor escalar. Por ejemplo, los datos de análisis de aceite, temperatura,  presión y humedad humedad son ddatos atos de tipo ma magnitud gnitud escala escalar. r.

 



Tipo de onda: registro datos recopilado una variable es una serie forma temporal, que aCada menudo se dedenomina forma dede onda temporal. Por ejemplo, los datos de vibración y los datos acústicos son de tipo forma de onda.   Tipo multidimensional: Cada registro de datos recopilado de una variable es multidimensional. Los datos multidimensionales más comunes son datos de imagen tales como termografías infrarrojas, imágenes de rayos X, imágenes visuales, etc.



El procedimiento de extraer información útil de señales sin procesar se denomina extracción de características. En el caso de procesamiento de datos para formas de onda y datos multidimensionales también se denomina procesamiento de señales. Se han desarrollado varias técnicas de procesamiento de señales para analizar e interpretar formas de onda y datos multidimensionales que extraigan información útil con fines de 16

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

diagnosis y prognosis. El procesami pro cesamiento ento de señales para datos multidimensionales como  por ejem ejemplo plo el procesamien procesamiento to de imágenes imágenes es similar pero más complicado que el  procesamiento  procesamien to de señal de forma de onda debido a que está implicad implicadaa una dimensión más [23, 24]. En [25, 26, 27] se muestran ejemplos de aplicaciones de procesado de imágenes. Por lo general, el procesamiento de datos tipo magnitud escalar y de formas de onda se suele considerar lo suficientemente bueno para obtener resultados satisfactorios en sistemas CBM.

 2.2.2.1  2.2 .2.1.. D atos de magnitu gnitud d esca scala larr . 

Los datos de tipo magnitud escalar incluyen tanto datos brutos escalares sin procesar obtenidos directamente de la adquisición de datos como valores características extraídos a través del procesamiento de señales. Los datos de tipo magnitud escalar son mucho más sencillos que los datos de forma de onda y de imagen. Sin embargo, la complejidad reside en la estructura de correlación cuando el número de variables es grande. Las técnicas de análisis multivariante como el  Principal Component Analysis (PCA)  “análisis de componentes principales” y el  Independent Component Analysis (ICA)   “análisis de componentes independientes” son muy útiles  para manejar manejar datos con un unaa estructura de correl correlación ación complicad complicada. a. Estas técnicas reducen reducen las dimensiones y por lo tanto la cantidad de datos [28]. Por ejemplo, el PCA se ha aplicado a datos espectrométricos para monitorizar el estado de un lubricante en motores y cajas de cambios [29], y también sobre ciertos parámetros estadísticos descriptivos de señales en diagnosis y prognosis de motores de corriente continua [30]. Se puede afirmar que ICA es una extensión de PCA. También se utilizan las técnicas de análisis de tendencias tales como el análisis de regresión y el modelo de series de tiempo. Por ejemplo, se han utilizado en el sistema de monitorización y diagnóstico de condiciones para instalaciones de refrigeración por compresión utilizando un modelo de análisis de regresión para predecir el comportamiento del sistema en condiciones normales [31] y en equipos de potencia para  predecir tendencia tendencia de val valores ores pico de vibraci vibración ón [32]. En el presente trabajo se van a utilizar principalmente este tipo de magnitudes, aunque también se utilizarán datos en forma de onda para el análisis de la presión instantánea en cilindro y posterior procesado para la obtención de las leyes de liberación de calor en el el cilindro tal y como se explicará en el capítulo 6 donde se muestran los datos experimentales en la sala de ensayos del motor.  2.2.2.2  2.2 .2.2.. D atos en form forma a de ond nda a. 

Los datos de forma de onda más comunes en la monitorización de la condición son señales de vibración y emisiones acústicas. Otras formas de onda utilizadas son señales de ultrasonidos, intensidad de corriente de motor y alternadores, etc. En la literatura, hay tres categorías principales de análisis de datos de formas de onda:   Análisis en el dominio del tiempo,   Análisis en el dominio de la frecuencia y,

 

17

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

  Análisis tiempo-frecuen t iempo-frecuencia. cia.



2.2.2.2.1. Análisis en el dominio del tiempo.

El análisis del dominio del tiempo se basa directamente en la forma de onda temporal. El análisis tradicional del dominio del tiempo calcula los rasgos característicos de las señales de la forma de onda a través de valores estadísticos descriptivos tales como

valor medio, valor pico, valor pico a pico, desviación estándar, factor de cresta, valor cuadrático medio, kurtosis, etc. Un método popular de análisis en el dominio del tiempo es el Time Synchronous Average (TSA) “promedio de tiempo sincrónico” [33, 34]. La idea de TSA es utilizar el promedio de conjunto de la señal bruta en una serie de evoluciones en un intento de eliminar o reducir el ruido y los efectos de otras fuentes, a fin de mejorar los componentes de interés de la señal. 2.2.2.2.2. Análisis en el dominio de la frecuencia.

Este tipo de análisis se basa en la señal transformada al dominio de la frecuencia. La ventaja de este análisis sobre el realizado en el dominio del tiempo es su capacidad de identificar y de aislar fácilmente ciertas frecuencias de interés. El análisis convencional más utilizado es el análisis del espectro por medio de la  Fast Fourier Transform (FFT) “transformada rápida de Fourier”   [35, 36]. La idea principal es mirar el espectro completo o mirar de cerca ciertas frecuencias de interés relacionadas con ciertos fallos siendo el espectro más utilizado el de potencia [37, 38] de la FFT. A pesar deútiles la amplia del espectro de potencia, se han desarrollado otros espectros para elaceptación procesamiento de señales y se ha demostrado que en ciertos casos tienen sus propias ventajas sobre el espectro FFT. Por ejemplo, el método de Cepstrum (Trasformada inversa de Fourier) tiene la capacidad de detectar armónicos y  patrones de bandas laterales en el espectro de potencia. potencia. Hay varias versiones de definición de Cepstrum [36], entre ellas, e llas, el Cepstrum de potencia, que se define como la transformada de Fourier inversa del espectro de potencia logarítmica, es el más utilizado. Un análisis de Cepstrum  modificado se ha propuesto en la literatura como espectro de alto orden [39, 40], es decir,  Bispectrum  o Trispectrum. Este nombre  proviene del hecho de que el  Bispectrum  y el Trispectrum  son en realidad las transformadas de Fourier de las estadísticas de tercer y cuarto orden de la forma de onda del tiempo, respectivamente. El análisis de Bispectrum ha demostrado tener amplia aplicación en el diagnóstico de maquinaria para diversos sistemas mecánicos tales como engranajes [41], cojinetes [42], máquinas rotatorias [43, 44] y máquinas de inducción [45]. Una técnica llamada  Holospectrum integra toda la información de fase, amplitud y frecuencia de una señal de forma de onda [46]. En términos generales, existen dos clases de enfoques para la estimación del espectro e spectro de  potencia. El primero de los enfoques son técnicas no paramétricas, paramétricas, que estiman la secuencia de autocorrelación de la señal y luego aplican la transformada de Fourier a la secuencia de autocorrelación estimada [47]. La segunda clase incluye los enfoques  paramétricos que cons construyen truyen un modelo paramétrico para la señal y luego estiman el espectro de potencia basado en el modelo ajustado.

18

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

2.2.2.2.3. Análisis combinado tiempo-frecuencia.

Una limitación del análisis del dominio de la frecuencia es su incapacidad para manejar señales de forma de onda no estacionarias, que son muy comunes cuando ocurren fallos en equipos. Por lo tanto, se ha desarrollado un análisis tiempo-frecuencia para señales de forma de onda no estacionarias que investiga dichas señales tanto en el dominio de tiempo como en el de frecuencia. El análisis tradicional de tiempo-frecuencia utiliza las

distribuciones tiempo-frecuencia, tiempo-frecuencia, que representan la energía o la potencia de las señales de forma de onda en las funciones bidimensionales de tiempo y frecuencia, para revelar mejor los patrones de fallo para diagnósticos más precisos. La Short-time Fourier Transform  (STFT) “transformada de Fourier de corto tiempo” o el  Spectrogram  “la  potencia de STFT” [48] y la distribución de Wigner-Ville [49] son las distribuciones de tiempo-frecuencia más populares. La idea de STFT es dividir toda la señal de forma de onda en segmentos con ventana de tiempo corto y luego aplicar transformada de Fourier a cada segmento. El Spectrogram tiene alguna limitación en la resolución de tiempo-frecuencia debido a la segmentación de la señal, sólo puede aplicarse a señales no estacionarias con cambio lento en su dinámica. Las transformaciones transformaciones bilineales tales como la distribución de WignerWigner-Ville Ville no se basan en la segmentación de señal y por lo tanto superan la limitación de tiempofrecuencia de resolución del Spectrogram. Sin embargo, hay una desventaja importante de las transformaciones bilineales debido a los términos de interferencia formados por la transformación misma. Estos términos de interferencia dificultan la interpretación de la distribución estimada [50]. Se han desarrollado transformaciones mejoradas tales como la distribución de Choi-Williams [51] para superar esta desventaja. Otra transformación para el análisis tiempo-frecu t iempo-frecuencia encia es la ttransforma ransformada da Wavelet [52]. A diferencia de una distribución tiempo-frecuencia, que es una representación tiempofrecuencia de una señal, la transformada Wavelet es una representación de escala de tiempo de una señal. La teoría Wavelet se ha desarrollado rápidamente desde hace dos décadas y tiene amplia aplicación [53, 54]. El análisis Wavelet de una señal de forma de onda expresa la señal en una serie de funciones oscilatorias con diferentes frecuencias en diferentes tiempos mediante dilataciones a través del parámetro de escala "a" y translaciones a través del parámetro de tiempo "b". Al igual que el espectro de potencia y el espectro de fase en el análisis de Fourier, se utiliza un escalograma definido como /W (a, b)/ y un espectro de fase Wavelet definido como el ángulo de fase de la variable compleja W (a, b) para interpretar la señal. Una ventaja principal de la transformación Wavelet es su capacidad para producir una resolución de alta frecuencia a bajas frecuencias y una alta resolución de tiempo a altas frecuencias para señales con frecuencias bajas de larga duración y frecuencias altas de corta duración. Otra ventaja de la transformación Wavelet es su capacidad para reducir el ruido en señales sin  procesar. La transformada Wavelet se ha aplicado con éxito al análisis de datos de forma de onda en el diagnóstico de fallos de engranajes [55], cojinetes [56] y otros sistemas mecánicos [57, 58]. Varias publicaciones han evaluado y comparado la efectividad y fiabilidad de la transformada Wavelet con otras técnicas de análisis de señales de vibración, aplicando la transformada Wavelet a señales acústicas y de vibraciones como herramientas herramientas de detecci detección ón de fallos.

19

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

 2.2.2.3  2.2 .2.3.. D atos mul ulttidim idime ens nsion iona ale les. s. 

En la práctica, el uso de las imágenes en bruto suele ser muy difícil y por lo tanto no se  puede extraer informaci información ón necesaria necesaria para detección de fallos sin un procesado previo. Por lo tanto, las técnicas de procesamiento de imágenes tienen poderosos algoritmos  para extraer caracterís características ticas útiles de las imágenes sin procesar para el diagnóstico automático de fallos [23, 24].

Además de las imágenes en bruto obtenidas mediante la adquisición de datos, algunas técnicas de procesamiento de forma de onda, tales como el análisis de tiempofrecuencia, también producen imágenes. En este caso, el procesamiento de imágenes se combina con el procesamiento de la forma de onda en tiempo-frecuencia para obtener mejores resultados. Hasta el momento hay menos investigación aplicada al  procesamiento  procesamien to avan avanzado zado de imágen imágenes es para diagnosi diagnosiss y prognosis de fallos en equipos [25, 26, 27] que en otros tipos de datos como escalares u ondas temporales.  2.2.2.4  2.2 .2.4.. Com Combina inacción de event nto os y datos de monit nito ori zación de la cond ndición ición..

El análisis de datos de eventos por sí sólo es bien conocido como análisis de fiabilidad. Este análisis ajusta los datos de eventos a una distribución de probabilidad de tiempo entre eventos y utiliza la distribución ajustada para un análisis posterior. Sin embargo, en un sistema IVHM se dispone de información adicional de la monitorización de la condición. Por lo tanto, es Este beneficioso juntoscombinados los datos de se eventos monitorización la condición. análisisanalizar de datos puedey delograr mediante de la construcción de un modelo matemático que describa correctamente el mecanismo subyacente de un fallo. El modelo construido basado en los datos históricos de eventos y condición es la base para proporcionar diagnósticos y pronósticos y proporcionar ayuda para la toma de decisiones de operación y mantenimiento. El sistema time-dependent   Proportional Hazards Model (PHM)  “modelo de peligros  proporcionales dependiente del tiempo” , es un modelo popular en el análisis de supervivencia, adecuado para analizar los datos históricos de eventos y de condición conjuntamente [59, 60]. El mérito principal de un PHM dependiente del tiempo es su capacidad para relacionar la probabilidad de fallo con las variables edad y condición, de modo que se puede evaluar la probabilidad de fallo con la condición dada del equipo en cualquier edad especificada.

2.2.3. Soporte a toma de decisiones sobre operación y mantenimiento. El último paso de un sistema IVHM es la toma de decisiones de operación y mantenimiento. Las técnicas utilizadas para poder facilitar este soporte se pueden dividir en dos categoría cat egoríass principales: diagnosis y prognosis [61]. Como se ha mencionado anteriormente, el diagnóstico de fallos se centra en la detección, el aislamiento y la identificación de fallos. La prognosis, prognosis, sin embargo, intenta  predecir fallos antes de que se produzcan produzcan,, y si es imposible, estar listo (con ( con recambios  preparados y recursos human humanos os planificados), ahorran ahorrando do costes extra de mantenimientos mantenimientos no planificados. Sin embargo, la prognosis no puede reemplazar completamente a la 20

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

diagnosis, ya que en la práctica siempre hay un número bastante importante de fallos que no son predecibles. Además, la prognosis, como cualquier otra técnica de  predicción,  predicci ón, no puede ser 100% ssegura egura a la hhora ora de predecir fallos. Por la razón anterior, la diagnosis es una herramienta muy importante y complementaria a la prognosis para proporcionar el mejor soporte posible a toma de decisiones de operación y mantenimiento [62].

Además, la diagnosis es la mejor forma de mejorar de forma continua la herramienta de  prognosis.. Para ello, cada vez que se produce un diagnóstico de fallo, se pueden  prognosis identificar y analizar los eventos anteriores al fallo de una forma más precisa y, por lo tanto, construir un mejor modelo de prognosis. Finalmente, la información  proporcionada por los diagnósticos diagnósticos de fallo puede utilizarse como retroalimentación útil  para el rediseño rediseño del sistem sistemaa IVHM y de los equipos del vvehículo ehículo [63].  2.2.3.1  2.2 .3.1.. D iagno iagnosis. sis.

La diagnosis de fallos de equipos es un procedimiento de mapeo de la información obtenida en el espacio de medidas y/o mapeo de indicadores/características en el espacio de características para encontrar fallos en el espacio de los fallos. Este proceso de mapeo también se denomina reconocimiento de patrones. Tradicionalmente, el reconocimiento reconocimien to de patrones se realiza manualmente con herramientas gráficas auxiliares tales como gráficos de espectro de potencia, gráfico de espectro de fase, Wavelet, termografía, etc. Sin embargo, el reconocimiento manual de patrones requiere experiencia en el área específica en la que se aplica el Por diagnóstico. Por se lo pretende tanto, se necesita personal altamente entrenado y cualificado. esta razón, conseguirr el reconocimiento automático de patrones mediante la clasificaci consegui clasificación ón de señales  basadas en la información yy/o /o características extraídas de las las señales [64]. Otro enfoque distinto es construir un modelo del equipo. Se pueden construir modelos  basados en datos y/o modelos físicos [65]. Los primeros utilizan uunn elevado número de datos históricos de monitorización de la condición para construir un modelo de comportamiento que simule la normalidad. Existen numerosas técnicas estadísticas y de inteligencia artificial que se utilizan en este sentido. Los segundos son modelos matemáticos que resuelvan las ecuaciones de un modelo físico que represente más o menos fielmente los fenómenos más relevantes de la máquina. En este caso también es necesario utilizar datos de monitorización de la condición para que el modelo se adapte correctamente a la máquina real. No obstante, la cantidad de datos históricos que necesita el modelo físico es mucho menor siempre que el modelo responda correctamente correctamen te a los fenómenos reales. Las técnicas de diagnosis se pueden dividir por los siguientes tipos:   Enfoques basados en límites de las señales monitorizadas,   Enfoques basados en modelos físicos,   Enfoques basados en modelos estadísticos o inteligencia artificial: o  Modelos estadísticos, o  Modelos de inteligencia artificial.   Enfoques basados en modelos semi-físicos.



 



21

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

En los siguientes apartados se hace una descripción de cada una de las técnicas de diagnosis enumerando las ventajas e inconvenientes frente a las demás. 2.2.3.1.1. Límites de señales monitorizadas.

Los enfoques de detección de fallos basados en límites de la señal consisten en comprobar las variables medibles de un sistema con respecto a una cierta tolerancia

respecto a los valores considerados como normales. Cuando se alcanza el límite establecido se activan mensajes de alarma o se toma una acción apropiada. Se pueden establecer límites de señal de diferentes tipos, que son: fijos, adaptativos y cambios de tendencia. Bajo el supuesto de que no se permite una falsa alarma, el umbral límite suele ser el valor máximo de salida evaluada en el estado de funcionamiento nominal del proceso. La gran ventaja de los límites fijos es su simplicidad y fiabilidad. Sin embargo, tiene el inconveniente de que si se elige un límite demasiado bajo aumenta la tasa de falsas alarmas, y si se elige demasiado grande se reduce la eficiencia de la detección de fallos. Los límites adaptativos [66, 67] pueden aumentar la sensibilidad de la detección de fallos si se realiza la elección óptima de la magnitud límite. Ésta se hace depender de la naturaleza de las incertidumbres del sistema variando según la entrada del sistema. Finalmente, el límite por cambio de tendencia [68] está formado por cambios de la tendencia de primer y segundo orden durante un periodo dado que pueden utilizarse  para inferir el estado estado del proceso. 2.2.3.1.2. Modelos físicos.

Estos enfoques para realizar diagnosis de fallos utilizan un modelo específico de la física que reproduce los fenómenos principales de los equipos del vehículo (por ejemplo, modelos dinámicos de movimiento, modelos termodinámicos termodinámicos del motor diesel, diesel, modelos de la combustión, etc.) [69, 70, 71]. Este modelo se expresa mediante ecuaciones matemáticas y se resuelve en un algoritmo informático. El modelo es el corazón de un sistema de diagnóstico basado en modelos físicos. Basándose en un modelo físico explícito, se utilizan métodos de generación de residuos como el filtro de  Kalman [72], la estimación de parámetros y las relaciones de paridad. Con cualquiera de estas herramientas se obtienen señales, llamadas residuos, que son indicativas de la  presencia de fallos en la máquina. Finalmente, se evalúan los residuos para llegar a la detección, aislamiento e identificación de fallos. Las diferencias entre los datos monitorizados del equipo en tiempo real y el modelo producen la generación de residuos. Los enfoques basados en modelos físicos pueden ser más eficaces que otros enfoques si se construye un modelo correcto y preciso. Sin embargo, el modelado matemático explícito puede no ser factible para sistemas complejos ya que sería muy difícil o incluso imposible construir modelos matemáticos para tales sistemas. Se han aplicado varios métodos de diagnosis basados en modelos físicos para el diagnóstico de fallos de una variedad de sistemas mecánicos tales como motores diesel [73], cajas de cambio [74], cojinetes [75] o rotores [76]. 22

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

2.2.3.1.3. Modelos estadísticos.

Un método común de diagnosis de fallos es detectar si un fallo específico está presente o no basado en la información de monitorización de la condición disponible sin necesidad de inspección intrusiva del equipo. Este problema de detección de fallos  puede describirse como un pr problema oblema de prueba ddee hipótesis con hipótesis nula H0 (El fallo A está presente), frente a la hipótesis alternativa H1 (El fallo A no está presente)

[77]. En un problema concreto de diagnosis de un fallo, las hipótesis H0 y H1 son interpretadas dentro de una expresión utilizando modelos o distribuciones específicos o son los parámetros de un modelo o distribución específicos. A continuación se realizan  pruebas estadísticas para resumi resumirr la informaci información ón de monitorización monitorización de la condición y  poder decidir si aceptar aceptar la hipótesis nula H0 o rechazarl rechazarla. a. Posteriorm Po steriormente, ente, se propuso un marco para el diagnóstico de fallos, llamado pruebas de hipótesis estructuradas [78],  para manejar manejar convenien convenientemente temente múltiples fall fallos os complicados de dif diferentes erentes tipos. Un enfoque convencional, el Statistical Process Control (SPC) “control estadístico de  procesos”  fue creado originalmente para el control de calidad, sin embargo se ha desarrollado y utilizado posteriormente en gran medida para diagnosis y detección de fallos. El principio de SPC es medir la desviación de la señal respecto de una de referencia que representa la condición normal para ver si la señal actual está dentro de los límites establecidos [79]. Clustering  [80,   [80,

81] es probablemente la técnica estadística más utilizada para clasificar comportamientos. Como método de análisis estadístico multivariable [82], es un enfoque clasificación estadística que agrupa lasoseñales en diferentes de fallos en de base a la similitud de las características comportamientos de categorías cada registro temporal que agrupa a todas las señales. Cada clúster está formado por un grupo de registros cuyo comportamiento es similar. Busca minimizar la varianza dentro del grupo y maximizar la varianza entre grupos. El resultado del análisis que realiza el Clustering   es una serie de grupos heterogéneos con contenidos homogéneos: existen diferencias sustanciales entre los grupos, pero las señales dentro de un mismo grupo son similares. Una forma natural de agrupación de señales se basa en ciertas medidas de distancia o de similitud entre dos señales. Estas medidas se derivan usualmente de ciertas funciones discriminantes en el reconocimiento de patrones estadísticos [83]. Las medidas de distancia comúnmente utilizadas son las distancias  Euclidean, Mahalanobis, Kullback Leibler y Bayesian [84]. Otra distancia simétrica extendida para señales de tiempofrecuencia es la distribución de Wigner-Ville [85]. Aparte de las medidas de distancia, distancia, eell  feature vector correlation coefficient   “coeficiente de correlación vectorial” [86] es también una medida de similitud comúnmente utilizada para la clasificación de señales en el diagnóstico de fallos de equipos. Otro algoritmo comúnmente usado en la clasificación de fallos de equipo es el algoritmo de vecino más cercano [87] que fusiona los dos grupos más cercanos en un nuevo grupo y calcula la distancia entre dos grupos como la distancia del vecino más cercano en los dos grupos por separado. Otra técnica denominada Support Vector Machine (SVM)   “máquina de vector de soporte” [88] se ha aplicado extensivamente en la bibliografía para diagnosis de fallos en equipos [89]. SVM se utiliza para optimizar una curva límite de tal forma que se maximiza la distancia del punto más cercano a la curva límite.

23

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

Finalmente, se puede destacar también el  Hidden Markov Model (HMM)  “modelo de Markov oculto” [90] por haber sido utilizado ampliamente para clasificación de fallos. Las primeras aplicaciones de HMM en la clasificación y diagnóstico de fallos trataban los estados defectuosos y el estado normal de un equipo como estados ocultos. Las aplicaciones recientes de HMM sobre clasificación de fallos asumieron que un HMM con estados ocultos no tienen significado físico para cada condición del equipo (normal y defectuoso). Los HMMs entrenados se usan entonces para decodificar un

comportamiento observado con una condición del equipo desconocida para la clasificación clasificaci ón de fallos [91]. 2.2.3.1.4. Modelos de inteligencia artificial.

Las técnicas de  Artificial Intelligence (AI) “inteligencia artificial” se han ido aplicando cada vez más en la diagnosis de equipos y han demostrado un mejor rendimiento en comparación con los métodos convencionales. En la práctica, sin embargo, no es fácil aplicar técnicas de AI debido a la falta de procedimientos eficientes para obtener datos de entrenamiento y conocimientos específicos, que son necesarios para entrenar los modelos. Hasta el momento, la mayoría de las aplicaciones de la literatura sólo utilizan datos experimentales para la formación de modelos. En la literatura, las dos técnicas más populares de AI para diagnosis de equipos son las  Artificial Neural Networks (ANNs) “redes neuronales artificiales” y los  Expert Systems (ESs) “sistemas expertos”. Otras técnicas importantes de IA utilizadas ampliamente incluyen los sistemas de  Fuzzy  Logic (FL) “lógica difusa”, los  Fuzzy –  Neural Networks (FNNs),”redes neuro-difusas”, los  Neural-Fuzzy Networks (NNFs) “sistemas difuso-neuronales” y los  Evolutionary  Algorithms (EAs) “algoritmos evolutivos” [92].

Una ANN es un modelo computacional que imita la estructura del cerebro humano. Consiste en elementos de procesamiento simples conectados en una estructura de capa compleja que permite al modelo aproximar una función no lineal compleja con múltiples entradas y múltiples salidas. Un elemento de procesamiento comprende un nodo y un peso. La ANN aprende la función desconocida ajustando sus pesos con observaciones de entrada y salida. Este proceso se suele llamar formación de una ANN. Hay varios tipos de redes neuronales. La estructura de red neural más utilizada en diagnosis de fallos de equipos son la  Feed Forward Neural Network (FFNN) “red neural de alimentación hacia delante” [93, 94] y la  Back Propagation Neural Network (BPNN) “red neural de alimentación hacia atrás”. La segunda se considera como una FFNN especial, que utiliza un algoritmo de entrenamiento de propagación haca atrás. Éste modelo y algoritmo de entrenamiento es el más comúnmente utilizado para el reconocimiento y clasificación de patrones y, por lo tanto, también para diagnóstico de fallos de equipos [95, 96]. Las Redes Neuronales de BPNN, sin embargo, tienen dos limitaciones principales:   Dificultad para determinar la estructura de la red y el número de nodos,   Lenta convergencia en el proceso de entrenamiento de la red.





Una Cascade Correlation Neural Network (CCNN) “red neuronal de correlación en cascada” no requiere la determinación inicial de la estructura de red y el número de

nodos [97]. La CCNN es recomendable en casos en los que el entrenamiento se produce en tiempo real. Algunos trabajos han mostrado que la utilización de CCNN puede  producir la mínima estructura de red posible posible para la función función de reconocimiento de fallos fallos 24

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

con una precisión satisfactoria. Otros modelos de redes neuronales aplicados en la diagnosis de fallos son  Radial Basis Function Neural Networks (RBFNN) “redes neuronales de función de base radial”,  Recurrent Neural Networks (RNN) “redes neuronales recurrentes” y Counter Propagation Neural Networks (CPNN) “redes neuronales de  propagación en sentido contrario”. Todos los tipos indicados de ANN utilizan generalmente algoritmos supervisados de aprendizaje que requieren inputs externos como el conocimiento a priori del objetivo o salida deseada. Una práctica

común de entrenamiento de un modelo de red neuronal es usar un conjunto de datos experimentales con fallos conocidos. Este proceso de entrenamiento es el aprendizaje supervisado. En contraste con el aprendizaje supervisado, el aprendizaje no supervisado no requiere aportaciones externas. Una red neuronal no supervisada aprende por sí sola utilizando información nueva disponible. Para separar el efecto de un fallo de aquellas causadas por las variaciones ambientales y de vibración del sistema en las características extraídas se utiliza la  Auto  Associative Neural Network (AANN) “red neuronal auto -asociativa” [40]. A diferencia de las redes neuronales, que aprenden el conocimiento mediante el entrenamiento en datos observados con entradas y salidas conocidas, los Sistemas Expertos, ESs, utilizan conocimiento experto del equipo implantado en un programa informático con un motor de inferencia automatizado que realiza la resolución del  problema median mediante te métodos de razonamiento. razonamiento. Los tres principales principales métodos de razonamiento para ES utilizados en el área de diagnosis de equipos son  Rule-Based  Reasoning (RBR) "razonamiento basado en reglas" [98], Case-Based Reasoning (CBR) “razonamiento basado en casos” [99] y  Model-Based Reasoning (MBR) "razonamiento  basado en model modelos" os" [100]. Existe un cuarto método de razonami razonamiento, ento,  Negative  Reasoning (NR) "razonamiento negativo", menos conocido pero también utilizado para diagnosis de fallos [101].

Los Sistemas Expertos, ESs, y las redes neuronales artificiales, ANNs, tienen sus  propias limitaciones. La limitación principal pr incipal de los ESs basados en reglas es un cálculo excesivo cuando el número de reglas crece exponencialmente a medida que aumenta el número de variables. Otra limitación importante es el mantenimiento de la coherencia, que se refiere al proceso por el cual el sistema decide cuando algunas de las variables necesitan ser recalculadas en respuesta a cambios en otras variables. Dos limitaciones importantes de las redes neuronales son, la dificultad de obtener explicaciones físicas sobre modelo entrenado y la dificultad en el proceso de entrenamiento. La combinación de ambas técnicas mejoraría significativamente el resultado según [102]. En la práctica, el conocimiento de expertos específicos en el dominio es generalmente inexacto e impreciso. Por lo tanto, medidas de las incertidumbres en el modelo de conocimiento y en las técnicas de razonamiento son necesarias para que los ESs  proporcionen una soluci solución ón más robusta. Las medid medidas as de incertidumbre incertidumbre usadas con frecuencia son la probabilidad, funciones de pertenencia difusa [103, 104] y las funciones de creencia. Un ejemplo de aplicación de la lógica difusa a la clasificación de fallos de equipos es clasificar c lasificar espectros de frecuencia que representan varios defectos de rodamientos [105]. Es común la aplicación de la lógica difusa junto con otras técnicas, principalmente redes neuronales y ESs. Por ejemplo, se ha utilizado una FNN para diagnosis de fallos de 25

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

equipos rotativos para mejorar la tasa de reconocimiento de patrones, especialmente en los casos en los que los datos de muestra son similares [106]. También se ha utilizado un sistema de inferencia adaptativo NNF como clasificador para diagnosis diagnosis de fallos. Las redes neuronales y los ESs también se han combinado con otras técnicas de AI para mejorar los sistemas de diagnosis de fallos. Por ejemplo, se han propuesto enfoques de razonamiento híbrido que combina red neuronal, lógica difusa y ES para integrar el

conocimiento del dominio, datos de prueba y datos operativos del equipo para diagnosis y prognosis de equipos [107]. El tipo de algoritmos evolutivos, EA, más utilizado son los Genetic Algorithms (GAs) “algoritmos genéticos”, también bastante utilizados para diagnosis de fallos  [108, 109]. Hay varios ejemplos de ANN que incorporan GA y otros algoritmos de EA para la clasificación y diagnosis de fallos en equipos [110]. 2.2.3.1.5. Modelos semi-físicos.

El enfoque de modelado semi-físico o híbrido, según la bibliografía que se consulte, no es más que la combinación de modelos basados en el conocimiento con modelos  basados en datos. Un modelo de este tipo suele basa basarse rse en un modelo modelo físico más o menos complejo en el que partes del mismo en las que la física es desconocida o demasiado compleja como para reproducirla se modelan de forma estadística o utilizando inteligencia artificial. Son muchas las posibles combinaciones y depende de si el objetivo se utiliza más la física o los datos históricos del equipo/sistema a modelar.  2.2.3.2  2.2 .3.2.. Pr Pro ogno gnosis. sis.

En comparación con diagnosis, la literatura de prognosis es mucho menor. La estrategia más obvia y ampliamente utilizada es predecir cuánto tiempo queda antes de que ocurra ocurr a un fallo (o varios fallos) dada la condición actual de los equipos del vehículo y el perfil operativo conocido. El tiempo que queda antes de que se produzca un fallo se denomina generalmente  Remaining Useful Life (RUL)  “vida útil remanente”. En algunas situaciones, especialmente cuando un fallo es catastrófico, sería más deseable predecir la posibilidad de que una máquina funcione sin fallo hasta un determinado momento en el futuro (por ejemplo, la siguiente tarea de mantenimiento o de inspección de la condición) dada la condición actual del equipo y el perfil operativo. Esta función es una buena referencia  para el personal personal de mantenimiento para de determinar terminar si el in intervalo tervalo de mantenimien mantenimiento to o de inspección inspecci ón es apro apropiad piadoo o no. La mayoría de los trabajos que se pueden encontrar en la literatura de prognosis en equipos discuten sólo el primer tipo de prognosis [111], es decir, la estimación de RUL. Sólo unos pocos trabajos que han abordado el segundo tipo. Dado que RUL es una variable aleatoria, la distribución de RUL sería de interés para la  plena comprensi comprensión ón del concepto. En la literatura, el término  Remaining Useful Life  Estimate (RULE) "est imación de la vida útil restante” se usa con doble significado. En algunos casos, significa encontrar la distribución de RUL, sin embargo en otros sólo significa el valor esperado de RUL. También hay que tener en cuenta que la definición 26

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

correcta de fallo es crucial para la correcta interpretación de RUL. Aunque hay controversia en la práctica industrial actual, la definición formal de fallo se puede encontrar en muchos libros de fiabilidad. Para hacer prognosis, debe estar disponible el conocimiento (o datos) sobre el mecanismo de los fallos así como sobre el proceso de propagación. El proceso de  propagación de fallos suele ser seguido por un model modeloo de tenden t endencia cia o predicción predicción para

ciertas variables de condición. Hay dos maneras de describir el mecanismo de fallo. El  primero supone que el fallo depende só sólo lo de las variables de condición, que reflejan el el nivel de fallo real y el límite predeterminado. En este caso se utiliza la definición de fallo más simple y comúnmente utilizada: el fallo ocurre cuando se alcanza un nivel  predeterminado de las variables de condición condición.. El segundo construye un model modeloo para el el mecanismo de fallo usando datos históricos disponibles. En este caso, se pueden usar diferentes definiciones de fallo. Un fallo puede definirse como el hecho de que el equipo está funcionando a un nivel insatisfactorio, o puede ser un fallo funcional cuando el equipo no puede realizar su función prevista, o puede ser sólo un fallo cuando el equipo deja de funcionar, etc. Al igual que en diagnosis, los enfoques de prognosis se dividen en tres categorías principales: enfoques estadísticos [112, 113], enfoques de inteligencia artificial [114, 115, 116] y enfoques basados en modelos [117, 118, 119].  2.2.3.3  2.2 .3.3.. Sop Soporte a toma de deci sio sione ness

Esta fase es la más delicada donde el sistema IVHM debe ser más cuidadoso debido que da como resultado las recomendaciones y acciones sobre el vehículo para la prevención y/o mitigación de los posibles fallos. Hasta este elemento, todos los anteriores han realizado su función, los sensores han registrado el comportamiento del vehículo, se ha procesado la información y generado indicadores y características relacionadas con la salud de los equipos y sistemas, y se ha realizado la posible identificación, diagnosis y prognosis de fallos. Una vez realizado todo este proceso en cadena, el sistema debe realizar las recomendaciones sobre operación y mantenimiento que deriven de los fallos activos detectados en un momento determinado y de otras fuentes de informa información ción que recibe sobre el contexto operacional. El sistema IVHM tal y como se ha definido hasta ahora es probablemente el concepto más avanzado que existe en la actualidad de un sistema que realiza una monitorización de la salud de un vehículo que ayude a los usuarios a mantener el nivel operativo y fiabilidad al máximo nivel.  No obstante, la calidad y efectividad del soporte, mej mejora ora y es más rica si además se incluye información sobre planificación estratégica, misión actual y política de mantenimiento. Aunque todos los anteriores mejoran la capacidad del sistema, el conocimiento de la política de mantenimiento es el que ofrece mayor ganancia en la calidad de las recomendaciones aportadas. Un factor a tener en cuenta en el diseño de un IVHM y que afecta en gran medida a la calidad de las recomendaciones que ofrece es el diseño adecuado del intervalo de monitorización. No siempre es necesario realizar una monitorización en tiempo real de todos los parámetros, sino que en función del modo de fallo que detecta y la política de mantenimiento se puede definir la periodicidad ideal en cada caso. 27

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

2.2.3.3.1. Influencia de la estrategia de mantenimiento.

El objetivo del sistema de gestión de la salud del vehículo es proporcionar soporte para la toma de decisiones sobre operación y mantenimiento. Como tal, es natural incluir  políticas de mantenimiento mantenimiento en el proceso de prognosis del equipo. Esto hace que la situación sea más complicada ya que se necesita un esfuerzo adicional para describir la naturaleza de las políticas de mantenimiento. El soporte a toma de decisiones

incluyendo la política de mantenimiento cierra el círculo de lo que debe hacer un sistema IVHM. La idea principal de la incorporación de políticas de mantenimiento es optimizarlas de acuerdo con ciertos criterios como riesgo, coste, fiabilidad y disponibilidad [120, 121]. El riesgo se define como la combinación de probabilidad y consecuencia. Por lo general, la consecuencia se puede medir por el coste, sin embargo, hay algunos casos,  por ejem ejemplo, plo, la industria industr ia de defensa o equipos críticos de instalaciones instalaciones energéticas energéticas,, en los que la consecuencia no se puede estimar por coste. En estos escenarios, el criterio de  probabilidad y sobre to todo do fiabilidad ser sería ía más apro apropiad piado. o. Dado que el criterio de coste cost e se aplica a la mayoría de las situaciones, no es sorprendente que la literatura en la optimización IVHM esté dominada por la optimización IVHM basada en los costes. Existen técnicas de análisis de las consecuencias como una herramienta general de evaluación evaluaci ón de riesgos para la optimización de IVHM basada en varios ttipos ipos de criterios,  pudiéndose utilizar utilizar los que má máss se ajus ajuste te a cada caso [122]. En la gestión de la salud de equipos, independientemente de qué equipos sean monitorizados, se dividen en dos categorías: sistemas completamente observables y sistemas parcialmente observables. Para un sistema completamente observable, el estado de la máquina puede ser completamente observado e identificado. La información obtenida de este sistema se denomina información directa. Para un sistema  parcialmente observable, observable, la condición de la máquina no puede ser totalmente observada o identificada. La información obtenida de este sistema se denomina información indirecta que, de alguna manera, está relacionada con el estado de la máquina real. 2.2.3.3.2. Influencia del intervalo de monitorización de la condición.

Existen dos tipos de monitorización de la condición: continua y periódica. Mediante la monitorización continua, se supervisa el equipo en todo momento mediante sensores montados en equipo e instalación y se dispara una alarma de advertencia cuando se detecta algo incorrecto. Existen dos limitaciones de la moni monitorización torización continua:    Normalmente es caro, caro,   La monitorización continua de señales brutas con ruido producen información





de diagnosis poco precisa que puede llevar a errores y falsos disparos de alarma.

Por ambas razones, se utiliza con mucha frecuencia la monitorización periódica. Ésta es más rentable y proporciona un diagnóstico preciso utilizando datos filtrados y/o  procesados. Por otro lado, el utilizar la moni monitor torizaci ización ón periódica tiene t iene el riesgo de que falten eventos de fallo que ocurren entre inspecciones sucesivas. Por ello, el principal  parámetro a definir correctamente en la moni monitorización torización periódica es el intervalo intervalo de monitorización monitorizaci ón de la condición.

28

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

En [123] se utiliza el  Reability Centred Maintenance (RCM) “mantenimiento basado en la fiabilidad” [124] para realizar prognosis sobre el estado de un equipo. El RCM crea el concepto conocido como intervalo P-F para describir los patrones de fallo cuando se realiza monitorización de la condición. Un intervalo P-F es el intervalo de tiempo entre un fallo potencial (P), identificado por un indicador de condición, y un fallo funcional (F). Un intervalo P-F es una herramienta útil para determinar el intervalo óptimo en el que se tiene que realizar la monitorización de la condición para predecir un fallo y tener

tiempo suficiente antes de que se vaya a producir. Se suele establecer un intervalo de monitorización como P-F dividido por un número entero. En la práctica, sin embargo, suele ser difícil cuantificar el intervalo P-F. En [125] se asumió dos distribuciones de Weibull [126], una para el intervalo P-F y otra para el intervalo I-P, es decir, desde la instalación del equipo a un fallo potencial. Utilizando los métodos de control estadístico de procesos SPC, separaron el ciclo de vida del equipo en dos zonas: zona estable y zona de fallo. A partir de ahí, los datos históricos con el equipo estable se utilizan para ajustar la distribución de Weibull para el intervalo I-P, mientras que los tiempos de zona de fallo se utilizan para ajustar la distribución de Weibull para el intervalo P-F. Basándose en estas dos distribuciones ajustadas y en la monitorización de la condición se obtuvo un sistema de prognosis del estado de la máquina. El diseño óptimo del intervalo debe ser estudiado junto con el diseño del límite óptimo [125, 127, 128]. El tipo de fallo y la forma de detectarlo permitirán realizar monitorización periódica o no, ya que si el tiempo en el que el mecanismo de fallo es corto desde su detección hasta que se produce el fallo, no podrá evitarse el uso de monitorización monitorizaci ón continua si qu quiere iere detectarse a tiempo.  2.2.3.4  2.2 .3.4.. F us usii ón de datos de múl últti ple less se seña ñale less

Para un sistema complejo como un vehículo, un solo sensor es incapaz de recolectar suficientes datos para diagnosis, prognosis y soporte de toma de decisiones. Se necesitan un número importante de sensores para hacer un trabajo mejor. Con el rápido desarrollo de la informática y la avanzada tecnología de sensores, ha habido una tendencia creciente sobre la utilización de múltiples sensores para la monitorización de la condición, diagnosis y prognosis. Cuando se utilizan varios sensores, los datos recogidos de cada uno de ellos puede contener información parcial y distinta sobre la misma condición del equipo. El  problema es cómo combinar toda la información parcial obtenida de diferentes sensores  para obtener un diagnóstico y una predicción predicción más precisos. La solución a este problema se conoce como  Multisensor Data Fusion (MDF)  “fusión de datos de múltiples sensores” [129, 130]. Las técnicas de fusión de datos de múltiples sensores se han utilizado para numerosas aplicaciones [131, 132]. Pueden agruparse dentro de tres enfoques princip principales: ales:   Fusión a nivel de datos dato s monitor monitorizados izados,,   Fusión a nivel de indicadores / características extraíd extraídas as de los datos,   Fusión a nivel de toma de decisiones.

 



29

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

2.3 . IMPORTANCIA DE LA DIAGNOSIS DE FALLOS EN UN SISTEMA CBM+ Todos los módulos de un sistema CBM+ son importantes para conseguir obtener el resultado deseado. Sin embargo, se puede destacar entre todos el módulo de diagnosis, que es el elemento que proporciona el conocimiento del comportamiento del equipo

 para determinar determinar si está funci funcionando onando correctamen correctamente te o existe alguna anomalía. anomalía. En la Fig. 2.2 se muestra la arquitectura típica de un sistema de diagnosis basada en un modelo funcionando en paralelo paralelo con el equipo. Los resultados calculad calculados os por el modelo son comparadosse en tiempo real con los desviacion valores dees, las monitorizadas y  posteriormente realiza un análisis de las desviaciones, queseñales son posible diagnosticar  para diagnostic diagnosticar ar gracias a una base de datos de fallos fallos proporcionada proporcionada por el conocimiento conocimien to sobre el equipo.

Fig. 2.2. Arquitectura típica de un sistema de diagnosis basado en modelo. En las plataformas navales, el motor diesel es uno de los elementos más críticos, ya que  proporciona tanto la pro propulsi pulsión ón como la energía de la planta eléctrica. Por lo tanto, es uno de los primeros pr imeros equi equipos pos que deben incorporarse en un sistema IVHM.

2.4 . DIAGNOSIS EN MOTORES DIESEL. Cualquier anomalía o fallo en un motor diesel marino, industrial o de automoción puede tener graves consecuencias que afectan tanto la seguridad como la fiabilidad del vehículo. Por esta razón, se han introducido y aplicado diversas técnicas y sistemas para la monitorización de la condición y la detección de fallos [133]. Un enfoque simplificado para la monitorización de la condición de los motores diesel es el establecimiento de límites de los parámetros operativos convencionales (es decir,  presiones y temperaturas de aire y gases, de aceite, agua de refrigeración, refrigeración, etc.). Estos datos, aunque valiosos, no suelen ser suficientes para detectar con precisión y eficacia la 30

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

causa real de un mal funcionamiento del motor. Por esta razón, se han desarrollado técnicas más complejas para el diagnóstico de fallos [133, 134]. Muchas de estas técnicas son enfoques estadísticos que utilizan herramientas matemáticas y computacionales específicas para procesar una gran cantidad de datos históricos del motor, normalmente parámetros operativos. Sin embargo, durante la últimas dos décadas se han desarrollado métodos más sofisticados basados en redes

neuronales [135, 136], y algoritmos genéticos GA [137, 138]. Estos métodos requieren igualmente una gran cantidad de datos que correspondan tanto al funcionamiento normal como defectuoso para entrenar la herramienta y que pueda aprender bien los comportamientos para detectar posteriormente los fallos cuando se pone en funcionamiento en la instalación. La fiabilidad de estas metodologías depende de la cantidad de datos disponibles y del tamaño y fiabilidad de la base de datos de fallos. Estas técnicas pueden proporcionar buenos resultados, no obstante, tienen t ienen los siguientes inconvenientes: no pueden proporcionar resultados fiables para fallos no producidos en el pasado, están fuertemente relacionadas con un tipo de motor específico, requieren una enorme cantidad de datos y lo más importante no se pueden utilizar para ajustar el funcionamiento del motor “tunning”. “tunning”.   Otro enfoque de la diagnosis de fallos de motores diesel se basa en el procesamiento de señales de vibración [139] o de vibración torsional [140]. Estos métodos utilizan datos de vibración sobre culata, bloque u oscilación torsional en el cigüeñal del motor y  posteriormente realiza un análisis espectral para determina determinarr si existe un fallo. Esta metodología es aplicable a varios tipos de motores, incluso si no existe una base de datos de fallos. Un fallo potencial en un cilindro produce un espectro de fuerza de excitación diferente en frecuencia o en fase del que se produce cuando los cilindros funcionan correctamente. correctamente. Esta desviación desviación se mide y se detecta la existencia de esfuerzos anómalos. Sin embargo, no siempre está claro el origen de esta vibración anormal. Otro inconveniente, es que se quedan fuera muchos otros modos de fallo no detectables con este enfoque. Un enfoque alternativo es la diagnosis basada en un modelo termodinámico [73], que actúa como un simulador de motor y describe la condición del motor y sus componentes utilizando parámetros denominados constantes. Estos se calculan automáticamente desde el simulador para que coincida con un rendimiento determinado del motor. Sus valores de referencia se estiman a partir de datos de ensayos en banco de pruebas y se ajustan con ensayos en el buque. El simulador correspondiente se considera como un motor nuevo de referencia. Durante la diagnosis, los valores de las constantes se utilizan  para determinar determinar la condici condición ón actual del motor. Actualmente, algunos trabajos muestran un enfoque híbrido que utiliza un modelo termodinámico combinado combinado con ttécnica écnicass estadísticas o de inteligencia inteligencia artificial. La clasificación de los distintos enfoques de diagnosis sobre equipos en general quedaría de la siguiente forma si se concreta para motores diesel:   Basado límites de señales monitorizadas: o  Parámetros operacionales, o  Señales de vibración,   Basado en análisis de datos:





31

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

  Modelos estadísticos, o  Modelos de inteligencia artificial, o

  Basado en modelos físicos: o  Modelos termodinámicos, o  Modelos no termodin t ermodinámicos. ámicos.



 



Basado en modelos semi-físicos (híbridos). ( híbridos). 

En este trabajo se han utilizado todos los enfoques enumerados anteriormente para diferentes partes del proceso de diagnosis. Principalmente los basados en modelos de análisis de datos y los basados en modelos físicos. Pero además se ha utilizado un modelo físico detallado de para optimización la base de datos de fallosesFMECA. Si de se observa en el esquema la lafigura 2.2, una de las entradas principales el Análisis Fallos FMECA. Esta base de datos es de relevante importancia para la realización de un diagnóstico correcto del vehículo partir de los datos monitorizados en el vehículo en tiempo real. Por lo tanto, la optimización del FMECA es crucial para obtener un buen diagnóstico. Como se verá en detalle en los próximos capítulos y ya se ha comentado en la descripción de la metodología seguida en esta tesis, se propone una optimización del FMECA primario, realizado por conocimiento de experto y experiencias pasadas, mediante la información proveniente de un modelado del motor que se ha utilizado como banco de ensayos virtual para obtener la respuesta de éste ante posibles fallos de motor difícilmente detectables.

2.5 . REFERENCIAS. [1]

K.F. Martin, A review by discussion of condition monitoring and fault-diagnosis in machine-tools, International Journal of Machine Tools and Manufacture 34 (1994) 527 – 551. 551.

[2]

David Pack, Fleet managem management ent with CBM+, Army Sustainmen Sustainmentt magazine. magazine. USA, March-April 2014,  2014, https://www.army.mil/article/120896. https://www.army.mil/article/120896. 

[3]

National Aeronau Aeronautics tics and Space Administration (NASA). Resea Research rch and technology goals and objectives for integrated vehicle health management (IVHM). Report NASA-CR-1926 NASA-CR-192656, 56, October 1992.

[4]

D. E. Barber, Shipb Shipboard oard condition based based maintenance and integrated power system initiatives, Ph.D. thesis t hesis,Massachus ,Massachusetts etts Institute I nstitute of Technology (2011).

[5]

Williams, Z. Benefi Benefits ts of IVHM: an analytical analytical approach. In Proceeding Proceedingss of the 2006 IEEE Aerospace Conference, Big Sky,Montana, USA, 4 – 11March 11March 2006,  paper no. 1507.

[6]

Janasak, K. M. and Beshears, R. R. Diagnostics Diagnost ics to prognostics  –   a product availability technology evolution. In Proceedings of the 2007 Reliability and Maintainability Maintainabili ty Symposium –  RAMS’07, Orlando, Florida, USA, 22– 25 25 January 2007, pp. 113 – 118. 118.

[7]

Aaseng, G. B. Blueprint for an integrat integrated ed vehicle health management system. In Proceedings of the 20th Digital Avionics Systems Conference, Daytona Beach, Florida, USA, 14 – 18 18 October 2001, vol. 1, pp. 3.C.1-1 – 3.C.1-11. 3.C.1-11.

32

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[8]

Reichard, K., Crow, E., and Bair, T. Integrated management of system health in space applications. In Proceedings of the 2007 Reliability and Maintainability Symposium  –   RAMS’07, Orlando, Florida, USA, 22– 25 25 January 2007, pp. 107 –  112.

[9]

Hess, A., Calvello, G., and Dabney, T. PHM a key enabler for the JSF autonomic logistics support concept. In Proceedings of the 2004 IEEE

Aerospace Conference, Big Sky, Montana, USA, 6 – 13 13 March 2004, vol. 6, pp. 3543 – 3550. 3550. [10]

Hess, A. and Fila, L.The joint strike fighter PHMconcept: PHMconcept: potential impact on aging aircraft problems. In Proceedings of the 2002 IEEE Aerospace Conference,, Big Sky, Montana, USA, 9 – 16March Conference 16March 2002, vol. 6, pp. 3021 – 3026. 3026.

[11]

Baroth, E. E.,, P Powers, owers, W. W. T T.,., Fox J., Pr Prosser, osser, B., Pallix, Pallix, J., Schweikard, Schweikard, K., and Zakrajsek, J. IVHM (Integrated Vehicle Health Management) techniques for future space vehicles. In Proceedings of the 37 th AIAA/ASME/SAE/ASEE Joint Propulsion Conference

[12]

Reichard, K., C Crow, row, E E.,., and and Bair, T. Integrated Integrated m managemen anagementt of system heal health th in space applications. In Proceedings of the 2007 Reliability and Maintainability Symposium  –   RAMS’07, Orlando, Florida, USA, 22– 25 25 January 2007, pp. 107 –  112.

[13]

Finley, B. and Schneider, E. ICAS: the center of diagnostics diagnost ics and prognostics prognost ics for the United States navy. Proc. SPIE –  Int.  Int. Soc. Opt. Eng., 2001, 4389, 186 – 193. 193.

[14]

Asiedu,Y. and Gu,P. Product life cycle cost analysis analysis:: state state of the art art review. review. Int. Int. J. Prod. Res., 1998, 36(N4), 883 – 908. 908.

[15]

Vachtsevan Vachtsevanos, os, G., Lewis Lewis,, F. L., R Roemer, oemer, M., He Hess, ss, A., an andd W Wu, u, B. Intelligent fault diagnosis and prognosis for engineering systems, 2006 (John Wiley & Sons, New Jersey, USA).

[16]

J. Lee, R. Abujamra, A.K.S. Jardine, D. Lin, D. Banjevic, An integrated integrat ed  platform for diagnostics, diagnostics, prognostics and maintenan maintenance ce optimization, in: The IMS ’2004 International Conference on Advances in Maintenance and in Modeling,

[17]

Simulation and Intelligent Monitoring of Degradations, Arles, France, 2004. H. Austerlitz, Data Acquisition Techniques using PCs, Academic Press, San Diego, CA, 2003.

[18]

W. C C.. Green Greene, e, Ev Evaluation aluation of nnon-intrusivemonitoring on-intrusivemonitoring for condition condition based maintenance applications applications on us navy propulsi propulsion on plants, Ph.D. thesis (2005).

[19]

C. James Li, S. Li, Acoustic emission analysis for bearing condition monitoring, Wear 185 (1) (1995) 67 – 74. 74.

33

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[20]

N.V. Kirianaki, S.Y. Yurish, Yurish, N.O. Shpak, V.P. Deynega, Deynega, Da Data ta Acquisi Acquisition tion and Signal Processing for Smart Sensors, Wiley, Chichester, West Sussex, England, 2002.

[21]

C. Da Davies, vies, R.M. G Greenough reenough,, Th Thee use of information information systems systems in in fault fault diagnosis, in: Proceedings of the 16th National Conference on Manufacturing Research, University Universi ty of East London, UK, 2000.

[22]

R. Xu, C. Kwan, Robust isolation of sensor ffailures, ailures, Asian Journal of Control Contro l 5 (2003) 12 – 23. 23.

[23]

J.C. Russ, The Image Processing Handbook, CRC Press, Boca Raton, FL, 2002.

[24]

M.S. N Nixon, ixon, A.S. Aguado, Feature Extraction and Image Processing, Processing, Newnes, Newnes, Oxford, 2002.

[25]

S. U Utsumi, tsumi, Z. K Kawasaki, awasaki, K. Matsu-Ura,M. Kawada, Kawada, Use of wavelet transform and fuzzy system theory to distinguish wear particles in lubricating oil for  bearing diagnosis, diagnosis, Electrical Engineering in Ja Japan pan 134 (2001) 36 – 4444

[26]

T. Heger, M. Pandit, Optical wear assessment ssystem ystem for grinding tools, Journal Journal of Electronic Imaging 13 (2004) 450 – 461. 461.

[27]

C. Ell Ellwein, wein, S. Dan Danaher, aher, U. Jager, Identifying regions of interest interest in spectra for for classification purposes, Mechanical Systems and Signal Processing 16 (2002) 211 – 222. 222.

[28]

I.K. Fodor, A Survey of Dimension Reduction Techniques, Techniques, Lawrence Livermore  National Laboratory (LLNL) Technical Report, UCRL-ID-148494, University University of California, Livermore, CA, 2002.

[29]

C.M. S Stellman, tellman, K.J. K.J. Ewin Ewing, g, F. F. Buch Bucholtz, oltz, I.D. Aggarwal Aggarwal,, Moni Monitoring toring the degradation of a synthetic lubricant oil using infrared absorption, fluorescence emission and multivariate analysis: A feasibility study, Lubrication Engineering 55 (1999) 42 – 52. 52.

[30]

G.O. Allgood, B.R. Upadhyaya, A model-based high-frequency high-fr equency matched filter arcing diagnostic system and based on principal component analysis III, (PCA) clustering, in: Applications Science of Computational Intelligence vol. 4055, Bellingham, 2000, pp. 430 – 440. 440.

[31]

H.T. Grimmelius, J.K. J.K. W Woud, oud, G. Been, On-line failure diagnosis for compression refrigeration plants, International Journal of Refrigeration 18 (1995) 31 – 41. 41.

[32]

L. Ya Yang, ng, M.Z. Ya Yang, ng, Z. Ya Yan, n, B.Z. Shi Shi,, Ex Extraction traction of symptom symptom ffor or on-line diagnosis of power equipment based on method of time series analysis, in: Proceedings of the Sixth International Conference on Properties and Applications of Dielectric Materials, Mater ials, vol. 1, Xi’an, China, 2000, pp. 314– 317. 317.

34

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[33] G. Dal Dalpiaz, piaz, A. Riv Rivola, ola, R. Rubini, Rubini, Effectiven Effectiveness ess and sensitivity of vibration  processing techniques techniques for local fault detection in gears, Mechanical Sys Systems tems and Signal Processing 14 (2000) 387 – 412. 412. [34]

A.J. Miller, A new wavelet bbasis asis for the decomposi decomposition tion of gear motion error signals and its application to gearbox diagnostics, M.Sc. Thesis, Graduate

Program in Acoustics, The Pennsylvania State University, State College, PA, 1999. [35]

S. G Goldman, oldman, Vibration Spectrum Analysis: A Practical Approach, Industrial Press, New York, 1999.

[36]

C.M. Harris, A.G. Piersol, Harris’ Shock and Vibration Handbook, McGraw -

Hill, New York, 2002. [37]

R.G.T. De Almeida, S.A. Da Silva Vicente, L.R. Padovese, New technique for evaluation of global vibration levels in rolling bearings, Shock and Vibration 9 (2002) 225 – 234. 234.

[38]

Z. Li Liu, u, X. Yin, Z. Zhang, Zhang, D. Ch Chen, en, W. W. Ch Chen, en, O Online nline rotor mixed mixed fault fault diagnosis diagnosis way based on spectrum analysis of instantaneous power in squirrel cage induction motors, IEEE Transactions on Energy Conversion 19 (2004) 485 – 490. 490.

[39]

N.T. vvan an der M Merwe, erwe, A A.J. .J. Hoff Hoffman, man, A m modified odified cepstrum cepstrum analysis applied to vibrational signals, in: Proceedings of 14th International Conference on Digital Signal Processing (DSP2002), vol. 2, Santorini, Greece, 2002, pp. 873 – 876. 876.

[40]

C.-C. Wang, Wang, G.-P.J. Too, Rotating m machine achine ffault ault detection based on HOS and artificial neural networks, Journal of Intelligent Manufacturing 13 (2002) 283 –  293.

[41]

L. Xi Xiong, ong, T. Shi Shi,, S. Yang, R.B.K.N. Rao, A novel application of wavelet-based wavelet- based  bispectrum analysis to diagnose diagnose faults in gears, International Journal of COMADEM 5 (2002) 31 – 38. 38.

[42]

D.-M. Ya Yang, ng, A.F. Stronach, Stronach, P. Macconn Macconnell, ell, JJ.. Penman, Penman, Third-order spectral spectral techniques for the diagnosis of motor bearing condition using artificial neural

[43]

networks, Mechanical Systems Systems and Signal Processing 16 (2002) 391 – 411. W.J. Wang, Z.T. Wu, J. Chen, Fault identification in rotating machinery machinery using the correlation dimension and bispectra, Nonlinear Dynamics 25 (2001) 383 –  393.

[44]

B.E. Pa Parker, rker, H.A. Ware, D.P. Wipf, W.R. Tompkins, B.R. Cl Clark, ark, E.C. E.C. Larson, Larson, H.V. Poor, Fault diagnostics using statistical change detection in the bispectral domain, Mechanical Systems and Signal Processing 14 (2000) 561 – 570. 570.

[45]

T.W.S. C Chow, how, G. Fei, Three phase induction machines asymmetrical faults identification using bispectrum, IEEE Transactions on Energy Conversion 10 (1995) 688 – 693. 693. 35

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[46]

L. Qu, X. Liu, G. Peyronne, Y. Chen, The holospectr holospectrum: um: A new method method for rotor surveillance and diagnosis, Mechanical Systems and Signal Processing 3 (1989) 255 – 267. 267.

[47]

M.H. Hayes, Statistical Statist ical Digital Signal Process Processing ing and Modeling, Wiley, New York, 1996.

[48]

F.A. Andrade, I. Esat, M.N.M. Badi, Badi, Ge Gearbox arbox fault fault detection detection using statistical methods, time – frequency frequency methods (STFT and Wigner  – Ville Ville distribution) and harmonic wavelet —   — A comparative study, in: Proceedings of the COMADEM ’99, Chipping Norton, 1999, pp

[49]

 – 

. 77 85. N. Baydar, A. Ball, A comparat comparative ive study of acoustic acoust ic and vibration vibrat ion signals in detection of gear failures using Wigner  – Ville Ville distribution, Mechanical Systems and Signal Processing 15 (2001) 1091 – 1107. 1107.

[50]

P. B Bonato, onato, R. R. Ceravol Ceravolo, o, A. De Stefano, M. Knaflitz, Knaflitz, Bilinear time – frequency frequency transformations in the analysis of damaged structures, Mechanical Systems and Signal Processing 11 (1997) 509 – 527. 527.

[51]

H. Ch Choi oi an andd W. J. Williams, Williams, Improved Improved tim time-frequency e-frequency representation of multicomponent signals using exponential kernels, IEEE. Trans. Acoustics, Speech, Signal Processing, vol. 37, no. 6, pp. 862 – 871, 871, June 1989.

[52]

Paul S. Addison, Addison, The Illustrated Wavele Wavelett Transform Transform Handbook, Institute of Physics, 2002, ISBN 0-7503-0692-0.

[53]

W. T. Peter, Y. Peng, R. Yam, Wavelet analysis and envelope detection detect ion for rolling element bearing fault diagnosis — their their effectiveness and flexibilities, Journal of Vibration and Acoustics 123 (3) (2001) 303 – 310. 310.

[54]

R.K. Young, Wavelets Theory and Its Applications, Kluwer Academic Academic Publishers, Boston, 1993.

[55]

W.J. W Wang, ang, P.D. McFadden McFadden,, Applica Application tion of wavelets to gearb gearbox ox vibration vibration signals for fault detection, Journal of Sound and Vibration 192 (1996) 927 – 939. 939.

[56]

G.Y. Luo, D. Osy Osypiw, piw, M. Irle, monitoring On-line vibration analysis withoffast fast ccontinuous ontinuous wavelet algorithm for condition of bearing, Journal Vibration and Control 9 (2003) 931 – 947. 947.

[57]

N. Aretakis, K. Mathioudak Mathioudakis, is, Wavelet analysis for gas turbine fault diagnostics, diagnost ics, Journal of Engineering for Gas Turbines and Power 119 (1997) 870 – 876. 876.

[58]

G.O. Ch Chandroth, androth, W.J. Staszewski Staszewski,, Fault Fault detection in internal internal ccombustion ombustion engines using wavelet analysis, in: Proceedings of the COMADEM ’99, Chipping Norton, 1999, pp. 7 – 15. 15.

36

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[59]

A.K.S. Ja Jardine, rdine, P P.M. .M. An Anderson, derson, D.S. Mann, Application of the Weibull  proportional hazard hazard model to aircraft an andd marine engine failure da data, ta, Quality and Reliability Engineering International 3 (1987) 77 – 82. 82.

[60]

P.-J. Vl Vlok, ok, M. Wnek, Wnek, M. Zygmun Zygmunt,t, Utilisi Utilising ng statistical residual life estimates of  bearings to quantify the influence of preventive maintenance maintenance actions,

Mechanical Systems and Signal Processing 18 (2004) 833  847. 8  47. [61]

G. W. Vogl, B. A A.. W Weiss, eiss, M. Helu, A review of diagnostic diagnost ic and prognostic capabilities and best practices for manufacturing, Journal of Intelligent

Manufacturing (2016) 1 – 17. [62] A.K.S. Jardi Jardine, ne, Optimizin Optimizingg condi condition tion based m maintenance aintenance decisions, in: Proceedings of the Annual Reliability and Maintainability Symposium, 2002,  pp. 90 – 97. 97. [63]

W. Wang, J. Sharp, Modelling condition-based maintenan maintenance ce decision support, in: Condition Monitoring: Engineering the Practice, Bury St Edmunds, 2002, pp. 79 – 98. 98.

[64]

J.H. Wi Williams, lliams, A. A. Davie Davies, s, P.R. P.R. Drake, Condition-Based Maintenance and Machine Diagnostics, Chapman & Hall, London, 1994.

[65]

J. Korbicz, J.M. Koscielny, Z. Kowalczuk, W. Cholewa, Fault Diagnosis: Models, Artificial Intelligence, Applications, Springer, Berlin, 2004.

[66]

V. Pui Puig, g, A. Stancu, T. Esc Escobet, obet, F. F. Nejj Nejjari, ari, J. Queved Quevedo, o, R.J. Patton, Passive Passive robust fault detection using interval observers: Application to the DAMADICS  benchmark  benchma rk problem, Control Engineering Practice, Vol.14, No.6, 621-633, 2006.

[67]

C. H Liu, D H Zhou, An Adaptive Threshold Selection Method in the F Fault ault Detection, Journal of Shanghai Maritime University, Vol.22, No.3, 46-50, 46 -50, 2001.

[68]

A. S. Shui, S. Q. Zhou, S. L Li, R. R. Den Deng, g, The developmen developmentt of diagnosis diagnosis expert system for long transport pipeline, Oil & Gas Storage and Transportation, Vol.21, No.4, 1-3, 2002.

[69]

R. A Akerkar, kerkar, P. Sajja, Knowledge-based Knowledge-based systems, Jones & Bartlett Publ Publishers, ishers, 2010.

[70]

W. J. Verhagen, R. Curran, Knowledge-base Knowledge-basedd engineering review: Conceptual foundations and research issues, in: NewWorld Situation: New Directions in Concurrent Engineering, Engineering, Springer, 2010, pp. 267 – 276. 276.

[71]

S. Si Simani, mani, C. Fantuzzi, Fantuzzi, R.J. Patton, Patton, M Model-based odel-based F Fault ault Diagnosis Diagnosis in Dynamic Systems Using Identification Techniques, Springer, London, 2003.

37

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[72]

Kalman, R. E.; A New Approach to Lin Linear ear Filtering Filtering and and Prediction Problems, Transactions of the ASME - Journal of Basic Engineering Vol. 82: pag. 35-45 (1960).

[73]

V.T. Lam Lamaris, aris, D.T. Hountal Hountalas, as, A general purpose ddiagnostic iagnostic technique for marine diesel engines  –  Application  Application on the main propulsion and auxiliary diesel

units of a marine vessel, Energy Conversion and Management, 51 (2010) 740 753. [74]

W.Y. Wang, Towards dynamic model-based prognostics for transmission transmission gears, in: vol. Component and Systems Diagnostics, and Health Management II, 4733, Bellingham Bellingham, , 2002, pp. 157 – 167. 1Prognostics, 67.

[75]

K.A. L Loparo, oparo, A A.H. .H. Fal Falah, ah, M.L M.L.. Adam Adams, s, Model-based fault fault detection and diagnosis in rotating machinery, in: Proceedings of the Tenth International Congress on Sound and Vibration, Stockholm, Sweden, 2003, pp. 1299 – 1306. 1306.

[76]

A.S. Se Sekhar, khar, Model-based identification of two cracks iinn a rotor system, system, Mechanical Systems and Signal Processing 18 (2004) 977 – 983. 983.

[77]

J. Ma Ma,, C.J. Li, Detection of localized localized defects in in rolli rolling ng element element bearings bearings via composite hypothesis test, Mechanical Systems and Signal Processing 9 (1995) 63 – 75. 75.

[78]

M. Nyb Nyberg, erg, A general fframework ramework for faul faultt diagnosis diagnosis based based on statistical hypothesis testing, in: Twelfth International Workshop on Principles of Diagnosis (DX 2001), Via Lattea, Italian Alps, 2001, pp. 135 – 142. 142.

[79]

M.L. F Fugate, ugate, H. Sohn, Sohn, C.R. Farrar, Vi Vibration-based bration-based damage detection using statistical process control, Mechanical Systems and Signal Processing 15 (2001) 707 – 721. 721.

[80]

S. Basu, I. Davidson, K. Wagstaff, Const Constrained rained clustering: cluster ing: Advances in algorithms, theory, and applications, CRC Press, 2008.

[81]

C. C. Aggarwal, Aggarwal, Proxim Proximity-based ity-based outlier detection, in: Outlier Analysis, Analysis, 460 Springer, 2013, pp. 101 – 133. 133.

[82]

D. A Antory, ntory, U. K Kruger, ruger, G. Irwin, G. Mc McCullough, Cullough, Fault diagnosis in internal combustion engines using non-linear multivariate statistics, Proc. Institution Mech. Eng. Part I: J. Syst. Control Eng. 219 (2005) 243-258. 243 -258.

[83]

J. S Schurmann churmann,, Pattern Recogni Recognition: tion: A Unified View of Statistical and Neural Approaches,, Wiley, New Yor Approaches York, k, 1996.

[84]

H. Ding, Ding, X. Gui, S. Yang, An approach to state recognition recognit ion and and knowledge based diagnosis for engine engines, s, Mechanical Systems and Signal Processing 5 (1991) 257 – 266. 266.

38

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[85]

M.-C. Pa Pan, n, P. Sas, H. Va Vann Brussel, Brussel, Machi Machine ne condition monitor monitoring ing using signal classification techniques, techniques, Journal of Vibration and Control 9 (2003) 1103 – 1120. 1120.

[86]

X. Lou, K.A. Loparo, Bearing fault diagnosis based on wavelet transform transfor m and fuzzy inference, Mechanical Systems and Signal Processing 18 (2004) 1077 –  1095.

[87]

C.K. Mechefske, J. Mathew, Fault detection and diagnosis in low speed rolling element bearing. Part II: The use of neares nearestt neighbour classification, Mechanic Mechanical al Systems and Signal Processing 6 (1992) 309 – 316. 316.

[88]

R. Je Jegadeesh gadeeshwaran, waran, V. Sugumaran, Sugumaran, Fa Fault ult di diagnosis agnosis of automobile automobile hydraulic  brake system using statistical features and support vector machines, machines, Mechanical Systems and Signal Processing 52 (2015) 436 – 446. 446.

[89]

M. Gu Guo, o, L. L. Xie, S.-Q. W Wang, ang, J.-M. Z Zhang, hang, Research on an integrated integrated ICA-SVM  based framework for fault diagnosis diagnosis,, in: Proceedings of the 2003 IEEE International Conference on Systems, Man and Cybernetics, vol. 3, Washington, Washington, DC, USA, 2003, pp. 2710 – 2715. 2715.

[90]

C. Bunks, Bunks, D. McCarthy, T. Al-Ani, Condition-based maintenance maintenance of machines machines using hidden Markov models, Mechanical Systems and Signal Processing 14 (2000) 597 – 612. 612.

[91]

Z. Li Li,, Z. Wu, Y. He, C. Fulei, Hidden Markov model-based fault diagnostics method in speed-up and speed-down process for rotating machinery, Mechanical Systems and Signal Processing 19 (2005) 329 – 339. 339.

[92]

A. Si Siddique, ddique, G.S G.S.. Yadava, Yadava, B. Si Singh, ngh, A Applications pplications of artificial artificial intelligence intelligence techniques for induction machine stator fault diagnostics: Review, in: Proceedings of the IEEE International Symposium on Diagnostics for Electric Machines,, Power Electronics Machines Electronics and Dr Drives, ives, New York, 2003, pp. 29 – 34. 34.

[93]

A.J.C. Sharkey Sharkey,, G.O. Chandroth, Chandroth, N.E. Sharkey, Sharkey, A multimulti-net net system for the fault diagnosis of a diesel engine, Neural Comput. Co mput. Appl. 9 (2000) 152152-160. 160.

[94]

J. Porteiro, J. Collazo, D. Pati~no, J.L. Míguez, Di Diesel esel engine condition monitoring using multi-net neural network system with nonintrusive sensors, Appl. Therm. Eng.a31 ( 2011) 4097-4105. (2011)

[95]

H.J. W Wei, ei, Research of ma marine rine die diesel sel engine condition detecting base on BP BP neural network and spectrometric analysis, in: International Conference on Multimedia Technology (ICMT), Ningbo, China, 2010, pp. 1-4. 1 -4.

[96]

B. Sa Samanta, manta, K.R. Al-Balushi Al-Balushi,, A Artificial rtificial nneural eural network based fault diagnostics of rolling element bearings using time-domain features, Mechanical Systems and Signal Processing 17 (2003) 317 – 328. 328.

[97]

J.K. Spoerre, Applica Application tion of the cascade cascade correlation correlation algorithm (CCA) to be bearing aring fault classification problems, Computers in Industry 32 (1997) 295 – 304 304 39

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[98]

M.F. Baig, N. Sayeed, Sayeed, M Model-based odel-based reasoning for fault fault diagnosis diagnosis of twin-spool turbofans, Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering 212 (1998) 109 – 116. 116.

[99]

M. B Bengtsson, engtsson, E. Ol Olsson, sson, P. Funk, Funk, M. JJackson, ackson, Technical Technical design design of condition condition  based main maintenance tenance system — A case study using sound analysis and case-based

reasoning, in: Maintenance and Reliability Conference — Proceedings Proceedings of the Eighth Congress, Knoxville, USA, 2004 [100] M.L. Araiza, R. Ken Kent,t, R. Espinosa, Re Real-t al-time, ime, embedded embedded diagnostics diagnostics and  prognostics in advance advanced d artillery systems, in: 2002New IEEE Autotestcon Proceedings, Systems Readiness Technology Conference, York, 2002, pp. 818 – 841. 841. [101] D.L. Hall, R.J. Hansen, D.C. Lang, The negative information informat ion problem in mechanical diagnostics, Journal of Engineering for Gas Turbines and Power  —  Transactionss ooff the ASME 119 ((1997) Transaction 1997) 370 – 377. 377. [102] H.R. DePol DePold, d, F.D. Gas Gass, s, The application of expert sy systems stems and neural ne networks tworks to gas turbine prognostics and diagnostics, Journal of Engineering for Gas Turbines and Power 121 (1999) 607 – 612. 612. [103] P. Cingolani, J. Alcalá-Fdez, jfuzzylogic: a jjava ava library to design fuzzy logic controllers according to the standard for fuzzy control programming, International Journal of Computational Intelligence Systems 6 (sup1) (2013) 61 –  75. [104] L. A. Z Zadeh, adeh, Fuz Fuzzy zy se sets, ts, Information and con control trol 8 (3) (1965) 338 – 353. 353. [105] C.K. Mechefske, Objective machinery fault diagnosis using fuzzy logic, Mechanical Systems and Signal Processing 12 (1998) 855 – 862. 862. [106] S. Zhang, T. A Asakura, sakura, X.L. Xu Xu,, B.J. Xu, Fa Fault ult diagnosis sy system stem for rotary machine based on fuzzy neural networks, JSME International Journal. Series C: Mechanical Systems, Machine Elements and Manufacturing 46 (2003) 1035 –  1041. [107] A.K. Garga, K K.T. .T. McClin McClintic, R.L. Campbell Campbell, , C.C. Yang, L Lebold, ebold, T.A. Hay, C.S. Byington, Hybridtic,reasoning for prognostic learningM.S. in CBM systems, in: 2001 IEEE Aerospace Conference Proceedings, vols. 1 – 7, 7, New York, 2001,  pp. 2957 – 2969. 2969. [108] N. Togun, S. B Baysec, aysec, Gen Genetic etic programming approach to predict predict torque and  brake specific fuel consumption of a gasoline engine, Appl. Energy 87 (2010) 3401-3408. [109] S. Sampath, S. Oga Ogaji, ji, R. Singh Singh,, D. Probert, Engine-fault diagnosti diagnostics: cs: An optimisation procedure, Applied Energy 73 (2002) 47 – 70. 70.

40

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[110] G.-T. Yan, G.-F. Ma, F Fault ault diagn diagnosis osis of diesel engine combustion system system based based on neural networks, in: Proceedings of the 2004 International Conference on Machine Learning and Cybernetics, vol. 5, Shanghai, China, 2004, pp. 3111 –  3114. [111] C.R. Farrar, F. He Hemez, mez, G. Park, Park, A.N. Robertson, Robertson, H. Sohn Sohn,, T.O. Williams, A

coupled approach to developing damage prognosis solutions, in: Damage Assessment of Structures — The The Fifth International Conference on Damage Assessmentt of Structures (DAMAS 2003), Southampton, UK, 2003. Assessmen [112]  bearings P.-J. Vlok,toM M.. quantify Wne Wnek, k, M.the Zygmunt, Zygmunt, Utilising statistical residual life estimates of influence of preventive maintenance maintenan ce actions, Mechanical Systems and Signal Processing 18 (2004) 833 – 847. 847. [113] D. Banjevi Banjevic, c, A.K.S. Ja Jardine, rdine, Cal Calculation culation of reli reliability ability function and and remaining useful life for a Markov failure time process, IMA Journal of Management Mathematics (2005), to appear, doi:10.1093/imaman doi:10.1093/imaman/dpi029. /dpi029. [114] A. Coraddu, L. On Oneto, eto, A. Ghio, S. Savi Savio, o, M. Figari, D. Anguita, Anguita, Machine learning for wear forecasting of naval assets for condition-based maintenance applications, in: 2015 International Conference on Electrical Systems for Aircraft, Railway, Ship Propulsion and Road Vehicles (ESARS), 425 IEEE, 2015, pp. 1 – 5. 5. [115] W.Q. Wang Wang,, M.F. Golnaraghi, Golnaraghi, F. Ismail, Ismail, Prognosis of machin machinee health condition condition using neuro-fuzzy systems, Mechanical Systems and Signal Processing 18 (2004) 813 – 831. 831. [116] R.B. Chinnam, P. Baruah, A neuroneuro-fuzzy fuzzy approach for estimating mean residual residua l life in condition-based maintenance systems, International Journal of Materials and Product Technology 20 (2004) 166 – 179. 179. [117] D. Chelidze, J.P. Cusumano, A dynamical systems approach to failure  prognosis,, Journal of Vibration an  prognosis andd Acoustics 126 126 (2004) 2 – 88.. [118] Michiel T. K Kreutzer, reutzer, Freek Kapteijn, Kapteijn, Jac Jacob ob A. Moulijn Moulijn,, Chris R.Kleijn, R.Kleijn, Johan J. J. Heiszwolf. Inertial and interfacial effects on pressure drop of Taylor flow in capillaries. AIChE Journal51 (2005), 2428-2440 [119] G.J. Kacprzy Kacprzynski, nski, A. Sarl Sarlashkar, ashkar, M.J. Roem Roemer, er, Predicting remaining remaining life by fusing the physics of failure modeling with diagnostics, Journal of Metal 56 (2004) 29 – 35. 35. [120] M. Braglia, G. Carmignani Carmignani,, M. Frosolini Frosolini,, F. Zamm Zammori, ori, Data classif classification ication and mtbf prediction with a multivariate analysis approach, Reliability En gineering & SystemSafety 97 (1) (2012) 27 – 35. 35. [121] C. Milkie, A. N. Perakis, Statis Statistical tical methods for planning diesel en engine gine overhauls in the us coast guard, Naval engineers journal 116 (2) (2004) 31 – 42. 42.

41

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[122] J.E. Cam Campbell, pbell, B.M. Thompson, L.P. Swiler, Consequence analysis in in predictive predict ive health monitoring systems, in: Proceedings of Probabilistic Safety Assessment and Management, vols. I and II, Amsterdam, 2002, pp. 1353 – 1358. 1358. [123] K.B. Goode, J. Mo Moore, ore, B.J. Roylanc Roylance, e, Plant m machinery achinery working life prediction method utilizing reliability and condition-monitoring data, Proceedings of the

Institution of Mechanical Engineers Part E — Journal Journal of Process Mechanical Engineering 214 (2000) 109 – 122. 122. [124] J. Moub Moubray, ray, Reliability-Centred M Maintenan aintenance, ce, Butterworth-Heinemann, Butterworth-Heinemann, Oxford, 1997. [125] W. Wang, A model to de determine termine the op optimal timal critical level and the monitoring monitoring intervals in condition-based maintenance, International Journal of Production Research 38 (2000) 1425 – 1436. 1436. [126] Weibull, W W.. (1951), A sstatistical tatistical distribution ffunction unction of wide applicability, applicability, J. Appl. Mech.-Trans. ASME 18 (3): 293-297. [127] S.V. Ama Amari, ri, L. McLa McLaughlin, ughlin, Optimal design of a condition-based maintenance maintenance model, in: Proceedings of the Annual Reliability and Maintainability Symposium, Los Angeles, CA, USA, 2004, pp. 528 – 533. 533. [128] S. Okum Okumura, ura, N. Okin Okino, o, Optimisation of inspection time vector vector and warning warning level in CBM considering residual life loss and constraint on preventive replacement  probability,  probabili ty, International Journal of COMA COMADEM DEM 6 (2003) 10 – 18. 18. [129] D.L. Hall, J. Llinas, Handbook of Multisenso Multisensorr Data Fusion, CRC Press, Boca Raton, FL, 2001. [130] D.L. Hall Hall,, S.A.H. McMul McMullen, len, Mathematical Mathematical Techni Techniques ques in Multi-Sensor Multi-Sensor Data Fusion, Artech House, Boston, 2004. [131] P. Hann Hannah, ah, A. Starr, P. Bryanston-Cross, C Condition ondition m monitoring onitoring and diagnostic engineering — A data fusion approach, in: Condition Monitoring and Diagnostic Engineering Management, Amsterdam, 2001, pp. 275 – 282. 282. [132] multisensor J.P. Wang, data H.F.fusion Wan Wang, g, The reliability and self-diagnosis of Evaluation sens sensors ors in31a diagnostic system, Journal of Testing and (2003) 370 – 377. 377. [133] Jones NB, Li Yu-Hua. A review of condition monitor monitoring ing and fault fault diagnosis for diesel engines. Tribotest Int J 2000;6(3):267 – 91. 91. [134] Antor Antoryy D, Kruger U, Irwin G, McCullough G. Fault diagnosis in interna internall combustion engines using non-linear multivariate statistics. Proc IMechE, I MechE, Part I: J Syst Control Eng 2005;219(4):243 – 58. 58.

42

 

CAPÍTULO 2: Diagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

[135] Oihane C C.. Basu Basurko, rko, Zigor Uri Uriondo, ondo, Condi Condition-Based tion-Based Main Maintenance tenance for medium medium speed diesel engines used in vessels in operation, o peration, Applied Thermal Engineering, 80 (2015) 404-412. [136] Mesbahi E, Arriagada JJ,, Ghorban H. Diesel en engine gine fault diagnosis diagnosis by means means of ANNs: a comparison of two methods. Pro IMarEST  –  Part   Part B  –  J   J Mar Des Oper

2004;2004(6):25 – 33. 33. [137] Wen-Xian Y. Es Establishment tablishment of the mathematical mathematical model model for diagnosing the engine valve faults by genetic programming. J Sound Vib 2006;293(1 –  2):213   2):213 –  26. [138] Chen P, Taniguchi M, Toyota T, He ZJ. Fault diagnosis method for for machinery in unsteady operating condition by instantaneous power spectrum and genetic  programming. Mech Mech Syst Signal Process 2005; 2005;19:175 19:175 – 94. 94. [139] Shiyuan L, Fengshou G, Ball A. Detection of engine valve faults by vibrationsignals measured on the cylinder head. Proc IMechE Part D: J Automob Eng 2006;220(3):379 – 86. 86. [140] Charlesa P, Sinhaa J, Gub F, Li Lidsto dstonea nea L, Ball AD. Detecting the crankshaft torsional vibration of diesel engines for combustion related diagnosis. J Sound Vib 2008;321(3 – 5):1171 5):1171 – 85. 85.

43

 

CAPÍTULO 2: Diagnosis D iagnosis de fallos en sistemas actuales de monitorización de la condición para vehículos

44

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

CAPÍTULO 3

Estado del arte de diagnosis en motores diesel INDICE 3.1 3.2 3.3 3.4 3.5

Introducci Introducción ón Búsqueda bibliográ bibliográfica fica y clasif clasificación icación de técnicas de diagnosis Evaluación de técnicas de diagnosis Análisis comparativo comparat ivo Selección de un siste sistema ma de diagnosis para motor diesel marino

47 47 48 66 68

3.6 3.6.1

Anexos Anexo A: Búsqueda bibliogr bibliográfica áfica y clasificac clasificación ión de las técnicas de diagnosis Búsqued Búsquedaa bibliográfica Selecci Selección ón de trabajos Clasificaci Clasificación ón de técnicas de diagnosis Análisis estadístico de la búsqueda búsqueda bibliográfica Referenci Referencias as

71

3.6.1.1 3.6.1.2 3.6.1.3 3.6.1.4 3.7

71 72 72 72 85

45

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

LISTA DE TABLAS 3.1

Lista trabajos representativos en bibliografía sobre diagnosis diagnosis motor diésel

49

3.2 3.3 3.4 3.5 3.6

Análisis comparat comparativo ivo de estrat estrategias egias de diagnos diagnosis is de motor diésel Análisis de restricciones de estrategias de diagnosis de motor diesel marino Análisis comparat comparativo ivo de estrategias de diagnosis de motor diesel

66 68

marino de diagnosis y tipos de señales utilizados para clasificar los Técnicas trabajos encontrados en la bibliografía Bibliografía completa diagnosis equipos clasificados

72

70

79

LISTA DE FIGURAS 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 3.21 3.22

Técnicas de diagnosis de motor diesel Metodologí Metodologíaa diagnosis propuesta por D.G. Driscoll et al (1988) Metodologí Metodologíaa diagnosis propuesta por C.R.Parikh et al (2003) Metodo Metodología logía diagnos diagnosis is propuest propuestaa por Kevin P. Logan et al (2005) Metodo Metodología logía diagnos diagnosis is propuest propuestaa por F.A. Lafossas et al (2008) Metodologí Metodologíaa diagnosis propuesta por C.R.Parikh et al (2009) Metodo Metodología logía diagnos diagnosis is propuest propuestaa por J. Huang & P. Zhang (2009) Metodo Metodología logía diagnos diagnosis is propuest propuestaa por V.T. Lamaris & D.T. Hountalas (2010) Metodologí Metodologíaa diagnosis propuesta por L.Tao et al (2010) Metodo Metodología logía diagnos diagnosis is propuest propuestaa por F. Payri et al (2011) Metodologí Metodologíaa diagnosis propuesta por L. Guihang Guihang et al (2011) Metodologí Metodologíaa diagnosis propuesta por J.Porteiro et al (2011) Metodo Metodología logía diagnos diagnosis is propuest propuestaa por A.J.Bayba et al (2012) Metodologí Metodologíaa diagnosis propuesta por Koustav Dey (2012) Metodo Metodología logía diagnos diagnosis is propuest propuestaa por F.F. Vacas et al (2012) Metodologí Metodologíaa diagnosis propuesta por O.C. Basurko & Z.Uriondo (2015) Metodologí Metodologíaa diagnosis propuesta por J. Muñoz et al (2016)

47 50 51 52 53 54 55 56

Número dedeartículos de interés de cada técnica o grupo de técnicas de diagnosis motor diesel Número de artículos de interés por cada combinación de señales monitorizadas Número de artículos de interés encontrado encontradoss en cada base de datos de  búsquedaa  búsqued Número de artícul artículos os de interés encontrados encontrados en cada revista Número de artículos de interés publicado publicadoss cada año

73 74

57 58 59 60 61 62 63 64 63

75 76 77

46

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

3.1. 

INTRODUCCIÓN.

El objetivo principal de este capítulo es realizar una búsqueda bibliográfica técnicocientífica exhaustiva para poder analizar el estado del arte sobre diagnosis de motor diesel. El trabajo de estudio del estado del arte se resume a continuación:

1  Búsqueda bibliográfica. Identificación, selección y clasificación de las técnicas de diagnosis. 2  Estudio, resumen y evaluación de las técnicas más apropiadas para motor diesel marino. Análisis comparativo de de lasdiagnosis técnicas analizadas previamente. te. 43   Selección de un sistema para motorpreviamen diesel marino.

3.2.  BÚSQUEDA BIBLIOGRÁFICA Y CLASIFICACIÓN DE TÉCNICAS DE DIAGNOSIS.  Se realiza una búsqueda bibliográfica en la que se selecciona trescientos sesenta y cuatro artículos (364) entre más de quinientos (500) inicialmente encontrados como de interés potencial. El análisis del título y resumen de los trabajos encontrados es la información utilizada para realizar la selección inicial de los más de 500 trabajos  potencialmente  potencialmen te de interés. A partir de la primera lista de trabajos, se realiza un segundo filtro para determinar aquellos aquellos ttrabajos rabajos aplicables aplicables a motor diésel. El Anexo A del presente capítulo describe este proceso de búsqueda bibliográfica, clasificación de técnicas de diagnosis, estudio estadístico del estado del arte y la lista completa de las 364 referencias de los trabajos de interés seleccionados. Después de la selección de los trabajos de interés sobre diagnosis de motor diesel, se realiza la identificación y clasificación de los mismos según los tipos de técnicas y señales utilizadas. Como base para realizar la clasificación, se utiliza la Fig. 3.1. En dicha figura se identifican tres tipos principales de técnicas, las cuales se subdividen hacia abajo en forma de árbol hasta llegar a todas las que se consideran en la clasificación que se realiza en este trabajo. La clasificación del tipo de señales que se utiliza en cada trabajo se realiza por separado respecto del tipo de técnica, debido a que propuestas similares pueden utilizar parámetros de distinta d istinta naturaleza. naturaleza. Signal Threshold Based

Operational signals. Operational Parameters

In-Cylinder Pressure Lubricating Oil

Vibration signals. Instantaneous Angular Velocity

Statistical based Statistical Model

Vibration

Inyection

 

Data based

AI based Artificial Intelligence

Model Based (Priori-Knowledge)

Thermodynamic model

Non Thermodynamic model

Thermodynamic Model

Others

Imaging Crankcase Noise   Recognition Pressure Emission

Ionazing Currents

Alternator Parameters

Diesel Oil

Fig. 3.1 Técnicas de diagnosis de motor diesel. 47

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Una vez clasificados los trabajos, se realiza un análisis estadístico. En dicho estudio estadístico, el análisis más importante es averiguar la cantidad de trabajos de la  bibliografía que utilizan ut ilizan cada técnica y cada grupo de señales señales.. El resultado indica que  predominan claramente los trabajos basados en modelo físico del equipo o en datos históricos utilizando herramientas de inteligen inteligencia cia art artificial. ificial. Es importante destacar que es común encontrar en la literatura metodologías o sistemas de diagnosis que utilizan

combinaciones combinaci ones de varias técnicas. Por su parte, las señales que más se utilizan para monitorizar la condición en los trabajos realizados para diagnosis de motor diesel son los parámetros operativos, siendo muy la presión en cilindro, vibraciones, parámetros desgastetambién del motor en utilizados aceite. El resto de parámetros es menos habitual,y sin embargo de es cada vez más frecuente encontrar trabajos que combinan señales de distinto tipo para tener indicadores del mayor número de fallos posible. Los detalles del análisis estadístico se describen en el Anexo A del presente capítulo.

3.3. 

EVALUACIÓN DE TÉCNICAS DE DIAGNOSIS.

Una vez clasificadas las estrategias de diagnosis para motor diésel, se realiza una selección de los trabajos más representativos y de interés para hacer una evaluación comparativa. Para realizar una evaluación imparcial, se confecciona una ficha estándar diseñada para presentar y analizar los datos de interés de cada técnica: título, objetivos, o bjetivos, resumen, conclusiones y pros/contras. En el apartado de pros/contras se valora el número de modos de fallo cubiertos, la fiabilidad de diagnósticos, robustez ante nuevos datos, coste de desarrollo, aplicabilidad a otros tipos de motor y equipos, y dificultad de desarrollo e implementación. Se ha considerado que presentar y analizar los trabajos más completos de cada tipo de técnica de una forma estándar es la mejor forma de evaluar las distintas d istintas tendencias tendencias encontradas en la bibliografía. Se han seleccionado dieciséis trabajos, teniendo en cuenta la cantidad de trabajos de cada tipo de técnica, la mayor parte de los seleccionados están basados en modelo físico termodinámico [1, 2, 3, 4], en técnicas de inteligencia artificial [5, 6, 7, 8, 9, 10, 11] o en técnicas estadísticas [12, 13, 14, 15]. También se ha elegido el trabajo más completo encontrado sobre establecimiento de límites de parámetros monitorizados [16]. Además de ser representativos de las diferentes técnicas de diagnosis, también se ha tenido lo sean respecto a las señales utilizan como indicadores estado en delcuenta motor. que La mayoría de los trabajos t rabajos utilizanque parámetros operativos [1, 2, 3,del 4, 5, 6, 8, 9, 10, 11, 15, 16], muchas veces combinados con otro tipo de parámetros [1, 2, 3, 9, 15, 16]. La presión dinámica también se emplea en muchos de ellos [1, 2, 3, 14, 15], casi siempre combinada con parámetros operativos. Aunque en menor medida, también hay trabajos que aplican la medida de vibraciones [9, 13], parámetros de aceite [7] u oscilación torsional de la velocidad [12]. A continuación, la Tabla.3.1 muestra una lista de 16 artículos seleccionados, de los más de 500 consultados, que hacen una representación resumida del estado del arte y de las técnicas utilizadas para el diagnosis de motores diésel, en el anexo de este capítulo se enumeran la lista completa una vez filtrada de todos los artículos

48

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

consultados para este trabajo de búsqueda bibliográfica, no se ponen todos en el listado de referencias con ánimo de clarificar y de ser más conciso en el documento. El siguiente resumen y análisis de los artículos más relevantes se presenta en orden cronológico.

Tabla 3.1. Lista trabajos representativos representativos en bibliografía sobre diagnosis motor diésel.

En las Fig. 3.2 a Fig. 3.17 se muestra un resumen estándar y valoración de  pros/contras de cada uno de los trabaj trabajos os listados en la Tabla 3.1, 3.1, en el formato de ficha definido. Entre los puntos valorados en pros/contras, es necesario definir que se tiene en cuenta respecto a fiabilidad y robustez. El resto de puntos, número de modos de fallos cubiertos, coste, aplicabilidad y dificultad, se entiende no necesitan aclaración  para su correcta correcta interpretación. La fiabilidad  se mide como la efectividad en el diagnóstico. Los indicadores que se suelen utilizar son la precisión para modelar la normalidad, la tasa de falsos positivos

49

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

cuando se detecta un fallo que no es real y la tasa de falsos negativos cuando no se detecta un fallo que en la realidad sí que sucede. Por otro lado, la robustez  mide la capacidad de seguir siendo efectivo cuando las condiciones de contorno cambian respecto a las utilizadas para construir y ajustar el modelo. En el caso de un motor diésel marino suelen ser las condiciones ambientales.

Fig. 3.2 Metodología diagnosis diagnosis propuesta por D.G. Driscoll et al (1988) [16]. 50

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.3 Metodología diagnosis propuesta por C.R.Parikh et al (2003) [5].

51

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.4 Metodología diagnosis propuesta propuesta por Kevin P. Logan et al (2005) [6].

52

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.5 Metodología diagnosis diagnosis propuesta por F.A. Lafossas et al ((2008) 2008) [1].

53

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.6 Metodología diagnosis propuesta por C.R.Parikh et al (2009) [12].

54

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.7 Metodología diagnosis propuesta propuesta por J. Huang & P. Zhang Zhang (2009) [13].

55

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.8 Metodología diagnosis propuesta por V.T. Lamaris & D.T. Hountala Hountalass (2010) [2].

56

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.9 Metodología diagnosis propuesta por L.Tao et al (2010) [7].

57

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.10 Metodología diagnosis propuesta propuesta por F. Payri et al (2011) [[3]. 3].

58

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.11 Metodología diagnosis propuesta por L. Guihang et al (2011) ( 2011) [8]. [ 8].

59

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.12 Metodología diagnosis propuesta por J.Porteiro et al (2011) [9].

60

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.13 Metodología diagnosis propuesta por A.J.Bayba et al (2012) [10].

61

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.14 Metodología diagnosis propuesta por Koustav Dey (2012) [14].

62

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.15 Metodología diagnosis propuesta por F.F. Vacas et al (2012) [15].

63

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.16 Metodología diagnosis propuesta por O.C. Basurko & Z.Uriondo (2015) [11].

64

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.17 Metodología diagnosis propuesta propuesta por J. Muñoz et al (2016) [4].

65

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

3.4. 

ANÁLISIS COMPARATIVO.

Hasta ahora, las estrategias de diagnosis de motores diesel utilizadas en la literatura se han clasificado en grupos de técnicas y se han analizado utilizando una selección de trabajos representativos. En este apartado se realiza un análisis comparativo de las

técnicas de diagnosis basado en la evaluación de los pros/contras de cada una. La evaluación se basa en una lista común de características/requisitos que se han establecido como importantes y se han valorado de 0 a 5, donde 0 es la puntuación más baja y 5 la más alta. El análisis comparativo de la Tabla 3.2 está dividido en dos partes, técnicas de diagnosis y parámetros monitorizados en el motor diesel. Esta división se realiza debido a que las características y prestaciones de un sistema de diagnosis depende tanto de la técnica que se utilice como de las señales que se monitoricen, así que se  puede evaluar evaluar ambos as aspectos. pectos.

Tabla 3.2. Análisis comparativo de estrategias de diagnosis de motor diésel [17].

En cuanto a la influencia de la técnica utilizada, se puede observar que existen dos características que influyen de forma opuesta, la robustez y la dificultad de desarrollo/implementación. Los sistemas más robustos son aquellos que están basados en un modelo físico, que aunque no disponga de gran cantidad de históricos de funcionamiento, son capaces de simular el comportamien co mportamiento to del equipo correctamente incluso incluso si el contexto ooperaci peracional onal cambia. El resto de técnicas no puede ofrecer la misma robustez, al estar basadas en

66

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

datos, es necesario disponer de datos que contengan todos los contextos operacionales  posibles para que que el modelo modelo sea fiable. Por el contrario, el modelo físico es el más complejo de desarrollar, ya que es necesario conocer muy bien como es, como funciona y la física que hay detrás para

 poder desarrolla desarrollarr matemá matemáticamente ticamente el model modeloo de funcionamiento. funcionamiento. En sistemas complejos, es posible que no se pueda abordar realizar un modelo físico completo y haya que introducir partes de modelado basado en datos. La Tabla 3.2 indica que los sistemas que ofrecen una buena fiabilidad con un esfuerzo razonable serían las estadísticas de inteligencia artificial, siLos bien hay que tener en en mente la no adecuación a nuevosy escenarios no entrenados. sistemas basados límites y tendencias, los más utilizados hasta el momento en la industria, son los más sencillos y económicos, pero no pueden ofrecer el mismo nivel de fiabilidad y  precisión  precisi ón que los demás. Debido al rápido desarroll desarrolloo de algoritmos de inteligencia artificial y capacidad de computación, el modelado basado en datos y basado en la física se utilizan cada vez más. Por esta razón los trabajos encontrados en la  bibliografía son de estos últimos, últimos, donde se concentran los esfuerzos de investigación investigación y desarrollo desde hace años. Respecto a la influencia que tiene el tipo de parámetros monitorizados, no se concentra las diferencias en uno o dos características, hay que analizarlo una a una. Los parámetros operacionales son los que cubren mayor número de modos de fallo, aunque se pueden abarcar más si una instalación incorpora también vibraciones, aceite y otros tipos t ipos de parámetros. Los parámetros operacionales operacionales suelen cubrir problemas del  proceso o funcionamiento, funcionamiento, generalmente que afe afecte cte a las prestaciones. prestaciones. La vibración, el  parámetro tradicionalm tradicionalmente ente más utilizado en sistemas de monitorización monitorización de la condición, es el mejor indicador actual del desgaste mecánico en equipos rotativos. Aunque no se vean afectadas las prestaciones, es posible detectar anomalías mecánicas y termodinámicas no detectables con otro tipo de señales. En el caso de que un equipo esté lubricado por aceite o contenga aceite hidráulico, el análisis de contenido en metales del mismo es un indicador potente, de desgastes y anomalías mecánicas, que cubre un número reducido pero importante de fallos, que siempre acaba en avería catastrófica si no se detecta a tiempo. Por otro lado, la presión dinámica dentro de un cilindro, es el mejor indicador de los compresores y motores de combustión interna alternativos. Cubre sólo el proceso dentro del cilindro, no obstante es el corazón del equipo, determina las prestaciones y es capaz de distintos tipos desde de fallo debidos que al mal funcionamiento de varios sistemas quedetectar componen el motor, el sistema de sobrealimentación, al sistema de inyección pasando por el sistema de distribución, de alguna forma es posible detectar un mal funcionamiento con el comportamiento de la presión instantánea en cilindro y/o con la presión dinámica en los colectores. Existen otros tipos de parámetros que se pueden utilizar, pero en los trabajos aparecen de forma minoritaria. En general todos los tipos principales de parámetros ofrecen una buena fiabilidad si la cadena de medida está bien instalada y configurada. En cualquier caso, es importante destacar que la señal de presión instantánea en cilindro es más fiable que cualquier otra en un motor diesel, y que los indicadores que ofrecen las vibraciones y los  parámetros del aceite aceite avisan con con mayor mayor tiempo de antelaci antelación ón que el resto. 67

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

En el caso de la robustez, todos los parámetros están afectados de forma similar al contexto operacional. operacional. Por lo tanto, t anto, se tiene que tener en cuenta este factor. Los tres últimos factores, costes, aplicabilidad a otros equipos y dificultad tienen la misma tendencia respecto al tipo de parámetros utilizados. En general, los más

interesantes son los parámetros operacionales, donde se aprovecha en muchas ocasiones instrumentación utilizada para el mando y control de la instalación, la aplicabilidad es más fácilmente extrapolable y el coste suele ser inferior a otros tipos de parámetros. Por el contrario, la presión cilindro suele ser más costosa y difícil de instalar.

3.5.  SELECCIÓN DE UN SISTEMA DE DIAGNOSIS PARA MOTOR DIESEL MARINO. Para seleccionar la técnica de diagnosis más adecuada, se han tenido en cuenta las siguientes consideraciones:   El interés principal es el desarrollo de un sistema de diagnosis para motores



diesel marinos. Por lo tanto, es fundamental la aplicabilidad en motores diesel marinos.   Se considera imprescindible que el sistema funcione a bordo en tiempo real, realizando diagnosis a partir de parámetros monitorizados durante el funcionamiento del motor. La cadencia estimada es de un registro de



         



 





 parámetros escalares cada 10 segund segundos aproxima damente. Los parám parámetros etros dinámicos escal comoares la esvibración deben osseraproximadamente. procesados y convertidos en indicadores escalares, deseablemente con la misma cadencia que el resto de  parámetros. No es imp imprescindible rescindible tener la misma cadencia, cadencia, aunque sí que  parámetros de distinto tipo tengan la misma referencia temporal para poder cruzarlos y analizarlos conjuntamente. El sistema tendrá que cubrir el mayor número posible de modos de fallo. La fiabilidad de los diagnóstic diagnósticos os realizados es crítica. La robustez frente a los cambios ambientales es muy importante. Madurez de las tecnologías a utilizar para desarrollar el nuevo sistema. El resto de características que puede ofrecer una técnica de diagnosis o tipo de  parámetros moni monitorizados torizados son importantes, aunque menos que las indicadas anteriormente.

Se decide utilizar la Tabla 3.2 como base de análisis comparativo de técnicas para motores diésel en general y añadir las consideraciones indicadas en la lista anterior  para tener t ener en cuenta las restricciones y las características de mayor mayor interés cuando se  pretende desarrollar desarrollar un sistem sistemaa para un motor dié diésel sel marino. Las restricciones se añaden en la Tabla 3.3. Estas restricciones tienen en cuenta la aplicabilidad a un sistema en tiempo real abordo: coste computacional, aplicabilidad al sector marítimo y Tecnology Readless Level (TRL) [18] “nivel de madurez tecnológica”. 

68

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Tabla 3.3. Análisis de restricciones de estrategias de diagnosis de motor diesel marino.

El último requisito, TRL es un concepto introducido por la NASA relacionado con la madurez de una tecnología, ampliamente utilizado en la literatura. El TRL se mide de 1 a 9, siendo 9 el último paso de desarrollo, es decir, la tecnología está lista para usar. En la Tabla 3.3 se utiliza este concepto para tener en cuenta si una técnica es demasiado inmadura para ser tomada en cuenta. Incluso dentro de cada tipo de técnicas o de parámetros, cada sistema tiene un coste computacional, aplicabilidad a sector marino y TRL. En la Tabla 3.3 se muestra una valoración general de cada tipo, teniendo en cuenta sobre todo las técnicas seleccionadas como más apropiadas para diagnosis, Fig. 3.2 a Fig. 3.17. La Tabla 3.3 indica que todas las técnicas expuestas en la bibliografía, en general, están suficientemente maduras tecnológicamente, pueden ser desarrolladas para una monitorización en tiempo real si se diseña un sistema de adquisición y procesado apropiado y son aplicables a motor diesel marino. En el caso de tipos de señales a monitorizar, sólo existe una excepción, la monitorización de ruido aéreo. Esta medida está desarrollada y es madura para analizar el ruido radiado, sin embargo, no existe aún medidas claras de interpretar las variaciones de ruido respecto a posibles fallos en los equipos. Lautilizan ventajahace de ser una que medida no medida invasivacon y elpotencial aumentoque delennúmero de trabajos que lo pensar es una un futuro  próximo, sí podría ser eficaz para moni monitor torizar izar la condición y alertar de cierto tipo de fallos.  No todas las características características de la Tabl Tablaa 3.2 son igual ddee importantes para un sistema sistema de diagnosis de un motor diésel marino. Éste aspecto se tiene en cuenta en la Tabla 3.4., donde se pondera cada característica según su importancia. La característica más importante es sin duda el número de fallos cubierto. En segundo nivel, y con el mismo peso, se sitúa la fiabilidad y la robustez. El resto de características importan pero se ponderan con menor peso que las otras ot ras tres.

69

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Tabla 3.4. Análisis comparativo de estrategias de diagnosis de motor diesel marino.

Entre todos los grupos técnicas de diagnóstico motores diesel marino, destacan dos estrategias, modelodefísico y modelo basado endeinteligencia artificial, aunque los modelos estadísticos les siguen de cerca. Es importante reseñar que, hasta hace pocos años, los modelos estadísticos eran los únicos que se utilizaban para la predicción de fallos. Los sistemas basados en el modelo físico tienen una ventaja fundamental respecto al resto que los hacen muy interesante. Es capaz de mantener la capacidad de detección de anomalías cuando hay nuevas condiciones de operación, como diferencias ambientales distintas distintas a las utilizadas para entren entrenar ar / ajustar y validar el modelo. En cambio, un sistema basado en modelo de inteligencia artificial tiene la ventaja de adaptarse más fácilmente y con menos esfuerzo a otros tipos de motor. Una vez definida la metodología y algoritmos, es sencillo diseñar un sistema de otro motor diesel teniendo en cuenta las diferencias en las señales monitorizadas. Respecto a los tipos de parámetros utilizados, los parámetros operacionales son los que cubren un mayor número de fallos, cuando se utilizan técnicas de inteligencia artificial o modelado físico termodinámico suele combinarse con la medida de presión cilindro. Es importante señalar, que la presión dinámica en el cilindro, aunque cubre un número reducido de fallos, es el indicador más fiable del comportamiento de la combustión en el interior del motor. El proceso de combustión está relacionado con la gran mayoría de los parámetros del motor debido a que se puede decir que se trata del corazón del motor. Por otra parte, los parámetros de vibración y de aceite también cubren un número importante de fallos, inferior a los cubiertos por los parámetros operacionales, pero a su vez complementarios. Mientras que los parámetros operacionales pueden detectar anomalías del funcionamiento que afectan a parámetros 70

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

termodinámicos y de prestaciones del circuito principal de aire y gases y auxiliares de refrigeración, lubricación, suministro de combustible, la vibración y el aceite detectan anomalías mecánicas y de desgaste. Una gran ventaja de los parámetros de vibración y de aceite es que pueden avisar con meses de antelación a un fallo importante, pudiendo  prever con tiempo tiempo la inspecci inspección ón y reparación / sustitución del el elemento emento defectuoso.

El estudio del estado del arte sobre diagnosis, análisis de los trabajos de mayor interés  para su aplicación aplicación a motores di diésel, ésel, y posterior eval evaluación uación para motores diésel diésel marinos indica que el desarrollo de un nuevo sistema debería basarse en técnicas de inteligencia artificial y/o modelo físico utilizando parámetros operacionales en la medida de operacionale lo posible en tiempo real. Además, el sistema se enriquecería los  parámetros operacionales s se combinan con vibración y parámetros obtenidossi por análisis de aceite, que permitirían detectar y diagnosticar otros tipos de fallo que no serían detectables con la única monitorización de parámetros operacionale o peracionales. s. En esta tesis doctoral, basándose en los resultados obtenidos en este análisis del estado del arte, se desarrolla un sistema de diagnosis basado en inteligencia artificial para la clasificación de comportamientos y detección de anomalías y una base de datos de fallos fiable creada con metodología de mantenimiento basado en la fiabilidad y optimizada con un simulador de fallos creado a partir de un modelo físico termodinámico del motor, capaz de reproducir los síntomas del equipo cuando se inseminan fallos típicos.

 

3.6. ANEXOS. 3.6.1. Anexo A: Búsqueda bibliográfica  y clasificación de las técnicas de diagnosis.  En este anexo se describe el proceso de búsqueda de trabajos científicos existentes relacionados con diagnosis de motor diésel.  3.6.1.1  3.6 .1.1.. B ús úsq que ued da bibliográ ibliográfi ficca.

Se realiza una búsqu búsqueda eda bibliográfica técnico-científica exhaustiva para poder conocer y analizar el estado del arte sobre diagnosis de motor diesel. En esta búsqueda se incluyen trabajos sobre sistemas de monitorización de la condición, búsqueda de fallos, diagnosis y prognosis de equipos en general. No se ha restringido la búsqueda a motor diésel exclusivamente debido a la aplicabilidad en muchas ocasiones de sistemas de diagnosis de un tipo de equipo a otro. No obstante se pone especial atención a aquellos trabajos aplicados directamente sobre un motor diésel, sobre todo en aquellos aplicados a motores marinos. Las fuentes de búsqueda utilizadas son las bases de datos de ACM, CIMAC, Compendex,, Google Scholar, IIEEE Compendex EEE Xplore, Metadex, NTIS, ProQuest, Research Research Gate, SAGE, SciELO, Science Direct, Scopus y Springer Link. El tipo de bases de datos consultadas y el tamaño de la muestra son una garantía de la calidad del resultado, considerandoo que se obtiene un análisis completo y actual del estado del arte. considerand

71

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

 3.6.1.2  3.6 .1.2.. Se Sele leccción de trab raba ajo jos. s.

La búsqueda inicial de trabajos relacionados con diagnosis de equipos se realiza con un buscador de la UPCT indexado a todas las bases de datos indicadas anteriormente. En la búsqueda se utilizan pal abras clave relacionadas con “predicción fallos”,

“monitorización de la condición”, “diagnosis”, “motor diesel”; “modelado”, etc. El

análisis del título y resumen de los trabajos encontrados es la información utilizada  para realizar la selección selección inicial de los más de 500 trabaj trabajos os potencialmen potencialmente te de interés. A partir de la primera lista de trabajos, se realiza un segundo filtro para determinar aquellos trabajosentre aplicables diésel. (500) Se seleccionan trescientos sesentacomo y cuatro (364) artículos más ademotor quinientos inicialmente encontrados de interés potencial entre revistas científicas, tesis doctorales, congresos e investigaciones técnicas gubernamentales.  3.6.1.3  3.6 .1.3.. Cla Clasifi sifi cación de técnica nicass de diagnosis. iagnosis.

Una vez seleccionados los trabajos de interés sobre diagnosis de motor diesel, se realiza la identificación y clasificación de los mismos según los tipos de técnicas y señales utilizadas. Como base para realizar la clasificación, el autor realiza la Fig. 3.1 manteniendo la denominación que los autores originales de los trabajos recopilados utilizan para identificar los tipos de técnicas o señales que utilizan. En dicha figura se identifican tres tipos principales de técnicas, las cuales se subdividen hacia abajo en forma de árbol hasta llegar a todas las que se consideran en la clasificación que se realiza en este trabajo. La clasificación del tipo de señales que se utiliza en cada trabajo se realiza por separado respecto del tipo de técnica, debido a que propuestas similares pueden utilizar parámetros de distinta naturaleza. La naturaleza de las señales utilizadas, son importantes por sí mismas. Cada señal es capaz por sí sola o en combinación con otras de detectar o diagnosticar unos modos de fallo determinado/s,  por ser sín síntoma toma de ésta última. En la Tabla 3.5 se muestra la descripción descripción y código utilizado para identificar cada técnica de diagnosis y cada tipo o grupo de señales por separado.

Tabla 3.5. Técnicas de diagnosis y tipos de señales utilizados para clasificar los trabajos encontrados en la bibliografía.

 3.6.1.4  3.6 .1.4.. Aná Análisis lisis est sta adíst ístii co de la bús úsq que ued da biblio ibliogr grá áfica fi ca..

El mayor esfuerzo de clasificación realizado en el estudio bibliográfico se ha concentrado en identificar técnicas y señales utilizadas para poder evaluar 72

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

 posteriormente las virtudes de cada una de ellas y así poder seleccionar seleccionar la estrategia más apropiada para desarrollar un sistema de diagnosis para un motor diésel marino. Sin embargo, también se han extraído datos de cada trabajo que se consideran de interés como la fuente donde se encuentra el trabajo (base de datos), el formato o tipo de trabajo realizado (revista, conferencia, tesis doctoral, etc) o año de publicación.

Esta información se ha utilizado para realizar un estudio estadístico de la bibliografía que se expone a continuación. En primer lugar, la Fig. 3.18 muestra el número de artículos por cada metodología o sistema formados por una técnica o agrupación de técnicas de diagnosis.

Fig. 3.18 Número de artículos de interés de cada técnica o grupo de técnicas de diagnosis de motor diesel. Se observa que predominan claramente los trabajos basados en modelo físico del equipo (39%) o en datos históricos utilizando herramientas de inteligencia artificial (35%). Aunque en menor proporción, también se encuentran trabajos basados en herramientas estadísticas (12%) y en fijación de límites y seguimiento de tendencias de parámetros monitorizados (7%). Aunque no se puede apreciar en la Fig. 3.18, es cada vez más usual el desarrollo de metodologías que combinan distintos tipos de algoritmos de inteligencia artificial. También tiene interés conocer cuáles son las señales que es necesario monitorizar para  poder desarrollar, desarrollar, ajustar y explotar los sistemas de diagn diagnosis osis que encontramos en la  bibliografía. Para poder analizar las señales señales utilizadas, se ha asignado a cada trabajo el grupo de señales que utiliza según la clasificación de la Tabla 3.5. La Fig. 3.19 muestra el número de veces que se utiliza cada combinación de señales.

73

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.19. Número de artículos de interés por cada combinación de señales monitorizadas. Las señales que más se utilizan para monitorizar la condición en los trabajos realizados  para diagnosis de motor diesel son los parámetros operativos (134), siendo estos  parámetros operativos normalmente los referentes a las prestacion prestaciones es que está dando el motor (potencia o par y régimen), también en ocasiones se monitorizan las presiones de trabajo, (admisión y escape), las temperaturas (ambiente, después de compresor, después de intercooler, pipas de escape y después de la turbina) y en contadas ocasiones el gasto de aire y de combustible del motor. Esto es porque son utilizados habitualmente independientemente de la técnica de diagnosis utilizada. En segundo lugar, se suele utilizar la combinación de parámetros operativos más la indicación de  presión dinámica dentro de la cámara de combustión combustión (116). En este caso, la razón es  porque la técnica de modela modelado do físico termodinámica, que es la más utilizada, suele utilizar la indicación de presión cilindro además de los parámetros operativos. Otros  parámetros que se utilizan utilizan con frecuencia frecuencia aunque en men menor or medida son las vibraciones vibraciones (39), parámetros de aceite lubricante (13) y oscilación torsional de la velocidad de giro 74

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

(12). El resto de parámetros o combinaciones es menos habitual, sin embargo es cada vez más frecuente encontrar trabajos que combinan señales de distinto tipo para tener indicadores del mayor número de fallos posible. La búsqueda de trabajos científicos se ha realizado utilizando numerosas fuentes o

 bases de datos distintas. La Fig. 3.20 muestra muestra el número de trabajos selecci seleccionados onados que se encontraron en cada una de las bases de datos de búsqueda utilizadas.

Fig. 3.20. Número de artículos de interés encontrados en cada base de datos de  búsqueda..  búsqueda Como se puede observar en la Fig. 3.20, las fuentes principales son las bases de datos Compendex, IEEE Xplore y Science Direct. En menor proporción pero también importantes han sido ProQuest Dissertations and Thesis, Scopus, NTIS y SAGE. El resultado este análisisentre se basa en debido la base adeque datos utilizadaunas en laabúsqueda. vez existe másdeinterrelación ellas se indexan otras, porCada lo tanto, el resultado estadístico podría haber sido distinto sobre todo en el caso de la base de datos Scopus, que tiene indexadas varias de las anteriores y podría haber sido la fuente de búsqueda de muchos más trabajos, con lo que el resultado la pondría en uno de los  primeros lugares. Si damos un paso más en el análisis de las fuentes principales de trabajos relacionados en diagnosis de equipos, aplicados o aplicables a motor diésel, habría que fijarse en el tipo o formato de trabajo. La Fig. 3.21 muestra las revistas científicas donde se han encontrado mayor mayor número de trabajos de interés en eell tema analizado en esta tesis. t esis.

75

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.21. Número de artículos de interés encontrados en cada revista. Lo que se observa en la Fig. 3.21 es que existen dos revistas que destacan al resto en el número de trabajos sobre diagnosis, que son SAE International (35) y Applied Thermal Engineering (27) y la base de datos ProQuest Dissertations and Thesis (33), que es la fuente donde se recogen tesis doctorales y disertaciones. Aquellas revistas en las que se ha encontrado solamente uno o dos trabajos se han englobado en la categoría “resto” para poder representar el análisis gráficamente.   Finalmente, se ha considerado interesante conocer la evolución temporal de la intensidad investigadora sobre diagnosis de equipos. La Figura 3.22 muestra el número de trabajos publicados cada año entre los seleccionados en el estudio  bibliográfico.

76

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

Fig. 3.22. Número de artículos de interés publicados cada año. La ventana de tiempo comienza en 1974, que es la fecha del primer trabajo encontrado relacionado con diagnosis de equipos y seleccionado en nuestro análisis. La Fig. 3.22 muestra claramente que hasta principios del siglo XXI existe un número reducido de  publicaciones  publicaci ones al año que marcan un cierto interés que se mantien mantienee constante en el tiempo hasta el año 1999  –   2000. A partir de ahí comienza un ascenso rápido en el número de publicaciones lo que indica que existe un detonante, probablemente las grandes posibilidades que ofrecen las nuevas tecnologías de computación y comunicaciones a nivel global, que hace aumentar enormemente el interés sobre diagnosis de equipos. Existe un pico máximo en 2010 para luego disminuir el número de publicaciones al nivel de principios de siglo (si no tenemos en cuenta el año 2017  por ser año aún incom incompleto). pleto). La reducción del número de publicaciones publicaciones sobre este tema desde 2010 podría ser por el importante auge que existe en trabajos sobre control de equipos basados en modelo, y en el caso concreto de motores diesel, también sobre reducción de emisiones contaminantes. En los próximos años se verá si el nivel de  publicaciones  publicaci ones se mantiene eenn los niveles actuales de 10-20 publi publicaciones caciones por año. año. La Tabla 3.6realizada. muestraEsta la lista lista incluye completa de setrabajos, resultado la búsqueda  bibliográfica cómo ha clasificado cadadetrabajo respecto a la técnica de diagnosis y el tipo de señales utilizadas. Está E stá formada por los siguientes campos:   Authors:  Autor/es del trabajo.   Article Title: Título del trabajo.   Method1:  primer campo destinado a indicar tipo de técnica de diagnosis

  

utilizada. En caso de que hubiera más de una, se habilitan dos campos más.   Method2:  Segundo campo destinado a indicar tipo de técnica de diagnosis utilizada. En caso de que hubiera más de una, se habilitan dos campos más.   Method3:  Tercer campo destinado a indicar tipo de técnica de diagnosis utilizada. En caso de que hubiera más de una, se habilitan dos campos más.





77

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

  TotalMethods:  Combinación de los tres campos anteriores, que indica todos



los tipos de técnicas de diagnosis en los que se basa el trabajo.   Signal1: Primer campo destinado a indicar tipo de señales utilizadas. En caso de que hubiera más de una, se habilitan dos campos más.



  Signal2: Segundo campo destinado a indicar tipo t ipo de señales utilizadas. En caso  



 



 



     

  

de que hubiera más de una, se habilitan dos campos más. Signal3:  Tercer campo destinado a indicar tipo de señales utilizadas. En caso de que hubiera más de una, se habilitan dos campos más. TotalSignals: Combinación de los tres campos anteriores, que indica todos los tipos de señales utilizadas en el trabajo. TotalClasif:  Combinación de “TotalMethods” y “TotalSignals”. Indica todos los tipos de técnicas de señales utilizados en el trabajo. Date: Año de publicación del trabajo. Source: Fuente o base de datos donde se encuentra depositado el trabajo.   Journal:   Tipo de trabajo publicado, en su caso revisa científica, congreso u otro.

78

 

Tabla 3.6. Bibliografíacompleta diagnosisequiposclasificados

Iseki, Y. [19]

Authors

Dominy, D. [20]

Article Title

Diagnosis of Diesel Engine Troubles - Cylinder Condition Monitoring System. Feasibility Study for a Diesel Engine Condition Monitoring System for 1179 Class LSTs

Method1

KnowMod

Threshold

Method2

Method3

TotalMethods

Signal1

Threshold

OperPar

KnowMod

CylPres

Zhdanovskii, N. S. [21]

Diagnostic of Truck and Tractor Diesel Engines

Threshold

Threshold

OperPar

Fuller, Edward J. [22] Hambright, R. N. [23] Storment, J. O. [24]

The practical realization of an automated diagnostic system for diesel powered vehicles Selection of a Prototype Engine Monitor for Coast Guard Main Diesel Propulsion Development of Diesel E Enngine Diagnostics for U.S. Coast Guard Cutters

Threshold Threshold StatMod

Threshold Threshold StatMod

OperPar OperPar InstVel

Sangiovanni, J. J. [25]

Optical Diagnostics for Diesel-Engine Applications

AI

AI

ImagRec

Sang oi vanni, J. J. [2 6]

Opt ical Di Diag nost ics for Diesel E Enngine Ap plicat io ns: Third Quarterly T Teechnical Pr Pro gress Repo rtrt ,1 No vember 19 83 t o 31 January 19 198 4

Kno wM wMod

Kno wMo d

OperPar

Bonissone, P. P. [27]

DELTA: An Expert System for Diesel Electric Locomotive Repair

AI

AI

OperPar

Rhee, K. T. [28]

Thermodynamic System Analysis Model of a Diesel Engine

KnowMod

KnowMod

OperPar

Signal2

CAPÍTULO 3:Estado delarte dediagnosis enmotores diesel

Signal3

TotalSignals

TotalClasif

Date

So S ource

Journal

CylPres

KnowMod + CylPres

1974 COMPENDEX

MARINE ENGINEE RING - Computer Applications

OperPar

Threshold + OperPar

1975 NTIS

Vibr

OperPar + Vibr

Threshold + OperPar + Vibr

1976 NTIS

CrCaPres

OperPar OperPar InstVel +CrCaPres

Threshold + OperPar Threshold + OperPar StatMod + InstVel + CrCaPres

1976 COMPENDEX 1979 NTIS 1981 NTIS

National Bureau of Standards Washington D C ArmyForeign Science and TechnologyCenter Charlottesville SAE International Southwest Research Inst San Antonio Southwest Research Inst., San Antonio, TX.

ImagRec

AI + ImagRec

1983 NTIS

United Technologies Research Center, East Hartford

CylPres

Op erPar + CylPres

Kno wMo d+ Op erPar + CylPres

19 84 NTIS

Unit ed Techno ol gi gies Research Center, East Hart fo rd rd

OperPar

AI + OperPar

1984 N TIS

GeneralElectric Corporate Research and Development, Schenectady

OperPar + CylPres

KnowMod + OperPar + CylPres

1985 NTIS

Rutgers - The State Univ., New Brunswick, NJ. Dept. ofMechanical, Industrial and Aerospace Engineering ng

CylPres

Dobbs, G. M. [29]

Optical Di Diagnostics for Diesel En Engine Applications. Final Te Technical Report

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

1985 NTIS

United Technologies Research Center, East Hartford

Jones, A D [30]

The application of parallel processing to diesel engine modelling

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

1987 PROQUEST

Dominique, H. P. [31]

Filter Debris Analysis: A Concrete Approach to Wear Diagnosis

Threshold

Threshold

Oil

Oil

Threshold + Oil

1988 N TIS

D.G.Driscoll et al [[116]

Surveillance, monitoring, and diagnostic techniques to improve diesel generator reliability

Threshold

Threshold

OperPar

OperPar

Threshold + OperPar

1988 COMPENDEX

Mort, N [32]

Monitoring and control ooff a turbocharged marine diesel engine using small laboratory microcomputer systems

Threshold

Threshold

OperPar

OperPar

Threshold + OperPar

1989 IEEE XPLORE

Yu, T. L. [33]

Implementation Issue on Failure Detection and Isolation in Electronically Controlled Engines

AI

AI

OperPar

OperPar

AI + OperPar

1990 NTIS

ProQuest Dissertations and Thesis Defence Research Establishment Pacific, Victoria (British Columbia) Electric Power Research Institute (Report) Use ofPersonal Computer Systems for Plaant nt Monitoring and Control, IEE Colloquium Universityof Michigan Transportation ansportation Research Institute

Le Bouteiller, I. [34]

Study and development of a running diesel engine trouble diagnostic system from cylinder pressure analysis

KnowMod

KnowMod

CylPres

KnowMod

KnowMod

OperPar

CylPres

KnowMod + CylPres

1990 NTIS

OperPar + CylPres

KnowMod + OperPar + CylPres

1991 NTIS

OperPar

AI + OperPar

1991 IEEE XPLORE

OperPar + CylPres

KnowMod + OperPar + CylPres

1992 COMPENDEX

OperPar

AI + OperPar

1992 N TIS

OperPar + CylPres ImagRec

KnowMod + OperPar + CylPres AI + ImagRec

1993 PROQUEST 1993 NTIS

ImagRec

AI + ImagRec

1994 N TIS

CEA Centre d Etudes Nucleaires de Cadarache, SaintPaul-les-Durance (France) Krupp MaK Maschinenbau G.m.b.H., Kiel(Germany, F.R.). American Control Conference

Frank, P.M. [36]

Borderprobung eines Diagnose- und Trendsystems fuer Viertakt-Schiffsdieselmotoren. (On-board testing of a trend and diagnosis systemfor four-stroke ... Model Based Fault Detection in Diesel-Hydraulically Driven Industrial Trucks

AI

AI

OperPar

Feola, M. [37]

Optimization of injection law for direct injection diesel engine

KnowMod

KnowMod

OperPar

Logan, K. P. [38]

Expert System for Diesel Engine Maintenance. Volume 1. Final Report

AI

AI

OperPar

Zheng, Ming [39] Dec, J. E. [40]

Thermodynamic modelling and experimental iinnvestigation of a synthetic atmosphere diesel en engine system Soot and liquid-phase fuel distributions in a newly designed optically accessible D.I. diesel engine

KnowMod AI

KnowMod AI

OperPar ImagRec

Law, C. K. [41]

United States Army Research Office Engine Workshop (11th), 14-15 March 1994

AI

AI

ImagRec

Brezonick, Mike [42] Rutland, C.J. [43] Shiao, Yaojung [44]

New condition monitoring system for diesel engines Diesel engine model development and experiments Nonlinear dynamic engine modeling and model-based engine diagnostics

StatMod KnowMod KnowMod

StatMod KnowMod KnowMod + AI

Vibr OperPar OperPar

CylPres CylPres

Vibr OperPar + CylPres OperPar + CylPres

StatMod + Vibr KnowMod + OperPar + CylPres KnowMod + AI + OperPar + CylPres

1994 COMPENDEX 1995 COMPENDEX 1995 PROQUEST

Rhee, K. T. [45]

High-Speed Four-Color Infrared Digital Imaging for Study In-Cylinder Processes in a DI Diesel Engine

AI

AI

CylPres

ImagRec

CylPres + ImagRec

AI + CylPres + ImagRec

1995 NTIS

C.D. Rakopoulos, E. G. Giakoumis [46]

Develo pment o fc fcumulat ive and availabilit yyrrat e balances in a mult i-cylinder tu rbo charged indirect inject io ndiesel en eng ni e

Kno wM wMod

Kno wMo d

OperPar

CylPres

Op erPar + CylPres

Kno wMo d+ Op erPar + CylPres

19 95 SCIENCE DIRECT

OperPar

AI + OperPar

1995 GOOGLE SCHOLAR

Control Engineering Practice

OperPar + CylPres + Vibr

StatMod + OperPar + CylPres + Vibr

1996 NTIS

Naval Po Postgraduate School, Monterey American Society of MechanicalEngineers, Internal Combustion Engine Division TriboTest SAE International Advancer in Engineering Sojhvare ProQuest Dissertations and Thesis Control Applications Applied Thermal En Engineering

Siebert, W. [35]

AI

CylPres

CylPres

CylPres

Journal of Engineering for Gas Turbines and Power   American President Lines, Inc., Oakland, CA.;MACSEA Ltd., Stonington, CT. ProQuest Dissertations and Thesis Sandia National Labs., Livermore Princeton Univ., NJ. Dept. ofMechanicaland Aerospace Engineering Diesel progress engines & drives SAE International ProQuest Dissertations and Thesis Rutgers - The State Univ., Piscataway, NJ. Coll. of  Engineering Energ yC yCo nversio nManagement

R.A. Vingerhoeds  [47] Bell, J. E. [48]

Enhancing off-line and on-line condition monitoring and fault diagnosis

AI

AI

OperPar

Assessment of D Diiesel E Enngine Condition Using Time Resolved Measurements and Signal P Prrocessing

StatMod

StatMod

OperPar

CylPres

Liu, Hengqing [49]

Simulation of a single cylinder diesel engine under cold start conditions using Simulink

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

1997 COMPENDEX

Kouremenos, D.A. [50] Brunt, M. and Pond, C. [51] Hountalas, D.T. [52] Yacoub, Yasser [53] Chengyu Gan [54] Hountalas, D.T. [55] M.Lapu erta, O. Armas, J.J. Hernández [56] Larsen, M. [57]

Diagnosis and condition monitoring of medium-speed marine diesel engines Evaluation of Techniques for Absolute Cylinder Pressure Correction Development of a fast and simple simulation model for the fuel injection system of diesel engines Mean value modeling and control ooff a diesel engine using neural nneetworks Fault diagnosis of the IFAC Benchmark Problem with a model-based recurrent neural network Development and application of a fully au automatic troubleshooting method for large marine diesel en engines

KnowMod KnowMod KnowMod KnowMod AI KnowMod

KnowMod KnowMod KnowMod KnowMod + AI AI KnowMod

OperPar OperPar Iny OperPar OperPar OperPar

CylPres CylPres

OperPar + CylPres OperPar + CylPres Iny OperPar + CylPres OperPar OperPar + CylPres

KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + Iny KnowMod + AI + OperPar + CylPres AI + OperPar KnowMod + OperPar + CylPres

1997 1997 1998 1999 1999 1999

Diagno sisis of D DII Diesel ccoo mbu st ion fro mi min-cylinder pressure signal bbyy es estimatio no ffm mean thermo dynamic p ro rop ert ies o ft fthe g as

Kno wM wMod

Kno wMo d

OperPar

CylPres

Indirect passivation design for a diesel engine model Study ofTro uble Diagnosis ofMulti-Cylinder DieselEngine In-Cylinder Processes byvibration Signals -Analysis ofthe Parameter Fluctuation Between ...

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2000 IEEE XPLORE

Control Applications

AI

AI

Vibr

Vibr

AI + Vibr

2000

ProQuest Dissertations and Thesis

Jones, N.B. [59]

Aspects of diagnostic schemes for biomedical and engineering systems [E MG, ECG, and diesel engine application

StatMod

StatMod

OperPar

OperPar

StatMod + OperPar

2000 IEEE XPLORE

Przytula, K.W. [60]

Construction of Bayesian networks for diagnostics AI The condition monitoring ofdiesel engines using acoustic measurements part 1: Acoustic characteristics ofthe engine and representation StatMod ofthe ...

AI

OperPar

OperPar

AI + OperPar

2000 I EEE XPLORE

Science, Measurement and Technology, IEE Proceedings Aerospace Conference Proceedings SAE International

Ma, Ming Kai[58 ]

Gu, F. [61]

AI

Vibr

CylPres CylPres

StatMod

CylPres

Peng Chen [62]

Failure diagnosis method for machinery in unsteady operating condition by instantaneous power spectrum and genetic programming

AI

AI

Vibr

H. B BA ARTHS [63] D.T.Hountalas [64] M.Lapu erta, O. Armas, V. Bermúdez [65] G.Bidini, C.N. Grimaldi, F. Mariani [66] Wang, S S [67]

Simulation of ccoombustion in direct injection diesel eenngines using a eulerian particle flamelet model Prediction of marine diesel engine performance under fault conditions

KnowMod KnowMod

KnowMod KnowMod

OperPar OperPar

CylPres CylPres CylPres

Op erPar + CylPres

Noise

Kno wMo d+ Op erPar + CylPres

COMPENDEX COMPENDEX COMPENDEX PROQUEST IEEE XPLORE COMPENDEX

19 99 SCIENCE DIRECT

PR PROQUEST

Ap plied Thermal En Eng ni eering

CylPres + Noise

StatMod + CylPres + Noise

2000 COMPENDEX

Vibr

AI + Vibr

2000 IEEE XPLORE

OperPar + CylPres OperPar + CylPres

KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres

2000 GOOGLE SCHOLAR 2000 GOOGLE SCHOLAR

Knowledge-Based Intelligent Engineering Systems and Allied Technologies Proceedings of th the Combustion Institute Applied Thermal En Engineering

Sensitivity ooff ddiiesel eenngine thermodynamic cycle calculation to measurement errors and estimated parameters

KnowMod

KnowMod

OperPar

OperPar + CylPres

KnowMod + OperPar + CylPres

2000 SCIENCE DIRECT

Applied Thermal E Enngineering

Experimental analysis ooff the aacctual behaviour ooff a nnaatural gas fu fueled en engine Ca Caterpillar ((C CAT)-3516

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2000 SCIENCE D DIIRECT

Applied Th Thermal Engineering

A physical model for the engine oil condition sensor

KnowMod

KnowMod

Oil

Oil

KnowMod + Oil

2001 M ETADEX

Tribology T ransactions (USA)

Zweiri, Y.H. [68]

Detailed analytical m moodel ooff a single-cylinder diesel en engine in the crank angle domain

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2001 COMPENDEX

Banks, J. [69]

Failure Modes and Predictive Diagnostics Considerations for Diesel Engines

StatMod

StatMod

OperPar

CylPres

OperPar + CylPres + Vibr

StatMod + OperPar + CylPres + Vibr

2001 NTIS

Vibr

ChinmayR Parikh [70]

Applicatiion on of Dempster–Shafeerr theory in condition monitorinngg applications: acase study

AI

AI

OperPar

OperPar

AI + OperPar

2001 SC S CIENCE DIRECT

Li, Y. [71]

Applying MLP and RBF classifiers in embedded condition monitoring and fault diagnosis systems

AI

AI

OperPar

OperPar

AI + OperPar

2001 SCOPUS

Pu, Jun Li [7 [72] Xiaojian Yang [73] Huang, Liang Jia [74] Xia, Sheng Ting [75] Wang, Hua Zhi [[776] Deur, Jo [77] Schulten, P.J.M. [78] Zhang, Jun [79] Jin, Biao Hua [80]

The research on condition monitoring and fault diagnosis for internal combustion engine by instantaneous speed A mixed mean-value and crank-based model ooff a dual-stage turbocharged SI engine for Hardware-In-the-Loop simulation Research on fault diagnosis for low-speed marine diesel engine and its applications using RBF neural network Several Fault Diagnosis Methods of Diesel Valve Research on mechanism of diesel eenngine's exhaust valve leaking fault and development of software about fault diagnosis Analysis of mean value engine model with emphasis on intake manifold thermal effects Mean value modelling of tthhe gas exchange of a 4-stroke diesel eenngine for use in powertrain applications A Study of Diesel Engine Fault Diagnosis Based On Neural Network The development of fault-diagnosis apparatus of lobomotive diesel eenngine based onthe instantaneous speed theory

StatMod KnowMod AI AI StatMod KnowMod KnowMod AI StatMod

StatMod KnowMod AI AI StatMod KnowMod KnowMod AI StatMod

InstVel OperPar Vibr Vibr Vibr OperPar OperPar OperPar InstVel

InstVel OperPar + CylPres Vibr Vibr Vibr OperPar + CylPres OperPar + CylPres OperPar InstVel

StatMod + InstVel KnowMod + OperPar + CylPres AI + Vibr AI + Vibr StatMod + Vibr KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres AI + OperPar StatMod + InstVel

2002 2002 2002 2002 2002 2003 2003 2003 2003

CylPres

CylPres CylPres

PROQUEST IEEE XPLORE PROQUEST P PR ROQUEST PROQUEST COMPENDEX COMPENDEX PROQUEST PROQUEST

Proceedings of th the Institution of M Meechanical E Enngineers Pennsylvania State Univ., State College. Applied Research Lab. Pattern Recognition Letters Transactions ofthe Institute ofMeasurement and Control ProQuest Dissertations and Thesis - Asia American Control Co Conference ProQuest Dissertations and Thesis ProQuest Dissertations and Thesis ProQuest Dissertations and Thesis IEEE Conference on Control Applications SAE International ProQuest Dissertations and Thesis ProQuest Dissertations and Thesis

 79

 

Tabla 3.6. Bibliografíacompleta diagnosisequiposclasificados

CAPÍTULO 3:Estado delarte dediagnosis enmotores diesel

Huang, Qiang [81]

Study on Application of Neural Networks to Fault Diagnosis and Control for Diesel Engine

AI

AI

Vibr

Vibr

AI + Vibr

2003 PROQUEST

Parikh, Chinmay R. [5]

Improving the performance of CMFD applications using multiple classifiers and a fusion framework

AI

AI

OperPar

OperPar

AI + OperPar

2003 COMPENDEX

Magı ́n Lapuerta, Octavio Armas, Santiago Molina [82]

Study ooff the co compression cy cycle ooff a reciprocating en engine tthhrough th the ppoolytropic co coefficient

KnowMod

KnowMod

OperPar

OperPar + CylPres

KnowMod + OperPar + CylPres

2003 SCIENCE D DIIRECT

CylPres

ProQuest Dissertations and Thesis Transactions ofthe Institute ofMeasurement and Control Applied Th Thermal E Enngineering PATENTE. Ir ruta para ver artículo: http://www.google.ie/patents/US20040040283?utm_s ource=gb-gplus-sharePatent ProQuest Dissertations and Thesis Industrial Technology Energy Co Conversion and Management Machine Learning and Cybernetics Journal of of Ch Chinese IInnstitute ooff Te Technology Intelligent Control and Automation World Congress Machine Learning and Cybernetics Proceedings ofthe IASTED International Conference on Applied Simulation and Modelling Aerospace Conference Sensors SAE International Proceedings ofthe Institute of Marine Engineering, Science and Technology

Yasui, Yu Yuji [8 [83]

Air fu fuel ra ratio co controller ffoor internal ccoombustion eenngine ffoor ststopping ccaalculation ooff mo model pa parameters w whhen en engine isis in lean op operation

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2004 METADEX

Kim, Chung-Gong [84] Ayadi, M. [85] Rakopoulos, C.D. [86] Yu-Long Zhan [87] Li, Chang-Wen [8 [88] Yong He [89] Gen-Ting Yan [90]

A crank angle resolved CIDI engine combustion model w wiith arbitrary fu fuel iinnjection for control ppuurpose Polynomial control of nonlinear turbocharged diesel engine model Validation and sensitivity aannalysis of a two zone Diesel eenngine model ffoor combustion and emissions prediction A simulation model for the main engine of the modern container ship Modeling an and sisimulation of of ddiiesel eenngine uunnder sstteady ststate conditions based on on Ma Matlab/Simulink an and RT RTW Diesel fuel injection system faults diagnosis based on fuzzy injection pressure pattern recognition Fault diagnosis of diesel engine combustion system based on neural networks

KnowMod KnowMod KnowMod KnowMod KnowMod AI AI

KnowMod KnowMod KnowMod KnowMod KnowMod AI AI

OperPar OperPar OperPar OperPar OperPar Iny Iny

CylPres CylPres CylPres CylPres CylPres

OperPar + CylPres OperPar + CylPres OperPar + CylPres OperPar + CylPres OperPar + CylPres Iny Iny

KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres AI + Iny AI + Iny

2004 2004 2004 2004 2004 2004 2004

Kluj, Stefan [91]

The application of the diesel engine simulator for the diagnostic training

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2004 COMPENDEX

Murphy, B.J. [92] Scherer, M. [93] Asay, Richard J. [94]

Diagnostic fault de detection for internal combustion engines via norm based map pprrojections Fluid condition monitoring sensors for diesel engine control Condition based monitoring for industrial engines

KnowMod Threshold KnowMod

KnowMod Threshold KnowMod

OperPar Oil OperPar

OperPar +CylPres Oil OperPar + CylPres

KnowMod + OperPar +CylPres Threshold + Oil KnowMod + OperPar + CylPres

2004 IEEE XPLORE 2004 I EEE XPLORE 2004 COMPENDEX

Mesbahi, Ehsan [95]

Diesel engine fault diagnosis by means of ANNs: A comparison of two methods

AI

AI

OperPar

OperPar

AI + OperPar

2004 COMPENDEX

Hountalas, D.T. [96]

A diagnostic method for heavy-duty ddiiesel en engines used in stationary aappplications

KnowMod

KnowMod

OperPar

OperPar + CylPres

KnowMod + OperPar + CylPres

2004 COMPENDEX

Journal of of E Enngineering for Gas Turbines and Power  

J.M. J. Benajes, S. Molina, The modification of the fuel injection rate in heavy-duty di diesel engines: Part 2: Effects on combustion C.A. Desantes, González [97]

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2004 SCIENCE DIRECT

Applied Thermal En Engineering

Ceausu, Radu [98]

A generic, transient model ooff a turbocharged, multi-cylinder, common-rail ddiiesel eenngine

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2005 COMPENDEX

Brahma, Indranil [99] Chung, Namhoon [100] Lee, Byungho [101] Zang, Quan Gang [102] Ren Yunpeng [103] Labs, J.E. [104] Logan, Kevin P. [6] Murphy, B.J. [105] Canova, M. [106]

Data driven system level modeling for diesel engines Nonlinear dynamic model of a turbocharged diesel engine Methodology fo for rapid static and dynamic model-based engine calibration and optimization Research on Fault Diagnosis of Diesel E ngine by Curve Fits Based on the Vibration Signals Approach to diesel engine fault diagnosis based on crankshaft angular acceleration measurement and its realization A constant volume diesel spray combustion facility and the corresponding experimental diagnostics Operational experience with intelligent software agents for shipboard diesel aannd gas turbine engine health monitoring Diagnostic fault detection & intelligent reconfiguration of fuel delivery systems A control-oriented model of combustion process in a HCCI diesel engine

KnowMod KnowMod KnowMod StatMod StatMod AI AI Threshold KnowMod

KnowMod + AI KnowMod KnowMod StatMod StatMod AI AI Threshold KnowMod

OperPar OperPar OperPar Vibr InstVel ImagRec OperPar OperPar OperPar

CylPres CylPres CylPres

OperPar + CylPres OperPar + CylPres OperPar + CylPres Vibr InstVel ImagRec OperPar OperPar OperPar + CylPres

KnowMod + AI + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres StatMod + Vibr StatMod + InstVel AI + ImagRec AI + OperPar Threshold + OperPar KnowMod + OperPar + CylPres

2005 2005 2005 2005 2005 2005 2005 2005 2005

Antory, A. [107]

Fault diagnosis application in an automotive diesel engine using auto-associative neural networks

AI

AI

OperPar

OperPar

AI + OperPar

2005 IEEE XPLORE

Schmitigal, Joel [108]

Evaluation of sensors for on-board diesel oil condition monitoring of U.S. Army ground equipment

Threshold

Threshold

Oil

Oil

Threshold + Oil

2005 COMPENDEX

Antory, D. [[1109]

Fault di diagnosis in internal combustion engines using non-linear multivariate ststatistics

StatMod

StatMod

OperPar

OperPar

StatMod + OperPar

2005 COMPENDEX

Proceedings of the Institution of of Mechanical Engineer  

Mark A. Schwabacher [110] F.Payri [1 [111] H Li an and P Zhou [112] Isermann R [113]

A Survey of Data-Driven Prognostics Influence of measurement errors and estimated parameters on combustion diagnosis Pattern Recognition On Diesel En Engine Working Condition by using a Novel M Meethodology Hi Hilbert Spectrum E Enntropy Model-based fault-detection and diagnosis - status and applications

KnowMod KnowMod StatMod KnowMod

KnowMod + AI KnowMod StatMod KnowMod + AI

OperPar OperPar Vibr OperPar

OperPar OperPar + CylPres Vibr OperPar

KnowMod + AI + OperPar KnowMod + OperPar + CylPres StatMod + Vibr KnowMod + AI + OperPar

2005 2005 2005 2005

NASA Applied Thermal En Engineering Journal of of Marine Engineering and Technology Annual Re Reviews in Control

L. Barelli, G. Bidini [1 [114]

Design of the measurements validation procedure and the expert system architecture for a cogeneration internal co combustion engine

AI

AI

OperPar

OperPar

AI + OperPar

2005 SCIENCE DIRECT

Applied Thermal E Enngineering

Chen P, TaniguchiM, Toyota T, He ZJ. [115]

Fault diagnosis method for machinery in unsteady oopperating condition by instantaneous power spectrum and genetic programming

AI

AI

Vibr

Vibr

AI + Vibr

2005 SCIENCE DIRECT

Mechanical Sy Systems and Signal Pr Processing

Desai, Mihir C [116]

Adaptive aero-thermodynamic engine model

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2006 METADEX

Jayasinghe, Dave [117] Li, Ying [[1118] Curry, T.D. [119] Luo, Jianhui [120] Jiang, Dan-Na [121] Yulong Zhan [122] Yanqing Shen [123] Lapuerta, Magín [124] Gasparjan, A. [125] Singh, Satbir [126] Chunhua Zhao [127] Arrègle, J. [128] Mauviot, G. [129] Yang, Wen-Xian [130]

Effects of duty cycles on diesel engine component life estimation Application of pphhenomenological ccoombustion model ffoor working pprrocess simulation of LD LD485 diesel en engine Application of robust l1 fault detection and isolation to an industrial benchmark using a genetic algorithm Intelligent diagnostic design process for vehicle health management Research on improving the real-time performance of tthhe diesel eenngine model uussing the method of cy cylinder moving Modeling the Stable Working Condition of Modern Container Ships Main Engines Fault Diagnosis of Diesel Fuel Ejection System Based on Improved WNN Effect of th the gas state equation on the thermodynamic diagnostic of di diesel co combustion The use ooff results of of spectral analysis of synchronous generator output vo voltage for technical diagnostics. Experimental in investigation of mu multi-mode diesel eenngine combustion and validation of ad advanced combustion models Research on Multi-agent System M Moodel of of D Diiesel En Engine Fault Diagnosis by Ca Case-Based Reasoning Development of a mixing and combustion zero-dimensional model for diesel engines A new 0D approach for diesel ccoombustion modeling coupling probability de density ffuunction with complex chemistry Establishment of the mathematical model for diagnosing the engine valve faults by genetic programming

StatMod KnowMod AI AI KnowMod KnowMod AI KnowMod StatMod KnowMod StatMod KnowMod KnowMod AI

StatMod KnowMod AI AI KnowMod KnowMod AI KnowMod StatMod KnowMod StatMod KnowMod KnowMod AI

OperPar OperPar OperPar OperPar OperPar OperPar OperPar OperPar AltPar OperPar OperPar OperPar OperPar Vibr

CylPres CylPres

OperPar + CylPres OperPar +CylPres OperPar OperPar OperPar + CylPres OperPar + CylPres OperPar OperPar + CylPres AltPar OperPar + CylPres OperPar + Oil OperPar + CylPres OperPar + CylPres Vibr

StatMod + OperPar + CylPres KnowMod + OperPar +CylPres AI + OperPar AI + OperPar KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres AI + OperPar KnowMod + OperPar + CylPres StatMod + AltPar KnowMod + OperPar + CylPres StatMod + OperPar + Oil KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres AI + Vibr

2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006

Shiyuan, Liu [131]

Detection of engine valve faults by vibration signals measured on the cylinder head

StatMod

StatMod

Vibr

Vibr

StatMod + Vibr

2006 COMPENDEX

Hountalas, D.T. [132] C.D. Rakopoulos [133] Andrew K.S. Jardine  [134]

Experimental in investigation to develop a methodology ffoor estimating the compression condition of D DII Diesel en engines Review of Th Thermodynamic Diesel En Engine Si Simulations under Transient O Opperating C Coonditions

KnowMod KnowMod

KnowMod KnowMod

OperPar OperPar

OperPar + CylPres OperPar +CylPres

KnowMod + OperPar + CylPres KnowMod + OperPar +CylPres

2006 COMPENDEX 2006 GOOGLE S SC CHOLAR

Energy Co Conversion and Management SAE IInnternational

A review on machinery diagnostics and prognostics implementing condition-based maintenance

AI

AI

OperPar

OperPar

AI + OperPar

2006 SCIENCE DIRECT

Mechanical Systems and Signal Processing

Christos Emmanouilidis  [135] Adnan Parlak [136]  Nabende Peter [137] Roger Johnsson [138] Pan, Feng [139] Ponti, Fabrizio [140] Tan, Yuyu [141] Winkler, Niklas [142] Schulze, Tino [143] Steigerwald, Kay [144] Payri, F. [145] Qi, Kun-Peng [146] Zhang, Jie [147] Pettiti, M. [148] Qunming Li [149] Joshi, Alok A. [150] Leferov, A.A. [151] Church, William E. [152] Fang, Tiegang [153]

AI

AI

AI

CylPres CylPres

CylPres

CylPres

CylPres

CylPres CylPres CylPres CylPres Oil CylPres CylPres

CylPres CylPres

PROQUEST IEEE XPLORE COMPENDEX IEEE XPLORE COMPENDEX IEEE XPLORE IEEE XPLORE

PROQUEST COMPENDEX PROQUEST PROQUEST IEEE XPLORE IEEE XPLORE IEEE XPLORE IEEE XPLORE IEEE XPLORE

GOOGLE SCHOLAR SCIENCE DIRECT GOOGLE SCHOLAR SCIENCE DIRECT

PROQUEST COMPENDEX IEEE XPLORE PROQUEST COMPENDEX IEEE XPLORE IEEE XPLORE COMPENDEX IEEE XPLORE PROQUEST IEEE XPLORE COMPENDEX COMPENDEX COMPENDEX

Proceedings ofthe Spring TechnicalConference ofthe ASME InternalCombustion Engine Division Dissertations and Theses (Base de datos) SAE International Google ProQuest Dissertations and Thesis Mechatronics and Automation Review of Scientific Instruments Electric Ship Technologies Symposium, 2005 IEEE Aerospace Conference American Control Conference Computational Intelligence for or Modelling, Control and Automation SAE International

PATENTE. Ir ruta para ver artículo: http://www.google.com/patents/US7058556 ProQuest Dissertations and Thesis Chinese In Internal Co Combustion E Enngine E Enngineering Computer Aided Control System Design ProQuest Dissertations and Thesis Chinese Internal Co Combustion Engine Engineering Industrial Technology Intelligent Control and Automation World Congress Applied Thermal E Enngineering Industrial Technology ProQuest Dissertations and Thesis Innovative Computing, Information and Control SAE International SAE International Journal of Sound and Vibration Proceedings of the Institution of Mechanical Engineers

Flexible software for condition monitoring, incorporating novelty detection and diagnostics

AI

AI

OperPar

Vibr

OperPar + Vibr

AI + OperPar + Vibr

2006 SCIENCE DIRECT

Computers in Industry

Applicatiion on ofartificialneural network to predict specific fuelconsumption and exhaust temperature for a Diesel engine An Expert Systemfor Diagnosing Heavy Duty DieselEngine Faults Cylinder pressure reconstruction based on complex radial ba basis function networks from vi vibration and speed signals Fault diagnosis expert system of power-indicator chart on diesel eenngine Common rail multi-jet diesel engine combustion model ddeevelopment for control ppuurposes Preliminary empirical and modeling analyses for model based diesel engine control Study ofmeasured and modelbased generated turbine performance maps within a 1Dmodel ofa heavy-duty dieselengine operated during transient … Crank angle - Based diesel eenngine modeling for hardware-in-the-loop applications with in-cylinder pressure sensors Development ofan intake flow based modelcalculating real time exhaust flow byaccounting for filling andemptying ofthe engine manifolds A simple model for predicting the trapped mass in a di diesel engine Study on on modeling of w woorking process of ddiiesel eenngine with hardware-in-the-loop simulation system A diesel en engine real ttiime NOx emission simulation syste m based on RTW and VxWorks Development of a new mean value model ffoor the analysis of turbolag phenomena in automotive diesel en engines Fuzzy Petri-Nets Based Fault Diagnosis for Mechanical - electric Equipment Strategies for data-based diesel engine fault diagnostics A technique and diagnostic aids of diesel engine fuel equipment in service conditions Design and implementation of an infrared diagnostic system to a high speed small bore diesel engine Low-temperature combustion in a small-bore

AI AI AI KnowMod KnowMod KnowMod

AI AI AI KnowMod + AI KnowMod KnowMod

OperPar

Oil

OperPar + Oil

Vibr OperPar OperPar OperPar

InstVel CylPres CylPres

Vibr + InstVel OperPar + CylPres OperPar + CylPres OperPar

AI + OperPar + Oil AI + AI + Vibr + InstVel KnowMod + AI + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + OperPar

2006 2006 2006 2007 2007 2007

Applied Thermal Engineering Facultyo fComputing and IT, Makerere University Mechanical Sy Systems and Signal Pr Processing ProQuest Dissertations and Thesis - Asia SAE International ProQuest Dissertations and Thesis

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2007 COMPENDEX

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2007 COMPENDEX

SAE International

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2007 C OMPENDEX

SAE International

KnowMod KnowMod KnowMod + AI KnowMod AI AI Threshold AI

OperPar OperPar OperPar OperPar OperPar OperPar Vibr ImagRec

OperPar + CylPres OperPar + CylPres OperPar + CylPres OperPar + CylPres OperPar OperPar Vibr ImagRec

KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + AI + OperPar + CylPres KnowMod + OperPar + CylPres AI + OperPar AI + OperPar Threshold + Vibr AI + ImagRec

2007 2007 2007 2007 2007 2007 2007 2007

SAE International Chinese Internal Co Combustion Engine Engineering SAE International SAE International Control and Automation ProQuest Dissertations and Thesis Russian Aeronautics ProQuest Dissertations and Thesis

KnowMod KnowMod KnowMod KnowMod AI AI Threshold AI

AI

AI

CylPres CylPres CylPres CylPres

SCIENCE DIRECT GOOGLE SCHOLAR SCIENCE DIRECT PROQUEST COMPENDEX PROQUEST

COMPENDEX COMPENDEX COMPENDEX SCOPUS IEEE XPLORE PROQUEST COMPENDEX PROQUEST

SAE International

M

M M

M

M

M

W

M M

M M

m

W W W

M M

m M

m

m

m

M

M

W M

M

m

M

M

M

M M

M M

M M

M

M

M

M

M M

M M

M M

M M

M M

M M

M M

M

M

M

M

W M

M M M

W M

W

W

M

M

M

Gomes, Cleber Willian [174] Yanping Cai [175] Clever, Sebastian [176] Mohammadpour, J. [177] Wentao Huang [178]

Off Board diagnosis using analytical system for Diesel powered vehicles Application of Image Recognition Technology based on Fractal Dimension for Diesel E Enngine Fault Diagnosis Model-based fault detection and diagnosis with special input excitation applied to a modern diesel en engine Real-time diagnostics in the EGR system of diesel engines

AI AI Threshold KnowMod

A discernibility ma matrix primitive based rule extraction method for wear pattern recognition of di diesel en engine from incomplete data

StatMod

StatMod

Development ofa co upling approach between 0D D.I. dieselcombustion and pollutant models: Application to a transient engine KnowMod evolution A modelof turbocharger radialt urbines appropriate to be used in zeroo- and one-dimensionalgas dynamics codes for internalcombustion KnowMod engines ...

Lafossas, F.-Alexandre [1] Serrano, J.R. [179] Ascanio, G.M. [1 [180] Semin, RosliAbu Bakar, Abdul RahimIsmail [181] O Benedettini [182] L. Barelli, G. Bidini, C. Buratti, R. Mariani[183] Hu, Yi [184] Rakopoulos, C.D. [185]  Nohra, Chady[186 ] Wang, Hai-Yan [187] Chengjun Shi [188] Janarthanan, B. [189] Subrahmanya, Niranjan [190] Ceccarelli, R. [191] Shui, A. [192] Wang, Zi-Ying [193]

AI AI Threshold KnowMod + StatMod

OperPar Vibr OperPar OperPar

ImagRec

OperPar Vibr + ImagRec OperPar OperPar

AI + OperPar AI + Vibr + ImagRec Threshold + OperPar KnowMod + StatMod + OperPar

2008 2008 2008 2008

COMPENDEX IEEE XPLORE COMPENDEX IEEE XPLORE

SAE International Young Computer Scientists IFAC Proceedings Volumes American Control Conference

StatMod

Oil

Oil

StatMod + Oil

2008 IEEE XPLORE

Intelligent Control aannd Automation World Congress

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2008 COMPENDEX

Oil and Gas Science and Technology

CylPres

KnowMod

OperPar

OperPar + CylPres

KnowMod + OperPar + CylPres

2008 COMPENDEX

Energy Conversion and Management

Turbocharged ddiiesel engine performance monitoring and ddiiagnosis using ssyystem identification techniques

StatMod

StatMod

OperPar

OperPar

StatMod + OperPar

2008 COMPENDEX

Proceedings ofthe IASTED International Conference on Modelling, Identification, and Control, MIC

Investigation of Diesel Engine Performance Based on Simulation

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2008 GOOGLE SCHOLAR

American Journal of Applied Sciences

State-of-the-art in integrated vehicle health management

AI

AI

OperPar

OperPar

AI + OperPar

2008 G OOGLE SCHOLAR

Proc. IMechE

Diagnosis of internal combustion engine through vibration and acoustic pressure non-intrusive measurements

AI

AI

Vibr

Vibr + Noise

AI + Vibr + Noise

2008 SCIENCE DIRECT

Applied Thermal Engineering

Research on the fault diagnosis technology of diesel engine based on the instantaneous speed Exhaust emissions estimation during transient turbocharged diesel eenngine operation using a two-zone combustion model

AI KnowMod

AI KnowMod

InstVel OperPar

InstVel OperPar

AI + InstVel KnowMod + OperPar

2009 METADEX 2009 COMPENDEX

Key Engineering Materials International Jo Journal of of V Veehicle Design

A linear approach with u-analysis controladaptation for a complete-model diesel-engine diagnosis Cylinder-by-cylinder mean performance value model ooff amarine diesel engine Simulation and Optimal Control of Diesel Engine Propulsion System Modeling of diesel engine and automatic transmission of a tracked vehicle Data-based process monitoring, fault detection and diagnostics Model-based adaptive observers for intake leakage detection in diesel engines Review of fault diagnosis in control systems The application of ensemble support vector machine to fault diagnosis of diesel engine based on AdaBoost algorithm

KnowMod KnowMod KnowMod KnowMod AI AI AI StatMod

KnowMod KnowMod KnowMod + AI KnowMod AI AI AI StatMod

OperPar OperPar OperPar OperPar OperPar OperPar OperPar OperPar

OperPar + CylPres OperPar + CylPres OperPar OperPar OperPar OperPar OperPar OperPar

KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + AI + OperPar KnowMod + OperPar AI + OperPar AI + OperPar AI + OperPar StatMod + OperPar

2009 2009 2009 2009 2009 2009 2009 2009

Chinese Control and Decision Conference, CCDC Journal of of Harbin Engineering University Computer Science and Information Engineering SAE International ProQuest Dissertations and Thesis Proceedings of the American Control Conference Chinese Control and Decision Conference China Ordnance Society

AI

Noise

CylPres CylPres

COMPENDEX COMPENDEX IEEE XPLORE COMPENDEX PROQUEST SCOPUS S SC COPUS COMPENDEX

Jia-shan Huang [194]

Fault Diagnosis for Diesel E ngines Based on Discrete Hidden Markov Model

AI

AI

OperPar

OperPar

AI + OperPar

2009 IEEE XPLORE

Intelligent Computation Technology and Automation

Yanjun Pang [13] Zhang Xu [195] Yu-long Zhan [196] Chandrachud, Neha R. [197] Wang, Junxi [198] Phan, Anthony [199] Asad, Usman [200] Hu Mingjiang [201] Singh, Inderpal [202]

Unascertained Measure Model on Fault Diagnosis of Diesel E ngine Turbocharging System Fault Diagnosis of Marine Diesel Engine by Means of Immune-Rough Sets and RBF Neural Network Research on delamination fault diagnosis of marine diesel engine based on Support Vector Machine Classification of the health of diesel engines using sparse linear discriminant analysis An intelligent diagnostic tool for electronically controlled diesel engine Development of a rate of injection bench and constant volume combustion chamber for diesel spray diagnostics Advanced diagnostics, control and testing of diesel low temperature combustion On-Line Sensor Diagnosis of the Diesel Engine Cold Starting Based on RBFNN Parametric analysis of combustion and engine-out emissions in a single cylinder HSDI diesel engine

AI AI AI AI KnowMod AI KnowMod AI KnowMod

AI AI AI AI KnowMod AI KnowMod AI KnowMod

OperPar OperPar OperPar OperPar OperPar ImagRec OperPar OperPar OperPar

OperPar OperPar OperPar OperPar OperPar ImagRec OperPar OperPar OperPar

AI + OperPar AI + OperPar AI + OperPar AI + OperPar KnowMod + OperPar AI + ImagRec KnowMod + OperPar AI + OperPar KnowMod + OperPar

2009 2009 2009 2009 2009 2009 2009 2009 2009

Intelligent Information Technology Application Information and Computing Science Industrial Electronics ProQuest Dissertations and Thesis Mechatronics ProQuest Dissertations and Thesis ProQuest Dissertations and Thesis Testing and Diagnosis ProQuest Dissertations and Thesis

Lamaris, V.T. [2 03 ]

Po ssibility t od etermine d iesel eenngine cond it io nand t uning fro mt mt he ap plicat io no ffaa d iagno stst ic t echniqu e at a sing el o perat ing p oint

Kno wM wMod

Kno wMo d

OperPar

CylPres

Op erPar + CylPres

Kno wMo d+ Op erPar + CylPres

20 09 COMPENDEX

SAE Int ernat oi nal

Wang Jun [204] Dulbecco, A. [205]

Data Acquisition of Cylinder Combustion Pressure Orie nted to Diesel Engine Control KnowMod A new 0D diesel H HC CCI combustion model ddeerived from a 3D CFD approach with detailed tabulated chemistry KnowMod A 0d phenomenologicalap proach to modeldiesel hccico mbustion with multi-injection strategies using probabilitydensity functions and KnowMod detailed ... Detecting the crankshaft torsional vibration of diesel engines for combustion related diagnosis KnowMod

KnowMod KnowMod

CylPres OperPar

CylPres

CylPres OperPar + CylPres

KnowMod + CylPres KnowMod + OperPar + CylPres

2009 IEEE XPLORE 2009 COMPENDEX

Testing and Diagnosis Oil an and Gas Science and Technology

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2009 COMPENDEX

SAE International

KnowMod

InstVel

InstVel

KnowMod + InstVel

2009 COMPENDEX 2009 GOOGLE SCHOLAR  

Journal of Sound and Vibration 18th IEEE InternationalConference on Control Applications

Dulbecco, Alessio [206] C.R.Parikh et al [207] Bilal Y Yooussef [2 [208] Andre Valente Bueno, José Antonio Velásquez, Luiz Fernando Milanez [12] D. Watzenig, M. S. So mmer, G. Steiner [209] Roscoe, A.J. [210] Qi, Kun-Peng [211]

IEEE XPLORE IEEE XPLORE IEEE XPLORE PROQUEST COMPENDEX PROQUEST PROQUEST IEEE XPLORE PROQUEST

Individual C Cyylinder IMEP Estimation Based on Two-Dimensional Gr Graphical S Siignature Using Crankshaft Angular Velocity M Meeasurements Kn K nowMod

KnowMod

InstVel

InstVel

KnowMod + InstVel

 A new engine indicating measurement procedure for combustion heat release analysis

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2009 SCIENCE DIRECT

Applied Thermal E Enngineering

Engine state monitoring and fault diagnosis of large marine diesel engines

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2009 SPRINGER

e & i El Elektrotechnik und Informationstechnik   Power Electronics, Machines and Drives (PEMD) Journal of of Central So South University of of Te Technology

Integration of a mean-torque diesel en engine model into a hardware-in-the-loop shipboard network simulation Simulation of quasi-dimensional model ffoor diesel eenngine working process

KnowMod KnowMod

KnowMod KnowMod

OperPar OperPar

CylPres

OperPar OperPar + CylPres

KnowMod + OperPar KnowMod + OperPar + CylPres

2010 IEEE XPLORE 2010 COMPENDEX

Sardar, JJaasbir S Siing h[21 2]

Three-dimensio nal ssiimulat oi nanalysis of of a ddiiesel eenng ine uussing m moo ving ddyynamic m meesh w wiith di different ttuurbulence aannd co combust io nmo dels

Kno wM wMod

Kno wMo d

OperPar

CylPres

Op erPar + CylPres

Kno wMo d+ O Opp erPar + CylPres

20 10 PROQUEST

Zhou Jiadong [213]

Hardware-in-the-Loop Testing of Electronically-Controlled Common-Rail Systems for Marine Diesel Engine

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2010 IEEE XPLORE

Yong Chang [214] Duan Wei-Wu [215] Chuang Zhang [216] Yong Chang [217] Mohammadpour, Javad [218]

Vibration diagnosis study about the marine diesel engine based on BSS A fault diagnosis method for diesel engine based on Adaptive Network-based Fuzzy Inference System Fault diagnosis for diesel engine based on immune wavelet neural network Monitoring and fault diagnosis system for the diesel engine based on instantaneous speed Real-time diagnosis of tthhe exhaust recirculation in Diesel eenngines using least-squares parameter estimation

AI AI AI StatMod KnowMod

AI AI AI StatMod KnowMod + AI

Vibr Vibr Vibr InstVel OperPar

Vibr Vibr Vibr InstVel OperPar

AI + Vibr AI + Vibr AI + Vibr StatMod + InstVel KnowMod + AI + OperPar

2010 2010 2010 2010 2010

Bo Liu [219]

An Expert System for Fault Diagnosis in Diesel Engine Based on Wavelet Packet Analysis and Hybrid PSO-DV Based Neural Network

AI

AI

OperPar

OperPar

AI + OperPar

2010 IEEE XPLORE

AI

IEEE XPLORE IEEE XPLORE IEEE XPLORE IEEE XPLORE COMPENDEX

Pro Qu est Di Dissertat ions aannd T Thhesis Intelligent Computation Technologyand Automation (ICICTA) Signal Processing Systems (ICSPS) Control Conference (CCC) Advanced Computer Control (ICACC) Computer and Automation Engineering (ICCAE) Journal of of Dy Dynamic Systems Intelligent Computing and Cognitive Informatics (ICICCI)

  81

 

Tabla 3.6. Bibliografíacompleta diagnosisequiposclasificados

CAPÍTULO 3:Estado delarte dediagnosis enmotores diesel

Thiagarajan, Manoharan [224]

Real-time implementation of a sensor validation scheme for a heavy-duty diesel engine

AI

AI

OperPar

OperPar

AI + OperPar

2010 PROQUEST

Liu Yong [225]

Measurement and diagnostic system for crankshaft of diesel engine

Threshold

Threshold

InstVel

InstVel

Threshold + InstVel

2010 IEEE XPLORE

Zhang Shigang [226]

Diagnostic Bayesian Networks auto-construction and diagnostic strategy design based on multi-signal model A generalpurpose diagnostic technique for marine dieselengines - Application on the mainpropulsion and auxiliarydiesel units ofa marine vessel

AI

AI

OperPar

OperPar

AI + OperPar

2010 IEEE XPLORE

2nd InternationalCo nference on Information Science and Engineering, ICISE The 2nd InternationalConference on Computer and Automation Engineering, ICCAE Intelligent Control and Automation World Congress Proceedings - 2nd IEEE InternationalConference on Advanced Computer Control, ICACC ProQuest Dissertations and Thesis Computer Application and SystemModeling (ICCASM) Prognostics and Health Management Conference

KnowMod

KnowMod

OperPar

OperPar + CylPres

KnowMod + OperPar + CylPres

2010 COMPENDEX

Energy Conversion and Management

Lamaris, V.T. [228]

Validation of a diagnostic method for estimating the compression condition of direct injection diesel engines

KnowMod

KnowMod

CylPres

CylPres

KnowMod + CylPres

2010 COMPENDEX

Li, T ao [229] Tse, P.W. [2] Wei Haijun [230]

Fault diagnosis for valve train of diesel engine based on bispectrum estimation via non-gaussian AR model Automatic generator health assessment system that embedded with advanced fault diagnosis and expert system Research of Marine Diesel Engine Condition Detecting Base on BP Neural Network and Spectrometric Analysis

StatMod AI AI

StatMod AI AI

Vibr InstVel Oil

Vibr InstVel Oil

StatMod + Vibr AI + InstVel AI + Oil

2010 COMPENDEX 2010 IEEE XPLORE 2010 IEEE XPLORE

Albarbar, A. [231]

Diesel engine fuel injection monitoring using acoustic measurements and independent component analysis

StatMod

StatMod

Noise

Noise

StatMod + Noise

2010 COMPENDEX

Tao Liu [232]

Application of Factor Analysis to a Type Diesel Engine SOA

AI

AI

Oil

Oil

AI + Oil

2010

Bordet, Nicolas [233]

A physical0D combustion modelusing tabulated chemistrywith presumed probabilitydensity function approach for multi-injection dieselengines

KnowMod

KnowMod

OperPar

OperPar + CylPres

KnowMod + OperPar + CylPres

2010 COMPENDEX

Jian Gong [234] Chady Nohra [235]

System Level Diesel Engine Emission Modeling Using Neural Networks ON LINE FAULT DIAGNOSIS OF A DIESEL ENGINE

KnowMod StatMod

KnowMod + AI StatMod

Noise OperPar

Noise OperPar

KnowMod + AI + Noise StatMod + OperPar

2010 GOOGLE SCHOLAR 2010 G OOGLE SCHOLAR

Cao, Longhan [220]

Diesel engine fault diagnosis method based on MPDE-SVM and its application

AI

AI

Vibr

Vibr

AI + Vibr

2010 C OMPENDEX

Chang, Yong [221]

Fault diagnosis of marine diesel engine based on blind source separation

StatMod

StatMod

Vibr

Vibr

StatMod + Vibr

2010 COMPENDEX

Zhou Xianglong [222]

Design of intelligent fault diagnosis system based on naval vessel's cooling system of diesel engine

AI

AI

OperPar

OperPar

AI + OperPar

2010 IEEE XPLORE

Cai, Yanping [223]

Application of wavelet packets and GA-BP algorithm in fault diagnosis for diesel valve gap abnormal fault

AI

AI

Vibr

Vibr

AI + Vibr

2010 COMPENDEX

Lamaris, V.T. [227]

AI

CylPres

CylPres

IEEE XPLORE IE

Proceedings ofthe Institution ofMechanical Engineers, Part A: Journal of Power and Energy Chinese Internal Combustion Engine Engineering Prognostics and Health Management Conference Multimedia Technology (ICMT) Measurement: Journal oft he International Measurement Confederation Measuring Technologyand Mechatronics Automation (ICMTMA) SAE International

Tomasz Lus [7]

MARINE DIESEL ENGINES DIAGNOSTICS

Threshold

Threshold

Vibr

Vibr

Threshold + Vibr

M. Desbazeille [236] Wang I; KimS; KimY; Seah CE [237] Francis Mo re rey, P Paat rice S Seeers [2 [2 38] Bu-Geun Paik, Seong-Rak Cho, Beom-Jin Park, Dongkon Lee, Byung-Dueg Bae [239]  Necla Togun, Sedat Baysec [240] F.F. Vacas et al [2 [241] Peter Obrecht [242]

Model-based diagnosis of large diesel engines based on angular speed variations of the crankshaft

Threshold

Threshold

InstVel

InstVel

Threshold + InstVel

ME 539 Course Project Report EUROSIS Research papers ofLithuanian Universityof  2010 G GO OOGLE SCHOLAR   Agriculture 2010 SCIENCE DIRECT Mechanical Sy Systems and Signal Pr Processing

OperPar

AI + OperPar

2010 IEEE XPLORE

IEEE Transactions on Control Systems Technology

Op erPar + CylPres

Kno wMo d+ O Opp erPar + CylPres

20 10 SCIENCE D DIIRECT

Ap plied T Thhermal En Eng ni eering International Journal ofNaval Architecture and Ocean Engineering

A survey of fault detection, isolation, and reconfiguration methods

AI

AI

OperPar

Co mpariso nof cy cycle-by-cycle variatio no ffm measu red ex exhaust-gas te temperatu re aannd in-cylinder pprressu re me measurement s

Kno wM wMod

Kno wMo d

OperPar

Development of real-time monitoring system using wired and wireless networks in a full-scale ship

Threshold

Threshold

OperPar

OperPar

Threshold + OperPar

2010 SCIENCE DIRECT

Genetic programming approach to predict torque and brake specific fuel Development Of A Remote Non Intrusive Diagnosis System Fo For Two Stroke Diesel En Engines Malfunction diagnosis at marine diesel engines based on indicator cock pressure data

AI StatMod KnowMod

AI StatMod KnowMod

OperPar OperPar OperPar

OperPar OperPar + CylPres OperPar + CylPres

AI + OperPar StatMod + OperPar + CylPres KnowMod + OperPar + CylPres

2010 SCIENCE DIRECT 2010 CIMAC 2010 CIMAC

OperPar

AI + OperPar

2010 AC ACM

KnowMod + OperPar + CylPres KnowMod + OperPar KnowMod + AI + OperPar KnowMod + InstVel + Iny KnowMod + OperPar + CylPres

2011 2011 2011 2011 2011

CylPres

CylPres CylPres

Applied Energy CIMAC World Congress on Combustion Engine CIMAC World Congress on Combustion Engine Journal ACM Computing Surveys IFAC Proceedings Volumes Control Engineering Practice Computer Research and Development (ICCRD) ProQuest Dissertations and Thesis ProQuest Dissertations and Thesis Proceedings of International Conference on Modelling, Identification and Control

F. Salfner, M. Lenk, M. Malek [243] A survey of online failure prediction methods

AI

AI

OperPar

Grahn, Markus [244] Jimbo, Tomohiko [245] Sun Bin [246] Mirheidari, Saleh [247] Wu, Hai [2 [248]

A diesel engine model for dynamic drive cycle simulations A physical model for engine control design via role state variables Control or oriented real time model ooff marine powerstation diesel engine based on neural network Model-based estimation and fault diagnosis in diesel engine applications Performance simulation and control ddeesign for diesel eenngine nitrogen oxide emission reduction technologies

KnowMod KnowMod KnowMod KnowMod KnowMod

KnowMod KnowMod KnowMod + AI KnowMod KnowMod

OperPar OperPar OperPar InstVel OperPar

Iny CylPres

OperPar + CylPres OperPar OperPar InstVel + Iny OperPar + CylPres

Vasu, J. [249]

Development and validation of an MVEM from an SI-engine based WCCM

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2011 SCOPUS

Wu Peili [250]

Simulation of working process of marine diesel engine in a comprehensive method

KnowMod

KnowMod + AI

OperPar

OperPar

KnowMod + AI + OperPar

2011 IEEE XPLORE

Soft Computing and Pattern Recognition (SoCPaR)

Teng, Ho [251]

A thermodynamic model ffoor a single cylinder engine with its intake/exhaust systems simulating a turbo-charged v8 diesel en engine

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2011 COMPENDEX

SAE International

Qi, Kunpeng [252] Wu, Hai [253] Millet, Jean-Baptiste [254]

Simulation of qu quasi-dimensional co combustion model ffoor predicting diesel en engine performance Mean value engine modeling for a diesel engine with GT-power 1D detail model Air system and diesel ccoombustion modeling for hardware in the loop applications

KnowMod KnowMod KnowMod

KnowMod KnowMod KnowMod

OperPar OperPar OperPar

CylPres CylPres CylPres

OperPar + CylPres OperPar + CylPres OperPar + CylPres

KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres

2011 COMPENDEX 2011 COMPENDEX 2011 COMPENDEX 2011 SCOPUS

Applied Mathematical Mo Modelling SAE International ASME J. Eng. Gas Turbines Power   AnnualIEEE India Conference: Engineering Sustainable Solutions, INDICON Proceedings of International Conference on Modelling, Identification and Control International Journal ofVehicle Systems Modelling and Testing IJQRM Neurocomputing Control Engineering Practice Applied Energy Applied Soft Computing Eighth InternationalConference on FuzzySystems and Knowledge Discovery(FSKD) Measuring Technologyand Mechatronics Automation (ICMTMA) Communication Software and Networks (ICCSN) Mechanic Automation andControl Engineering (MACE)

AI

AI

CylPres

COMPENDEX COMPENDEX IEEE XPLORE PROQUEST PROQUEST

Vasu, J. [255]

Development of extended MVEM based UKF estimators

KnowMod

AI

KnowMod + AI

OperPar

OperPar

KnowMod + AI + OperPar

Vasu, J. [256]

The need for bias modelling in MVEM based estimators

KnowMod

AI

KnowMod + AI

OperPar

OperPar

KnowMod + AI + OperPar

2011 SCOPUS

Shamekhi, A.H. [257]

An approach to full-range fault diagnosis of sp spark ignition engines' intake system us using normalised residual an and neural ne network classifiers KnowMod

AI

KnowMod + AI

OperPar

OperPar

KnowMod + AI + OperPar

2011 SCOPUS

Das, A. [258] M. Barakat [259] Ihab Samy [260] F. Payri [261] Edwin Lughofer [262]

Process monitoring and fault detection strategies: A review Self adaptive growing neural network classifier for faults detection and diagnosis Survey and application of sensor fault detection and isolation schemes A complete 0D thermodynamic predictive model for direct injection diesel engines Identifying static and dynamic prediction models for NOx emissions with evolving fuzzy sy systems

AI AI

KnowMod + AI AI KnowMod + AI KnowMod AI

OperPar OperPar OperPar OperPar OperPar

OperPar OperPar OperPar OperPar + CylPres OperPar + CylPres

KnowMod + AI + OperPar AI + OperPar KnowMod + AI + OperPar KnowMod + OperPar + CylPres AI + OperPar + CylPres

2011 2011 2011 2011 2011

KnowMod AI KnowMod KnowMod AI

CylPres CylPres

SCOPUS SCIENCE DIRECT SCIENCE DIRECT SCIENCE DIRECT SCIENCE DIRECT

Yu Yonghua [263]

The development of fault diagnosis system for diesel engine based on fuzzy logic

AI

AI

OperPar

OperPar

AI + OperPar

2011 IEEE XPLORE

Liu Jianmin [264]

Diesel Misfire Fault Diagnosis and Misfire Cylinder Ascertainment Based on Vibration Signal Explosion Peak Identification

StatMod

StatMod

Vibr

Vibr

StatMod + Vibr

2011 IEEE XPLORE

Liang Guihang [265]

Application for diesel engine in fault diagnose based on fuzzy neural network and information fusion

AI

AI

OperPar

OperPar

AI + OperPar

2011 IEEE XPLORE

Fengming Li [3]

Fault diagnosis of fuel oil system for diesel engines based on wavelet neutral network

AI

AI

Oil

Oil

AI + Oil

2011 I EEE XPLORE

Cai, Yan-Ping [266]

Diesel engine fault diagnosis based on time-frequency spectrum image and image segmentation

AI

AI

Vibr

Vibr + ImagRec

AI + Vibr + ImagRec

2011 COMPENDEX

Liu, Jianmin [267] Cai, Yanping [268]

Misfire diagnosis of diesel engine based on rough set and Neural Network Development of on-line performance monitoring and fault diagnosis system for diesel generator system

AI Threshold

AI Threshold

Vibr Vibr

Vibr Vibr

AI + Vibr Threshold + Vibr

2011 C OMPENDEX 2011 COMPENDEX

Zhou, Hongxiao [269]

An improved BP algorithm and application in the fault diagnosis of the diesel engine fuel system

AI

AI

OperPar

OperPar

AI + OperPar

2011 COMPENDEX

Pan, Xing-Long [8]

Research on the application of colored Petri net to fault diagnosis of diesel engine control system

AI

AI

OperPar

OperPar

AI + OperPar

2011 COMPENDEX

Hu Mingjiang [270]

Teaching research on sensor diagnosis based on information Syncretic Technology

AI

AI

OperPar

OperPar

AI + OperPar

2011 IEEE XPLORE

ImagRec

Simon, A. [271]

TARDEC and General Motors Condition Based Maintenance Brief

AI

AI

OperPar

OperPar

AI + OperPar

2011 NT N TIS

Xinting Li [272]

Simulation platform design for diesel engine fault

StatMod

StatMod

OperPar

OperPar

StatMod + OperPar

2011 IEEE XPLORE

Wang, Xin [273]

Improved naive Bayesian classifier method and the application in diesel engine valve fault diagnostic

AI

AI

Vibr

Vibr

AI + Vibr

2011 COMPENDEX

Seaworthy Engine Systems, Inc [274] A n Assessment of Performance and Condition Monitoring Requirements of Foreign Marine Diesel Propulsion Systems

AI

AI

OperPar

OperPar

AI + OperPar

2011 NTIS

Gupta, A. [275] Estefanous, Fadi A. [276]

StatMod Threshold

StatMod Threshold

OperPar IonCurr

OperPar IonCurr

StatMod + OperPar Threshold + IonCurr

2011 IEEE XPLORE 2011 PROQUEST

Model based failure detection of Diesel Particulate Filter Ionization in diesel combustion: Mechanism, new instrumentation and engine applications

Transactions ofCSICE (Chinese Societyfor Internal Combustion Engines) Procedia E ngineering Key Engineering Materials 2nd InternationalConference on ArtificialIntelligence, Management Science and Electronic Commerce, AIMSEC Proceedings 2011 InternationalConference on Mechatronic Science, Electric Engineering and Computer, MEC UncertaintyReasoning and Knowledge Engineering (URKE) ArmyTank-Automotive Command, Warren, MI. Research Development and Engineering Dir. Electrical and Control Engineering (ICECE) Proceedings ofInternational Conference on Measuring Technology and Mechatronics Automation Measuring Technologyand Mechatronics Automation (ICMTMA), American Control Conference (ACC) ProQuest Dissertations and Thesis

  82

 

Tabla 3.6. Bibliografíacompleta diagnosisequiposclasificados

CAPÍTULO 3:Estado delarte dediagnosis enmotores diesel

Ping Zhou [277]

Research on marine diesel's fault prognostic and health management based on oil monitoring

Threshold

Threshold

Oil

Oil

Threshold + Oil

2011 IEEE XPLORE

Wang, Xin [278]

Study on diesel engine fault diagnosis based on integration of Bayesian and genetic neural network method

AI

AI

Vibr

Vibr

AI + Vibr

2011 COMPENDEX

Zhang, Xiaoming [279]

Health status prediction of diesel based on chaotic theory

StatMod

StatMod

OperPar

OperPar

StatMod + OperPar

2011 COMPENDEX

Zheng, Mingyong [280]

The design of local safety monitoring device for marine diesel engine

AI

AI

OperPar

OperPar

AI + OperPar

2011 C OMPENDEX

Fentress, Amy [281] Porteiro, Jacobo [282] Weienborn, E. [283] Kwon, Jaesung [[2284]

The use of linear sweep voltammetry in condition monitoring of diesel engine oil Diesel engine condition monitoring using a multi-net neural network system with nonintrusive sensors Adaptation of a zero-dimensional ccyylinder pressure model ffoor diesel eenngines using the crankshaft rotational ssppeed Zero-dimensional si simulation ooff di diesel eenngine combustion and em emissions based oonn CMC model an and sskkeletal re reaction mechanism A 0D phenomenological model using detailed tabulated chemistrymethod s to predict dieselcombustion heat release and pollutant emissions Evaluation of decision fusion strategies for effective collaboration among heterogeneous fault diagnostic methods Engine Wear Monitoring with OLVF A Physics and Tabulated ChemistryBased Compression Ignition Combustion Model: from ChemistryLimited to Mixing Limited Combustion Modes M

Threshold AI KnowMod KnowMod

Threshold AI KnowMod KnowMod

Oil OperPar CylPres OperPar

Vibr InstVel CylPres

Oil OperPar + Vibr CylPres + InstVel OperPar +CylPres

Threshold + Oil AI + OperPar + Vibr KnowMod + CylPres + InstVel KnowMod + OperPar +CylPres

2011 2011 2011 2011

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2011 COMPENDEX

SAE International

AI Threshold

AI Threshold

OperPar Oil

OperPar Oil

AI + OperPar Threshold + Oil

2011 SCIENCE DIRECT 2011 GOOGLE SCHOLAR

Computers & Chemical En Engineering Society of Tribologists and Lubrication Engineers

KnowMod

KnowMod

OperPa

Bernard, Guillaume [285] Kaushik Ghosh [286] Yali Zhang [287]  N. Bordet [288]

M M M

M

M

M

M

M

M

M

M

M

M

M

M

M

M

M M

COMPENDEX COMPENDEX COMPENDEX COMPENDEX

Prognostics and SystemHealth Management Conference (PHM-Shenzhen) Advanced Materials Research International Conference on Electric Information ormation and Control Engineering 2nd InternationalCo nference on Mechanic Automation and Control Engineering, MACE Journal of AST M International (JAI) Applied Thermal Engineering Mechanical S Syystems and Signal Pr Processing SAE IInnternational

Antonello Sala, Francesco De Carlo, Gabriele Buglioni, Alessandro Lucchetti[293] Jian Zhang [294] Pasternak, Michal [295]

Energy performance evaluation of fishing vessels by fuel mass flow measuring system

StatMod

StatMod

OperPar

OperPar

StatMod + OperPar

2011 SCIENCE DIRECT

Ocean Engineering

Fuzzy modeling of diesel engine based on working position Self-calibrating model for diesel engine simulations

AI KnowMod

AI KnowMod + AI

OperPar OperPar

OperPar OperPar

AI + OperPar KnowMod + AI + OperPar

2012 IEEE XPLORE 2012 COMPENDEX

Chao Deng [296]

Sequential robust control design methodology application to the MIMO air path of a diesel engine

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2012 IEEE XPLORE

Vasu, J. [297]  Nohra, C. [298] Mohammadpour, J. [299]

Development of SI-engine based extended MVEMs for use in estimators for engine health management Complete-modeld iesel-engine diagnosis using gain schedule-mu analysis ysis and non-linear estimator A survey on diagnostic methods for automotive engines

KnowMod KnowMod KnowMod

KnowMod KnowMod + AI KnowMod + AI

OperPar OperPar OperPar

OperPar OperPar OperPar + CylPres

KnowMod + OperPar KnowMod + AI + OperPar KnowMod + AI + OperPar + CylPres

2012 SCOPUS 2012 IEEE XPLORE 2012 SCOPUS

System Science and Engineering (ICSSE) SAE International IECON 2012 - 38th AnnualConference on IEEE IndustrialElectro nics Society SAE International IndustrialElectro nics and Applications (ICIEA) International journal of engine research Intelligent Computation Technologyand Automation (ICICTA) Lecture Notes in Electrical Engineering Army Research Lab., Adelphi, MD. Computer Distributed Controland Intelligent EnvironmentalMonito ring (CDCIEM), ProQuest Dissertations and Thesis Applied En Energy

AI

AI AI

CylPres

Xiuyan Peng [300]

Research on Fault Diagnosis of Marine Diesel Engine Based on Grey Relational Analysis and Kernel Fuzzy C-means Clustering

AI

AI

OperPar

OperPar

AI + OperPar

2012 IEEE XPLORE

Yuan, Kexin [301] Bayba, A. J. [302]

Fault diagnosis of diesel engine based on BP neural network Application of Autoassociative Neural Networks to Health Monitoring of the CAT 7 Diesel Engine

AI AI

AI AI

Vibr OperPar

Vibr OperPar

AI + Vibr AI + OperPar

2012 C OMPENDEX 2012 NTIS

Ruliang Pan [303]

The Application of Support Vector Machine on Fault Diagnosis of the Diesel Engine Exhaust Gas T urbocharger

StatMod

StatMod

Vibr

Dey, Koustav [304] Armas, O Occtavio [[3305]

Characterization and rejection of noise from in-cylinder pressure traces in a diesel engine Thermodynamic ddiiagnosis of of ddiiesel aannd bbiiodiesel ccoombustion pr processes du during load-increase trtransient sseequences

StatMod KnowMod

StatMod KnowMod

CylPres OperPar

CylPres CylPres

Finesso, Ro bert o [306 ] Hountalas, Dimitrios T. [307] Korczewski, Zbigniew [308]

Analysis o fc fco mbustio nand emissions in a EURO v d iesel en engine by m meeans o ffaa refined quasi-d imensio nal mu multizo ne d ai g nost ic mo del Evaluation of a new diagnostic technique to detect and account for load variation during cylinder pressure measurement of large-scale four-stroke ... Alternative diagnostic method applied on marine diesel engines having limited monitoring susceptibility

Kno wM wMod

Kno wMo d

OperPar

KnowMod

KnowMod

CylPres

StatMod + Vibr

2012 IEEE XPLORE

StatMod + CylPres KnowMod + OperPar + CylPres

2012 PROQUEST 2012 COMPENDEX

Op erPar + CylPres

Kno wMo d+ Op erPar + CylPres

20 12 COMPENDEX

SAE Int ernat oi nal

CylPres

KnowMod + CylPres

2012 C OMPENDEX

SAE International Transactions ofthe Institute ofMeasurement and Control

StatMod

OperPar

OperPar

StatMod +OperPar

2012 COMPENDEX

Squibb, Cody [309]

Experimentalmeasurement and analysis of in-cylinder fuel-airmixing and combustion using an opticalDI Diesel engine under realistic operating ...

KnowMod

AI

KnowMod + AI

ImagRec

ImagRec

KnowMod + AI + ImagRec

2012 PROQUEST

Strasser, C. [10]

Condition based monitoring for industrial engines

KnowMod

AI

KnowMod + AI

OperPar

CylPres

OperPar + CylPres

KnowMod + AI + OperPar + CylPres

2012 IEEE XPLORE

Chao Deng [310]

Sequential ro robust control ddeesign methodology aappplication to the MIMO air path of a diesel engine

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2012 IEEE XPLORE

Rezaei, Reza [311] Widd, A. [14] Li, Z. [312] Xu, Haifeng [313]

Zero-dimensional modeling of combustion and heat release rate in di ddiiesel engines Single-zone Diesel PPC modeling for control Condition monitoring and fault diagnosis for marine diesel engines using information fusion techniques New intelligent condition monitoring and fault diagnosis system for diesel engines using embedded system

KnowMod KnowMod AI AI

KnowMod KnowMod AI AI

OperPar OperPar Vibr Vibr

CylPres CylPres

OperPar + CylPres OperPar + CylPres Vibr Vibr

KnowMod + OperPar + CylPres KnowMod + OperPar + CylPres AI + Vibr AI + Vibr

2012 2012 2012 2012

COMPENDEX SCOPUS SCOPUS COMPENDEX

Instrumentation and Measurement Technology Conference (I2MTC) 38th AnnualConference on IEEE Industrial Electronics Society SAE International Proceedings of the American Control Conference Elektronika ir Elektrotechnika Applied Mechanics and Materials

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2012

SCIENCE DIRECT

Renewable and Sustainable EnergyReviews

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2012 UPCT LIBRARY

AI

AI

OperPar

OperPar

AI + OperPar

2012 IEEE XPLORE

IEEE Transactions on Software Engineering

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2012 SCIENCE DIRECT

Applied Thermal Engineering

AI

AI

Vibr

Oil

Vibr + Oil

AI + Vibr + Oil

2012 SPRINGER

Tribology L Leetters

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2013 SCIENCE DIRECT

Applied Energy

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2013 SCOPUS

Applied Energy

KnowMod AI Threshold AI AI AI AI

KnowMod AI Threshold AI AI AI AI

OperPar OperPar CylPres Vibr OperPar OperPar CylPres

OperPar OperPar CylPres + Vibr + Noise Vibr OperPar + InstVel OperPar CylPres + InstVel

KnowMod + OperPar AI + OperPar Threshold + CylPres + Vibr + Noise AI + Vibr AI + OperPar + InstVel AI + OperPar AI + CylPres + InstVel

2013 2013 2013 2013 2013 2013 2013

2013 SCOPUS

Applied Energy Control Engineering Practice Measurement Science and Technology Journal of Sound and Vibration Applied Thermal Engineering ICIC Express Letters Mechanical Systems and Signal Processing Journalo fVibration and Acoustics, Transactions of  the ASME ProQuest Dissertations and Thesis

SuneelKumar a,n,  Numericalmodeling of compression ignition engine: A review ManishKumarChauhan b, Varun [314] F. F. Vacas [315] Diesel Engine Maintenance based on the Diagnosis of Operating Conditions HallT; Beecham S; Bowes D; Gray ay A systematic literature review on fault prediction performance in software engineering D; CounsellS [316] Calibration and validation ofa model for simulating thermaland electric performance ofan internalcombustion engine-based microA. Rosato, S. Sibilio [317] cogeneration device Li, Z., Yan, X., Guo, Z. et al. Tribol Intelligent Fusion Method of Multi-Dimensional S Seensors and Its Application to Tribo-System Fault Diagnosis of Marine Diesel E Enngines Lett [318] L. Cornolti [3 [319] 1D simulation of a turbocharged Diesel en engine with comparison of sh short and long E GR route solutions Simulation on the effect of the combustion parameters on the piston dynamics and engine performance using the Wiebe function in a free Kim, J. [320]  piston engine M. Dehghani Firoozabadi [3 [321] Thermodynamic control-oriented modeling of cycle-to-cycle exhaust gas temperature in an HCCI engine R.D, Carl [322] Automotive engine FDI by application of an automated model-based and data-driven design methodology Zhen, D. [323] Acoustic measurements for the combustion diagnosis of ddiiesel eenngines fuelled with biodiesels Bing Li [324] Classification of time-frequency representations using improved morphological pattern spectrum for engine fault diagnosis Bolan Liu [15] Misfire detection of a turbocharged diesel engine by using artificial neural networks Li, C. [325] A novel redundant data separation algorithm for automobile engine fault detection F. Taglialatela [326] Determination of combustion parameters using engine crankshaft speed

StatMod

Vibr CylPres OperPar + CylPres

Vibr

Noise

InstVel InstVel

SCIENCE DIRECT COMPENDEX SCOPUS SCIENCE DIRECT SCIENCE DIRECT SCOPUS SCIENCE DIRECT

ProQuest Dissertations and Thesis

ENDESA Publications

Yuan, J. [327]

Ensemble noise-reconstructed empirical mode decomposition for mechanical fault detection

Threshold

Threshold

Vibr

Vibr

Threshold + Vibr

Badawy, Tamer H. [328]

Ionization in diesel combustion for on-board diagnostics and engine control

Threshold

Threshold

IonCurr

IonCurr

Threshold + IonCurr

2013 PROQUEST

Arro yo , Jo rg rge [3 [32 9]

Diagno ssttic me metho dbased oonn tthhe an analysis ooff tthhe vi vibrat io nand aacco ustic em emissio nenergy ffoor em emerg ency di diesel ge generat ors iinn nu nuclear pl plant s Thresho dl

Threshold

CylPres

Vibr

CylPres + V Viibr + No Noise

Thresho ld + Cy CylPres + V Viibr + N Noo ise

20 13 COMPENDEX

Ap plied A Acco ust ci s

Al-Durra, A. [330] Amin Maghbouli [3 [331] DanielWatzenig [332] Yin S; Ding SX; Xie XC; Luo H [333]

A real-time pressure estimation algorithm for closed-loop combustion control An advanced combustion model ccooupled with detailed chemical rreeaction mechanism fo for D.I diesel en engine simulation Model-Based Condition and State Monitoring of Large Marine Diesel Engines

KnowMod KnowMod StatMod

CylPres OperPar CylPres

CylPres

CylPres OperPar + CylPres CylPres

KnowMod + CylPres KnowMod + OperPar + CylPres StatMod + CylPres

2013 SCOPUS 2013 SCIENCE DIRECT 2013 GOOGLE SCHOLAR

A review on basic data-driven approaches for industrial process monitoring

AI

AI

OperPar

OperPar

AI + OperPar

2014 IEEE XPLORE

Yin S; Luo H; Ding SX [334]

Real-time implementation of fault-tolerant control systems with performance optimization

AI

AI

OperPar

OperPar

AI + OperPar

2014 IEEE XPLORE

Mechanical Systems and Signal Processing Applied Energy INTECH IEEE Transactions on IndustrialElectronics and Control Instrumentation IEEE Transactions on IndustrialElectronics and Control Instrumentation

KnowMod KnowMod StatMod

No si e

  83

 

Tabla 3.6. Bibliografíacompleta diagnosisequiposclasificados

CAPÍTULO 3:Estado delarte dediagnosis enmotores diesel

ShatnawiY; Al-khassaweneh M [335]

Fault diagnosis in internal combustion engines using extension neural network

AI

AI

OperPar

OperPar

AI + OperPar

2014 IEEE XPLORE

IEEE Transactions on IndustrialElectronics and Control Instrumentation

Jesús Benajes, Pablo Olmeda, Jaime Martín, Ricardo Carreño [336]

A new methodology ffoor uncertainties characterization in combustion diagnosis and thermodynamic modelling

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2014 SCIENCE DIRECT

Applied Thermal E Enngineering

Heat release determination in a constant volume combustion chamber from th the instantaneous cylinder pressure

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2014 SCIENCE DIRECT

Applied Thermal E Enngineering

Magín Lapuerta, Josep Sanz-Argent, Robert Raine [337] Bidarvatan, M., Thakkar, V., Shahbakhti, M., Bahri, B., Abdul Aziz, A. [338] Unbedahts, A., Carjova, K., Urbaha, M. [339] Hountalas [340]

Grey-box modeling of HCCI engines

KnowMod

KnowMod + AI

OperPar

OperPar

KnowMod + AI + OperPar

2014 SCIENCE DIRECT

Applied Thermal Engineering

Acoustic emission method implementation for medium and high speed ship engines condition monitoring

StatMod

StatMod

Noise

Noise

StatMod + Noise

2014 SCOPUS

Transport Means - Proceedings ofthe International Conference

Comparative evaluation of various methodologies to account for the effect of load variation during cylinder pressure measurement of  large scale two-stroke dieselengines

KnowMod

KnowMod

OperPar

OperPar + CylPres

KnowMod + OperPar + CylPres

2014 SCIENCE DIRECT

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2015 IEEE XPLORE

Enabling health monitoring approach based on vibration data for accurate prognostics

AI

AI

Vibr

Vibr

AI + Vibr

2015 IEEE XPLORE

Condition-Based Maintenance for medium speed diesel engines used in vessels in operation

AI

AI

OperPar

OperPar

AI + OperPar

2015 SCIENCE DIRECT

Applied Thermal Engineering

Real-time start ooff a combustion detection algorithm us using initial hheeat release for direct injection diesel en engines

KnowMod

KnowMod

OperPar

CylPres

OperPar + CylPres

KnowMod + OperPar + CylPres

2015 SCIENCE DIRECT

Applied Thermal E Enngineering

CylPres

Gao ZW; Cecati C; C; Ding SX [ 33441] A survey ooff fa fault diagnosis and fault-tolerant techniques-part i: fault diagnosis with model-based and signal-based approaches Javed K; Gouriveau R; ZerhouniN;  Nectoux P [342] Oihane C. Basurko, Zigor Uriondo [343] Seungsuk Oh, Kyunghan Min, Myoungho Sunwoo [344] Li, Y., Wang, Y., Zi, Y., Zhang, M. [345] Yuan, Y., Yan, X., Wang, K., Yuan, C. [346] Herrera, J.A.G., López, J.F.L., Riaza, H.F.Q. [347] Phillips, J., Cripps, E., Lau, J.W., Hodkiewicz, M.R. [348] Xiao Feng Liang, Lu Yun Chen, Hong Yi, Dan Li [349] Jakub Cichowicz, Gerasimos Theotokatos, Dracos Vassalos [350] D.G. Trodden, A.J. Murphy, K. Pazouki, James Sargeant [351] A.J. Murphy, A.J. Norman, K. Pazouki, D.G. Trodden [352] Dong-Sup Lee, Dae-Seung Cho, Kookhyun Kim, Jae-Jin Jeon, WooJin Jung, Myeng-Hwan Kang, Jae-Ho Kim[353] Jena, D.P., Panigrahi, S.N. [11] Hassan Moussa Nahim [354]  JA Pagan, F. Vera, J.H. Grau [355] W. Cao, G. Dong, W. Chen, J. Wu, Y. X Xii e [3 [3 5 6] T.R. Lin, A. CC. Tan, L. Ma, J. Mathew [357] Liu, Y., Zhang, J., Ma, L. [358] A. Diez, JA Pagan, R. Sanz, I. Lazkanotegi[359] A. Diez, JA Pagan, N. Lu Dang,R. Sanz [360]  M. Wei, B. Qiu, Y. Jiang, X. He [ 36 36 1] 1] E.R. Hidalgo, C. Batista, F. Robles [362] T. Zheng et al[36 3] R. Isermann [364] J. Flett, G.M. Bone [365]

AI

An enhanced data visualization method for diesel eenngine malfunction classification using multi-sensor signals

AI

AI

OperPar

A new remote intelligent diagnosis system for marine diesel engines based on an improved multi-kernel algorithm

AI

AI

OperPar

Diagnostic method based on the analysis of vibration and acoustic emissions for internal combustion engines faults

AI

AI

Vibr

Classifying machinery condition using oil samples and binary logistic regression

AI

AI

Oil

CylPres

Noise

Applied Energy IEEE Transactions on IndustrialElectronics and Control Instrumentation IEEE Transactions on IndustrialElectronics and Control Instrumentation

OperPar + CylPres

AI + OperPar + CylPres

2015 SCOPUS

Journal of of Se Sensors

OperPar

AI + OperPar

2015 SAGE

Journal of Risk and Reliability

Vibr + Noise

AI + Vibr + Noise

2015 SCOPUS

Symposiumon Image, Signal Processing and Artificial Vision

Oil

AI + Oil

2015 SCIENCE DIRECT

Mechanical Systems and Signal Processing

Integrated allocation of warship reliability and maintainability based on top-level parameters

StatMod

StatMod

OperPar

OperPar

StatMod + OperPar

2015 SCIENCE DIRECT

Ocean Engineering

Dynamic energy modelling for ship life-cycle performance assessment

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2015 SCIENCE DIRECT

Ocean Engineering Ocean Engineering

Fuel usage data analysis for efficient shipping operations

StatMod

StatMod

OperPar

Thermodynamic simulation for the investigation of marine Diesel engines

KnowMod

KnowMod

OperPar

A simple iterative independent component analysis algorithm for vibration source signal identification of complex structures

StatMod

StatMod

Vibr

Automatic gear and bearing fault localization using vibration and acoustic signals Oriented review to potential simulator for faults modeling in diesel engine Proceso obtención medidas experimentales ytratamiento de d atos para modelado motor  dieselmarino M u tl isis eenn ssoo r iinn fo fo rm rm atat i on i nntt e ggrr aatt i on f oorr o nnll in e w wee aarr c o nd it i on m oonn it o riri nngg o f d ie ssee l e nngg iinn es es

Condition monitoring and fault diagnosis of dieselengines using instantaneous angular speed analysis A fault diagnosis approach for diesel engines based on self-adaptive WVD, improved FCBF and PECOC-RVM Sistema integralpara la caracterización y prognosis de modos de fallo en motores marinos A machine learning based methodology for automated fault prediction in monitoring sensor data M uull ti -s-s en en so so r m moo ni ni to rrii ng b aass ed ed o nn-- li ne d iiee se se l eenn gi gi nnee a nnoo ma ma ly d eett eecc ttii oonn w it h bbaa se se li nnee d eevv ia titi on on Evaluation ofdiagnosis variable values ues ofdiesel internal combustion engine Fault diagnosis ofinternal combustion engine valve clearance: The surveyof the-state-of-the-art Advanced model-based diagnosis of internal combustion engines

AI KnowMod

AI KnowMod

Vibr OperPar

KnowMod

KnowMod

OperPar

AI

AI

StatMod

StatMod

CylPres

OperPar

StatMod + OperPar

2015 SCIENCE DIRECT

OperPar + CylPres

KnowMod + OperPar + CylPres

2015 SCIENCE DIRECT

Ocean Engineering

Vibr

StatMod + Vibr

2015 SCIENCE DIRECT

International Journal ofNaval Architecture and Ocean Engineering

Vibr OperPar

AI + Vibr KnowMod + OperPar

2015 SCIENCE DIRECT 2015 SPRINGER

Applied Acoustics Journal of Marine Science and Technology

OperPar + CylPres

KnowMod + OperPar + CylPres

2015 UPCT LIBRARY

Congreso Nacional De De Ingeniería Termodinámica

Oil

Oil

AI + Oil

2015 SCIENCE DIRECT

Tribology International

InstVel

InstVel

StatMod + InstVel

2015

CylPres

AI

AI

OperPar

OperPar

AI + OperPar

2016 SCIENCE DIRECT

Proceedings ofthe Institution ofMechanical Engineers, Part C: Journalo fMechanical Engineering Science Neurocomputing

AI

AI

OperPar

OperPar

AI + OperPar

2016 R ESEARCH GATE

Congreso Nacional de Confiabilidad

AI

AI

OperPar

OperPar

AI + OperPar

2016 R ESEARCH GATE

UPM Industriales Research Meeting 2016

AI

AI

OperPar

OperPar

AI + OperPar

2016 IEEE XPLORE

Prognostics and SystemHealth Management Conference

StatMod AI KnowMod

Theshold

StatMod

OperPar

AI + Theshold KnowMod

Vibr OperPar

CylPres

SAGE SA

OperPar

StatMod + OperPar

2016 SCIELO

Revista Ciencias Técnicas Agropecuarias

Vibr OperPar + CylPres

AI + Theshold + Vibr KnowMod + OperPar + CylPres

2016 IEEE XPLORE 2016 SPRINGER 2016 SCIENCE DIRECT

Intelligent Control and Automation World Congress Internationaler Motorenkongress Fault detection and diagnosis of dieselengine valve trains

AI

AI

Vibr

Vibr

AI + Vibr

J. Muñoz et al. [4]

Development of a 0D thermodynamic model for real time performance determination

KnowMod

KnowMod

OperPar

OperPar

KnowMod + OperPar

2016 DESEID

IV Congreso Nacional de I+D en Defensa y Seguridad

A. Diez, JA Pagan, R. Sanz, B. Sierra [366] X. Zhao, Y. Cheng, K. Wang, S. Ji [ 3366 7] 7]

Data‐driven Prognostics Using a Combination ofConstrained K ‐means Clustering, Fuzzy Modeling and LOF‐Based Score

AI

AI

OperPar

OperPar

AI + OperPar

2017

SCIENCE DIRECT SC

Neurocomputing

AI

AI

Vibr

Vibr

AI + Vibr

2017

SC SCIENCE DIRECT

Journal of Sound and Vibration

Fault detection and diagnosis ofdiesel engine valve trains

R eeaa l t im im e i de de nt nt ifif ic at at io io n of t h e i nntt e rrnn aall c o m mbb u st i on eenn ggii nnee ccoo m mbb u st iioo n pa rraa me me t er s b aass ed ed o nt h e v ib ra ra t io n ve lo c it y s iigg nnaa l

  84

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

3.7.  REFERENCIAS. [1]

Lafossas, F.Alexandre, Devel Development opment of a coupling approach between 0D D.I. diesel combustion and pollutant models: Application to a transient engine

evolution, Oil and Gas Science and Technology, Rev. IFP Vol. 63, No. 4, pp. 479 –  494,  494, 2008. [2]

V.T. Lamaris, D.T. Hountalas, Hountalas, A general purpose diagnostic diagnostic technique for marine diesel engines  –  Application  Application on the main propulsion and auxiliary diesel units of a marine vessel,  Energy Conversion and Management, Vol. 51, Issue 4,  pp. 740 – 753, 2010.

[3]

F. Payri et al, A complete 0D thermodynamic predict predictive ive model for direct injection diesel engines, Applied Energy, Vol. 88, Issue 12, pp. 4632 – 4641, 4641, 2011.

[4]

J. Muñoz et aal,l, Devel Development opment of a 0D thermodynamic model for real time  performance determination determination,, IV Congreso Congreso Nacional de I+D en Defensa y Seguridad, DESEID‐2016‐072, 2016.

[5]

C. R. Parikh, Improvin Improvingg the performanc performancee of CMFD applications applications using multiple classifiers and a fusion framework, Transac T ransactions tions of the Institute Inst itute of Measurement Measurement and Control, Vol 25, Issue 2, 2003.

[6]

K. P. Logan, Operational Experience with Intelligent Software Agents for Shipboard Diesel and Gas Turbine, Electric Ship Technologies Symposium, IEEE, 10.1109/ES 10.1109/ESTS.2005.1524673, TS.2005.1524673, 2005.

[7]

L.Tao et al, Applicat Application ion of Factor Analysis to a Type Diesel Engine SOA SO A (Spectrometric Oil Analysis), Measuring Technology and Mechatronics Automation (ICMTMA), 2010 International Conference  10.1109/ICMTMA.2010.397, 10.1109/ICMTMA .2010.397, 2010.

[8]

L. Guihang et al, Applicat Application ion for Diesel Engine in Fault Diagnose Based on Fuzzy Neural Network and Information Fusion, Communication Software and  Networks (ICCSN), IEEE 3rd International Conference, 10.1109/ICCSN.2011.6014398, 10.1109/ICCSN.2011.60 14398, 2011.

[9]

J.Porteiro et al, Diesel engine condition moni monitor toring ing using a multimulti-net net neural network system with nonintrusive sensors, Applied Thermal Engineering, Vol. 31, Issues 17 – 18, 18, pp. 4097 – 4105, 4105, 2011.

[10]

A.J.Bayba et al al,, A Application pplication of Autoassociative Autoassociative Neural Networks to Hea Health lth Monitoring of the CAT 7 Diesel Engine, US Army Research Laboratory, ARLTN-0472, 2012.

[11]

O.C. B Basurko, asurko, Z.Uri Z.Uriondo, ondo, Condi Condition-Based tion-Based Maintenance for medium speed diesel engines used in vessels in operation, Applied Thermal Engineering, Vol. 80, pp. 404 – 4125, 4125, 2015.

85

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[12]

C.R.Parikh et al al,, De Detecting tecting the cranksh crankshaft aft torsi torsional onal vi vibration bration of diesel en engines gines for combustion related diagnosis, Journal of Sound and Vibration, Vol. 321, Issues 3 – 5, 5, pp. 1171 – 118510, 118510, 2009.

[13]

J. Hua Huang, ng, P. Zhan Zhang, g, Faul Faultt Diagnosis for Di Diesel esel Engines Engines Based on Disc Discrete rete Hidden Markov Model, Intelligent Computation Technology and Automation, Second International Conference ICICTA, 2009.

[14]

Koustav Dey, Characterization and rejection of noise from in-cylinder pressure traces in a diesel engine, Electronic Theses and Dissertations, 121, http://scholar.uwindsor.ca/etd/121 http://scholar.uwindsor.ca/etd/121,, 2012.

[15]

F.F. Va Vacas cas et al al,, Diesel Engine Maintenance Maintenance based on the Diagnosis of Operating Conditions, Seminario Mantenimiento de Motores Diesel UPCT, 2012.

[16]

D.G.Driscoll et al al,, Surv Surveillance, eillance, Monitoring, and Diagnostic Technique Techniquess to Improve Diesel Generator Reliability, Electric Power Research Inst., Technical Report EPRI-NP-5924 ON: TI88013637; TRN: 88-028645, 1988.

[17]

J.A. Pagán, Diagnóst Diagnóstico ico de motores diesel basado en parámetros, parámetro s, PFPF Programa de Doctorado en Energías Renovables, Escuela Técnica Superior de Ingeniería Industrial, Universidad Politécnica de Cartagena, 2013.

[18]

Technology readiness levels (TRL). European Commissi Commission, on, G. Technology readiness levels (TRL), HORIZON 2020  –   WORK PROGRAMME 2014-2015 General Annexes, Extract from Part 19 - Commission Decision C(2014)4995.

[19]

Iseki, Y., Diagnosis Diagnosis of Diesel Engine Troubles - Cylinder Condition Monitoring System, 1974.

[20]

Dominy, D., Feasibility Feasibilit y Stud Studyy for a Diesel Engine Condition Condit ion Monitoring Monito ring System for 1179 Class LSTs, National Nat ional Burea Bureauu ooff Standards Washington D C, 1975.

[21]

Zhdanovs Zhdanovskii, kii, N. S., Di Diagnostic agnostic of Truck and Tractor Diesel Engines, Army Foreign Science and Technology Center Charlottesville Charlottesville,, 1976.

[22]

Fuller, Ed Edward ward J., J., Th Thee practical realization of an automated diagnostic system for diesel powered vehicles, SAE International, 1976.

[23]

Hambright, R R.. N. N.,, Selection Selection of a Prototy Prototype pe En Engine gine Monitor Monitor for Coast Guard Guard Main Diesel Propulsion, Southwest Research Inst San Antonio, 1979.

[24]

Storment, JJ.. O., Devel Development opment of Diesel Engine Diagnostics for U U.S. .S. Coast Coast Guard Cutters, Southwest Research Inst., San Antonio, TX., 1981.

[25]

Sangiovanni Sangiovanni,, JJ.. J., Optical Diagnostics for Diesel-Engine Applications, United Technologiess Research Center, East Hartford, 1983. Technologie

86

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[26]

Sangiovanni Sangiovanni,, J. J., Optical Optical Diagnostics for Diesel Diesel Engine Applications: Applications: Third Quarterly Technical Progress Report, 1 November 1983 to 31 January 1984, United Technologies Research Center, East Hartford, 1984.

[27]

Bonissone Bonissone,, P. P., DELTA: An Expert System System for D Diesel iesel Electric Locomotive Repair, General Electric Corporate Research and Development, Schenectady, 1984.

[28]

Rhee, K. T., Thermodynamic System Analysis Model of a Diese Diesell Engine, Rutgers - The State Univ., New Brunswick, NJ. Dept. of Mechanical, Industrial and Aerospace Engineering, 1985.

[29]

Dobbs, G. M., Optical Diagnostics for Die Diesel sel En Engine gine A Applications. pplications. Final Technical Report, United Technologies Technologies Research Center, East Hartford, 1985.

[30]

Jones, A D, Th Thee application of parallel processing to diesel diesel engine modelling, ProQuest Dissertations and Thesis, 1987.

[31]

Dominique, H. P., Filter Debris Debris An Analysis: alysis: A Concret Concretee Approach to Wear Diagnosis, Defence Research Establishment Pacific, Victoria (British Columbia), 1988.

[32]

Mort, N, Monitoring and control of a turbocharged marine diesel engine using small Monitoring laboratory microcomputer systems, Use of1989. Personal Computer Co mputer Systems for Plant and Control, IEE Colloquium,

[33]

Yu, T. L., Im Implementation plementation Issue on Failure Detec Detection tion an andd Isolation in Electronically Controlled Engines, University of Michigan Transportation Research Institute, 1990.

[34]

Le B Bouteiller, outeiller, I., Stud Studyy and development of a running diesel engine trouble diagnostic system from cylinder pressure analysis, CEA Centre d'Etudes  Nucleaires de Cadarache, Cadarache, Saint-Paul-les-Durance Saint-Paul-les-Durance (Fran (France), ce), 1990.

[35]

Siebert, W., Borderprobun Borderprobungg eines Diagnose- und Trendsystems Trendsystems fuer ViertaktSchiffsdieselmotoren. (On-board testing of a trend and diagnosis system for four-stroke engines, Krupp MaK Maschinenbau G.m.b.H., Kiel (Germany, F.R.)., 1991.

[36]

Frank, P.M., Model Based Fault Detection in Diesel-Hydraulically Driven Industrial Trucks, American Control Conference, 1991.

[37]

Feola, M., Optimization Optimization of inje injection ction la law w for direct injection diesel engine, Journal of Engineering for Gas Turbines T urbines and Power, 1992.

[38]

Logan, K. P., Expert System for Diesel Engine Maintenance. Volume 1. Final Report, American President Lines, Inc., Oakland, CA.;MACSEA Ltd., Stonington, CT., 1992.

87

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[39]

Zheng, Ming, Thermodyn Thermodynamic amic m modelling odelling aand nd experimental investigation investigation of a synthetic atmosphere diesel engine system, ProQuest Dissertations and Thesis, 1993.

[40]

Dec, J. E., S Soot oot an andd li liquid-phase quid-phase fuel fuel di distributions stributions in a newly newly designed optically accessiblee D.I. diesel engine, Sandia National Labs., Liverm accessibl Livermore, ore, 1993.

[41]

Law, C. K K.,., Un United ited States Army Research Office Engine Workshop (11th), 1415 March 1994, Princeton Univ., NJ. Dept. of Mechanical and Aerospace Engineering,, 1994. Engineering

[42]

Brezonick, Mike, New condition monitoring system for diesel engines, Diesel Diese l  progress engines engines & drives, 1994 1994..

[43]

Rutland, C.J., Diesel Diesel engine engine m model odel dev development elopment and and experiments, experiments, SAE International, 1995.

[44]

Shiao, Yaojun Yaojung, g, Nonlinear dynamic engine modelin modelingg and model-based engine diagnostics,, Pro diagnostics ProQuest Quest Dissertations and Thesis, 1995.

[45]

Rhee, K. T., Hi High-Speed gh-Speed Four-Color Inf Infrared rared Di Digital gital Im Imaging aging for for Study InCylinder Processes in a DI Diesel Engine, Rutgers - The State Univ., Piscataway,, NJ. Coll. of Engineering, 1995. Piscataway

[46]

C.D. Rakopoulos, Rakopoulos, E. G. Giakoumis, Giakoumis, Development of cumulative and availability rate balances in a multi-cylinder turbocharged indirect injection diesel engine, Energy Conversion Management, 1995.

[47]

R.A. Vingerhoeds , Enhancing off-l off-line ine and on-line condition monito monitoring ring and fault diagnosis, Control Engineering Practice, 1995."

[48]

Bell, J. J. E., Assessment of Diesel Engine Condition Condit ion Using Time Resolved Measurements and Signal Processing, Naval Postgraduate School, Monterey, 1996.

[49]

Liu, Hengqing, Simulation of a single cylinder diesel engine under cold start start conditions using Simulink, American Society of Mechanical Engineers, Internal Combustion Engine Division, 1997.

[50]

Kouremenos, D.A., Diagn Diagnosis osis an andd condition condition monitoring of medium-speed medium-speed marine diesel engines, TriboTest, 1997.

[51]

Brunt, M. and Pond, C., Ev Evaluation aluation of Techniques for Absolute Absolute Cylinder Pressure Correction, SAE International, 1997.

[52]

Hountalas, D.T., Development of a fast and simple simulation m model odel for for the fuel injection system of diesel engines, Advancer in Engineering Sojhvare, 1998.

[53]

Yacoub, Yasser, Mean value modeling and control contr ol of a diesel engine using neural networks, ProQuest Dissertations and Thesis, 1999.

88

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[54]

Chengyu Gan, Fault diagnosis of the IFAC Benchmark Problem with a model based recurrent recurrent neural network, Contr Control ol Applications, Applications, 1999.

[55]

Hountalas, D.T. D.T.,, Devel Development opment and application application of a ffully ully automatic

troubleshooting method for large marine diesel engines, Applied Thermal Engineering,, 1999. Engineering [56]

M. Lapuerta, O. Armas, J.J. Hernández, Diagnosis of DI Diesel combustion combust ion from in-cylinder pressure signal by estimation of mean thermodynamic  properties of the gas, gas, Applied Thermal Thermal Engineering, 1999 1999..

[57]

Larsen, M., Indirect passivation design ffor or a diesel engine model, model, Control Applications,, 2000. Applications

[58]

Ma, Ming Kai, Study of Trouble Diagnosis of Multi-Cylinder Diesel Diesel Engine InCylinder Processes by vibration Signals -Analysis of the Parameter Fluctuation Between ..., ProQuest Dissertations and Thesis, 2000.

[59]

Jones, N.B., Aspects of diagnost diagnostic ic schemes for biomedical and engineering engineer ing systems [EMG, ECG, and diesel engine application, Science, Measurement and Technology,, IEE Proceedings, 2000. Technology

[60]

Przytula, K.W., Construction of Bayesian networks for diagnostics, diagnostics, Aerospace

Conference Proceedings, 2000. [61] Gu, F., The condition monitoring of diesel engines using acoustic measurements measurements  part 1: Acoustic characteristics of the engine and representation representation of the ..., SAE International, 2000. [62]

Peng Chen, Failure diagnosis method for m machinery achinery iinn unsteady unsteady operating condition by instantaneous power spectrum and genetic programming, Knowledge-Based Intelligent Engineering Systems and Allied Technologies, 2000.

[63]

H. Ba Barths, rths, Si Simulation mulation of com combustion bustion iinn direct inje injection ction diesel engines using a eulerian particle flamelet model, Proceedings of the Combustion Institute, 2000.

[64]

D.T.Hountala D.T.Hountalas, s, Predi Prediction ction of ma marine rine diesel engine performance under fault fault conditions, Applied Thermal Engineering, 2000.

[65]

M. Lapuerta, O. Armas, V. Bermúdez, Sensit Sensitivity ivity of diesel engine thermodynamic cycle calculation to measurement errors and estimated  parameters, Applied Applied Thermal En Engineering, gineering, 2000.

[66]

G. Bi Bidini, dini, C.N. Grimaldi Grimaldi,, F. Mariani, Experimental analysis of the actual  behaviour  behavi our of a natural gas fueled engine Caterpillar (CAT)-3516, Applie Appliedd Thermal Engineering, 2000.

[67]

Wang, S S, A physical model for the engine oil condition condition sensor, sensor, Tribology Tribology Transactionss (USA), 2001. Transaction 89

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[68]

Zweiri, Y.H., D Detailed etailed analytical model of a single-cylinder single-cylinder diesel engine in the crank angle domain, Proceedings of the Institution of Mechanical Engineers, 2001.

[69]

Banks, J., F Failure ailure Modes and Predictive Diagnostics Considerations for Diesel Diesel Engines, Pennsylvania Pennsylvania State Univ., State College. Applied Research Lab., 2001.

[70]

Chinmay R Parikh, Applicat Application ion of Dempster  – Shafer Shafer theory in condition monitoring applications: a case study, Pattern Recognition Letters, Lett ers, 2001.

[71]

Li, Y., A Applying pplying MLP and RBF classifiers in embedded condition monitoring and fault diagnosis systems, Transactions of the Institute of Measurement and Control, 2001.

[72]

Pu, JJun un Li, The research on condition condition m monitoring onitoring aand nd fault diagnosis for for internal internal combustion engine by instantaneous speed, ProQuest Dissertations and Thesis Asia, 2002.

[73]

Xiaojian Yang, A mi mixed xed mean-value mean-value and crank-based model of a dual-stage turbocharged SI engine for Hardware-In-the-Loop simulation, simulation, American Control Contro l Conference,, 2002. Conference

[74]

Huang, Liang Jia, R Research esearch on faul faultt diagn diagnosis osis for for low-speed marine marine diesel diesel engine and 2002. its applications using RBF neural network, ProQuest Dissertations and Thesis,

[75]

Xia, Sheng Ting, Several Fault Diagnosis Methods of Diesel Valve, ProQuest Dissertations and Thesis, 2002.

[76]

Wang, Hua Zhi, Research on mechanism of diesel engine's exhaust valve leaking fault and development of software about fault diagnosis, ProQuest Dissertations and Thesis, 2002.

[77]

Deur, Jo, Analysis of m mean ean vvalue alue engine model with emphasis on intake intake manifold thermal effects, IEEE Conference on Control Applications, 2003.

[78]

Schulten, P.J.M., Mean Mean value modelling modelling of the ggas as exchange exchange of a 4-stroke diesel diesel engine for use in powertrain applications, SAE International International,, 2003.

[79]

Zhang, Jun, Jun, A Study of Diesel Engine Fault Diagnosis Based On Neural Neura l  Network, ProQuest ProQuest Dissertations an andd Thesis, 2003.

[80]

Jin, Biao Hua, Hua, Th Thee developmen developmentt of fault-d fault-diagnosis iagnosis apparatus of lobomotive lobomotive diesel engine based onthe instantaneous speed theory, ProQuest Dissertations and Thesis, 2003.

[81]

Huang, Qiang, Study on A Application pplication of Neural Networks to Fa Fault ult Diagnosis Diagnosis and Control for Diesel Engine, ProQuest Dissertati Dissertations ons and Thesis, 2003.

90

 

CAPÍTULO 3: Estado del arte de diagnosis en motores diesel

[82]

Magı ́n Lapuerta, Octavio Armas, Santiago Molina, Study of the compression cycle of a reciprocating engine through the polytropic coefficient, Applied Thermal Engineering, 2003.

[83]

Yasui, Yuji, Air fuel ratio controller for internal combustion engine for stopping calculation of model parameters when engine is in lean operation, PATENTE.: http://www.google.ie/patents/US20040040 http://www.google.ie /patents/US20040040283?utm_sourc 283?utm_source=gb-gpluse=gb-gplussharePatent, 2004.

[84]

Kim, Chung-Gong, Chung-Gong, A crank angle resolved CIDI engine combustion model with arbitrary fuel injection for control purpose, ProQuest Dissertations and Thesis, 2004.

[85]

Ayadi, M., Polynomial control of nonlinear turbocharged diesel engine model, Industrial Technology, 2004.

[86]

Rakopoulos, C.D., Validation and sensitivity analysis of a two zone zone Diesel Diesel engine model for combustion and emissions prediction, Energy Conversion and Management,t, 2004. Managemen

[87]

Yu-Long Zhan, A simulation model for the main engine of the modern container container ship, Machine Learning and Cybernetics C ybernetics,, 2004.

[88]

Li, Chang-Wen, and simulation of ddiesel iesel engine under steady state conditions based Modeling on Matlab/Simulink and RTW, Journal of Chinese Institute of Technology,, 2004. Technology

[89]

Yong He, Diesel fuel injection system faults diagnosis based on fuzzy injection  pressure pattern recognition, Intelligent Control and Automation World Congress, 2004.

[90]

Gen-Ting Yan, Fault diagnosis of die diesel sel eengine ngine combustion combustion system based on neural networks, Machine Learning and Cybernetics, 2004.

[91]

Kluj, Ste Stefan, fan, The application of the ddiesel iesel engine simulator for th thee diagnostic diagnostic training, Proceedings of the IASTED International Conference on Applied Simulation and Modelling, 2004.

[92]

Murphy, B.J., Diagnostic fault dete detection ction for in internal ternal combustion engines via norm based map projections, Aerospace Conference, 2004.

[93]

Scherer, M., F Fluid luid condition condition mon monitoring itoring ssensors ensors for diesel diesel engine control, Sensors, 2004.

[94]

Asay, Richard J., Con Condition dition based based monitoring for industrial engines, SAE International, 2004.

[95]

Mesbahi, Ehsan, Diesel engine engine fault diagnosis by means of of ANNs: A comparison of two methods, Proceedings of the Institute of Marine Engineering, Science and Technology, 2004. 91

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[96]

Hountalas, D.T., A diagnostic method for hheavy-duty eavy-duty diesel engines used in stationary applications, Journal of Engineering for Gas Turbines and Power, 2004.

[97]

J.M. D Desantes, esantes, J. Benajes, S. Molina, Molina, C.A. González González,, The modification of the fuel injection rate in heavy-duty diesel engines: Part 2: Effects on combustion, Applied Thermal Engineering, 2004.

[98]

Ceausu, Radu, A generic, transient model of a turbocharged, multi-c multi-cylinder, ylinder, common-rail diesel engine, Proceedings of the Spring Technical Conference of the ASME Internal Combustion Engine Division, 2005.

[99]

Brahma, Indrani Indranil,l, Data driven system level modeling for diesel engines, Dissertations and Theses (Base de datos), 2005.

[100] Chung, Nam Namhoon, hoon, Nonlinear Nonlinear dynamic model model of a turbocharged turbocharged dies diesel el engine, SAE International, 2005. [101] Lee, By Byungho, ungho, Me Methodology thodology ffor or rapid static and dynamic dynamic model-based engine calibration and optimization, Google, 2005. [102] Zang, Quan Gang, Research on Fault Diagnosis of Diesel Engine by Curve Fits Based on the Vibration Signals, ProQuest Dissertati Dissertations ons and Thesis, 2005. [103] Ren Yun Yunpeng, peng, Approach to diesel engine fault diagnosis based on crankshaft angular acceleration measurement and its realization, Mechatronics and Automation, 2005. [104] Labs, J.E., A cons constant tant volume diesel spray spray combustion facility and the correspondingg experimental diagnostics, Review of Scientific Instruments, 2005. correspondin [105] Murphy, B.J B.J.,., Diagnostic fault detection & intelligent intelligent reconfiguration of fuel delivery systems, Aerospace Conference, Conference, 2005. [106] Canova, M., A contro control-oriented l-oriented model of combust combustion ion process in a HCCI diesel engine, American Control Conference, 2005. [107] Antor Antory, y, A., F Fault ault diagnosis applicat application ion in an automotive auto motive diesel engine using auto-associative neural networks, Computational Intelligence for Modelling, Control and Automation, 2005. [108] Schmitigal, Joel, Evalu Evaluation ation of sensors for on-board diesel oil condition condition monitoring of U.S. Army Ar my ground equipment, SAE International International,, 2005. [109] Antory, D., Faul Faultt diagnosis iinn internal ccombustion ombustion engines engines using non-linear multivariate statistics, Proceedings of the Institution of Mechanical Engineer, 2005. [110] Mark A. Schwabacher, Schwabacher, A S Survey urvey of Data-Driven Prognos Prognostics, tics, NASA, NASA, 2005.

92

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[111] F.Payri, Influence of measurement errors and estimated parameters on combustion diagnosis, Applied Thermal Engineering, 2005. [112] H Li an andd P Zh Zhou, ou, Pattern R Recognition ecognition On Diesel Engine Working Working Condition Condition by

using a Novel Methodology Hilbert Spectrum Entropy, Journal of Marine Engineering and Technology, Technology, 2005. [113] Isermann R , Model-based faultfault-detect detection ion and diagnosis - status and applications , Annual Reviews in Control, 2005. [114] L. Barelli, G. Bi Bidini, dini, Design of the measurements measurements val validation idation procedure and and the expert system architecture for a cogeneration internal combustion engine, Applied Thermal Engineering, 2005. [115] Chen P, Taniguchi M, Toyota T, He ZJ., F Fault ault diagnosis m method ethod for m machiner achineryy in unsteady operating condition by instantaneous power spectrum and genetic  programming, Mechanical Mechanical Systems Systems and Signal Proce Processing, ssing, 2005. [116] Desai, Mihir C, Adaptive aero-thermodynamic engine m model, odel, PATENTE. Ir ruta  para ver artículo: artículo: http://www.google.com/paten http://www.google.com/patents/US7058556, ts/US7058556, 2006. [117] Jayasinghe, Dave, Effects of duty cycles on diesel engine component life estimation, ProQuest Dissertations and Thesis, 2006. [118] Li, Ying, Applica Application tion of phenomenological phenomenological combustion model model for working  process simulation of LD485 diesel engine, Chinese Internal Combustion Engine Engineering, 2006. [119] Curry, T.D., A Application pplication of robust ll11 fault detection and isolation isolation to an industrial industrial  benchmark  benchma rk using a genetic algorithm, Computer Aided Control S System ystem Design, 2006. [120] Luo, Jianhui, Intelligent diagnostic design process for vehicle health management, ProQuest Dissertations and Thesis, 2006. [121] Jiang, Dan Dan-Na, -Na, Research on improving improving the real-time performance of the diesel diesel engine model using the method of cylinder moving, Chinese Internal Combustion Engine Engineering, 2006. [122] Yulong Zh Zhan, an, Modelin Modelingg the Stable Working Con Condition dition of Modern Container Container Ships Main Engines, Industrial I ndustrial Technology, Technology, 2006. [123] Yanqing Shen Shen,, Fault Diagnosis of Diesel F Fuel uel Ejection System Based on Improved WNN, Intelligent Control and Automation World Congress, 2006. [124] Lapuerta, Mag& Magín, #237;n, Effect Effect of the gas state equati equation on on the thermodynamic diagnostic of diesel combustion, Applied Thermal Engineering, 2006. [125] Gasparja Gasparjan, n, A A.,., The use of results of spectral analysis of synchronous synchrono us generator generator output voltage for techni t echnical cal diagnostics., Industrial Techn Technology, ology, 2006. 93

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[126] Singh, Satbir, Experimental investigation of multi-mode diesel engine combustion and validation of advanced combustion models, ProQuest Dissertations and Thesis, 2006.

[127] Chunhua Zhao, Res Research earch on Multi-agent System Model of Diesel Engine Fault Diagnosis by Case-Based Reasoning, Innovative Computing, Information and Control, 2006. [128] Arrègle, J., De Developm velopment ent of a m mixing ixing and combustion zero-dimensional model model for diesel engines, SAE International, 2006. [129] Mauviot Mauviot,, G., A nnew ew 0D approach for di diesel esel combustion modeling coupling  probability  probabili ty density function wi with th complex chemis chemistry, try, SAE International, International, 2006. [130] Yang, Wen Wen-Xian, -Xian, Establishm Establishment ent of the m mathematical athematical m model odel for diagnosing diagnosing the engine valve faults by genetic programming, Journal of Sound and Vibration, 2006. [131] Shiyuan, Liu, Detection of engine valve faults by vibration vibrat ion signals measured on the cylinder head, Proceedings of the Institution of Mechanical Mechanical Engineers, 2006. [132] Hountalas, D.T., Ex Experimental perimental inves investigation tigation to develop a me methodology thodology for estimating the compression condition of DI Diesel engines, Energy Conversion and Management, 2006. [133] C.D. Rak Rakopoulos, opoulos, Review of Thermodynamic Diesel Engine Simulations Simulat ions under Transient Operating Conditions, SAE International, 2006. [134] Andrew K.S. Jardine, A review on machinery diagnostics and prognostics implementing condition-based maintenance, Mechanical Systems and Signal Processing, 2006. [135] Christos Emmanouilidis, Flexible software for condition monitoring, incorporating novelty novelty detection and diagnostics, d iagnostics, Computers in Industry, 2006. [136] Adnan Parlak, Application of artificial neural network to predict specific fuel consumption and exhaust temperature for a Diesel engine, Applied Thermal Engineering,, 2006. Engineering [137] Nabende Peter, An Ex Expert pert System for for Diagnosing He Heavy avy Duty Duty Diesel Engine Faults, Faculty of Computing and IT, Makerere Unive University, rsity, 2006. [138] Roger John Johnsson, sson, Cy Cylinder linder pressure reconst reconstruction ruction based on complex radial basis basis function networks from vibration and speed signals, Mechanical Systems and Signal Processing, 2006. [139] Pan, Fen Feng, g, Fault diagnosis expert system of power-indicator chart on di diesel esel engine, ProQuest Dissertations and Thesis - Asia, 2007.

94

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[140] Ponti, Fabrizio, Common rail multi-jet diesel engine combustion model development devel opment for control purposes, SAE International, 2007. [141] Tan, Yuy Yuyu, u, Preliminary empirical an andd modeling analyses for for model based based diesel diesel

engine control, ProQuest Dissertations and Thesis, Thesis, 2007. [142] Winkler, Niklas, Study of measured and model based gen generated erated turbine  performance maps within a 1D model of a heavy-duty diesel engine operated during transient …, SAE International I nternational,, 2007.   [143] Schulze, Tino, Crank angle - Based diesel engine m model odeling ing for for hardwar hardware-in-t e-in-theheloop applications with in-cylinder pressure sensors, SAE Internati I nternational, onal, 2007. [144] Steigerwald, Kay Kay,, Development Development of an in intake take flow based m model odel calculating real time exhaust flow by accounting for filling and emptying of the engine manifolds, SAE International, 2007. [145] Payri, F., A simple model model for predictin predictingg the trapped mass mass in a di diesel engine, SAE International, 2007. [146] Qi, Kun-Peng Kun-Peng,, Study on m modeling odeling of workin workingg process of diesel engine engine with hardware-in-the-loop simulation system, Chinese Internal Combustion Engine Engineering,, 2007. Engineering [147] Zhang, Jie, A diesel engine real time NOx emission simulation sys system tem based on RTW and VxWorks, SAE International, 2007. [148] Pett Pettiti, iti, M., Development of a nnew ew m mean ean value model for for the analysis of turbolag  phenomenaa in automotive die  phenomen diesel sel engines, SAE SAE International International,, 2007. [149] Qunming Li, Fuzzy Petr Petri-Nets i-Nets Based Fault Di Diagnosis agnosis for Mechanical - electric electr ic Equipment,t, Control and Automation, 2007. Equipmen [150] Joshi, Alok A., Strategie Strategiess for data-based diesel engine fault diagnostics diagnostics,, ProQuest Dissertations and Thesis, 2007. [151] Leferov, A.A A.A.,., A techni technique que and diagnostic ai aids ds of diesel diesel engine fuel fuel equipment equipment in service conditions, Russian Aeronautics, 2007. [152] Church, William E., Design and and implementatio implementationn of an infrared diagnostic system to a high speed small bore diesel engine, ProQuest Dissertations and Thesis, 2007. [153] Fang, Ti Tiegang, egang, Low-tem Low-temperature perature combustion combustion in a small-bore high-speed high-speed direct direct injection optically accessible diesel engine, ProQuest Dissertations and Thesis, 2007. [154] Liu Yongfeng, Laser Diagnostics Technology Research for Measurement Cylinder Temperature Field in Direct-injection Diesel Engine, Electronic Measurementt and Instruments, 2007. Measuremen 95

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[155] Zweiri, Y.H., Di Diesel esel En Engine gine Indicated Torque Estimation Based on Artificial  Neural Networks, Computer Computer System Systemss and Applic Applications, ations, 2007. [156] Lafossas, F.-A., Devel Development opment and ap application plication of a 0D D.I. di diesel esel combustion combustion

model for emissions prediction, SAE International, 2007. [157] Widodo A; Yang Bs , Support vector machine machine in machine condition moni monitoring toring and fault diagnosis , Mechani Mechanical cal Systems and Signal Processing, 2007. [158] Cenk Sayin, H. Metin Ertunc, Mura Muratt Hosoz, Ibrahim Kilicaslan Kilicaslan,, Mustafa Canakci, Perfor Performance mance and exhaust emissions of a gasoline engine using artificial neural network, Applied Thermal Engineering, 2007. [159] Xi-Bo Wang, Kang-Yao Deng, Fang-Zheng He, Zhen-Hua Zhou, A thermodynamics model for the compression and expansion process during the engine’s motoring  and a new method for the determination of TDC with simulation technique, Applied Thermal Engineering, 2007. [160] Haiyan Wan Wang, g, Modified Me Mean an Value Model for a Com Common mon Rail Marine Diesel Engine, Modelling, Simulation and Optimization, 2008. [161] Li W Wei, ei, Modeling and Simulat Simulation ion of System Dyn Dynamics amics for Cold Test, Intelligent Information Technology Application, 2008. [162] Nohra, Ch Chady, ady, A nnonlinear onlinear approach with gain sschedule chedule control adaptation adaptation for a complete-model diesel-engine diagnosis, 3rd International Symposium on Communications, Communica tions, Control, and Signal Processing, ISCCSP, 2008. [163] Wang, Hai Hai-Yan, -Yan, Volumetric model of a large-scale large-scale low-speed electronically electronically controlled marine diesel engine, Chinese Society for Internal Combustion Engines, 2008. [164] Plianos, Alexan Alexandros, dros, Modeling Modeling and control of diesel engines engines equipped with with a two-stage turbo-system, SAE International, 2008. [165] Gelso, E.R., Robust fault detection using consistency techniques with application to an automotive engine, IFAC Proceedings Volumes, 2008. [166] Clever, S., Si Signalgnal- and process model-based fault detection an andd diagnosis of a common rail injection system, FISITA World Automotive Auto motive Congress, Congress, 2008. [167] Jiang, F.-Y., Prototy Prototyping ping hardware-in-the-loop simulation simulation system of diesel engine on linux system with automatic code generation, SAE International, 2008. [168] Tauzia, X., Simulation study of a ship's engine behaviour running with a  periodically immersed exhaust, Proceedin Proceedings gs of the Institution of Mechanic Mechanical al Engineers, 2008.

96

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[169] Peng Li Li,, On the Intelligent Fa Fault ult Diagnosis Method for Marin Marinee Diesel Engine, Apperceiving Computing and Intelligence Analysis, 2008. [170] Li Peng, Th Thee application an andd research of the intelligent intelligent fault diagnosis for for

marine diesel engine, Advanced Intelligent Mechatronics, 2008. [171] Peng Li Li,, The R Research esearch of the Intelligent Faul Faultt Diagnosis Sy System stem Optimized by GA for Marine Diesel Engine, Intelligent Information Technology Application Workshops, 2008. [172] Zhang Bin Bin,, Study on Fault Diagn Diagnosis osis Sys System tem of Diesel Diesel Engine Fuel Injection System Based on BP Neural Network, Computing, Communication, Control, and Management, 2008. [173] Xun Wang, Nonlinear PCA Wi With th the Local Approach for Diesel Engine Fault Detection and Diagnosis, Control Systems Technology, IEEE Transactions, 2008. [174] Gomes, Cl Cleber eber Willian Willian,, Off Board ddiagnosis iagnosis using analy analytical tical system system for Diesel  powered vehicles, vehicles, SAE Interna International, tional, 2008. [175] Yanping Cai, Applicat Application ion of Image Recognition Technology based on Fracta Fractall Dimension for Diesel Engine Fault Diagnosis, Young Computer Scientists, 2008. [176] Clever, Sebastian, Model-based Model- based fault detection and diagnosis with special input excitation applied to a modern diesel engine, IFAC Proceedings Volumes, 2008. [177] Mohammadpour, J., Real Real-time -time diagnostics in the EGR system system of diesel en engines, gines, American Control Conference, 2008. [178] Wentao Huan Huang, g, A discernibility discernibility matrix primitive primitive based rule extraction method method for wear pattern recognition of diesel engine from incomplete data, Intelligent Control and Automation World Congress, 2008. [179] Serrano, J.R., A model of turbocharger turbocharger radial turbines approp appropriate riate to be used in zero- and one-dimensional gas dynamics codes for internal combustion engines modelling, Energy Conversion and Management, 2008. [180] Ascanio, G.M., Turbocharged diesel engine performance monitoring and diagnosis using system identification techniques, Proceedings of the IASTED International Conference Conference on Modelling, Mode lling, Identification, and Control, MIC, 2008. [181] Semin, Rosli Abu Bakar, Abdul Rahim Ismail , Inv Investigat estigation ion of Diesel Engine Performance Based on Simulation, American Journal of Applied Sciences, 2008. [182] O Bened Benedettini, ettini, State-of-the-art in integrated vehicle vehicle health health management, management, Proc. IMechE, 2008.

97

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[183] L. Barelli Barelli,, G. Bidini, C. Bura Buratti, tti, R. Mariani Mariani,, Diagnosis of internal internal com combustion bustion engine through vibration and acoustic pressure non-intrusive measurements, Applied Thermal Engineering, 2008.

[184] Hu, Yi, Research on the fault diagnosis technolog technologyy of diesel engine based on the instantaneous speed, Key Engineering Materials, 2009. [185] Rakopoulos, C.D C.D.,., Exhaust Exhaust emissi emissions ons estimation during transient turboch turbocharged arged diesel engine operation using a two-zone combustion model, International Journal of Vehicle Design, 2009. [186] Nohra, Chady Chady,, A linear approach wi with th u-analysis control adaptation adaptation for a complete-model diesel-engine diagnosis, Chinese Control and Decision Conference,, CCDC, 2009. Conference [187] Wang, Hai-Yan, CylinderCylinder-by-cylind by-cylinder er m mean ean performance perfor mance value model model of a marine diesel engine, Journal of Harbin Engineering University, 2009. [188] Chengjun Shi, Simulation and Optimal Control of Diesel Diesel Engine Propulsion Propulsion System, Computer Science and Information Engineering, 2009. [189] Janartha Janarthanan, nan, B., Modeling of diesel engine and automatic tr transmission ansmission of a tracked vehicle, SAE International, 2009. [190] Subrahmany Subrahmanya, a, Niranjan, Data-based proces processs moni monitoring, toring, fault detection and diagnostics,, Pro diagnostics ProQuest Quest Dissertations and Thesis, 2009. [191] Ceccarelli, R., Model-base Model-basedd adaptive observers for in intake take leakage leakage detection in diesel engines, Proceedings Proceedings of tthe he American Control Conference , 2009. [192] Shui, A., Review of fault diagnosis in contro controll systems, Chinese Control and and Decision Conference, 2009. [193] Wang, Zi-Ying, The applicat application ion of ensemble ssuppo upport rt vector vector machine to fault fault diagnosis of diesel engine based on AdaBoost algorithm, China Ordnance Society, 2009. [194] Jia-shan Hu Huang, ang, Fault Fault Diagnosis for Die Diesel sel Engines Based on Discrete Hidden Markov Model, Intelligent Computation Technology and Automation, 2009. [195] Zhang Xu, Fault Diagnosis of Marine Diesel Engine by Means of ImmuneRough Sets and RBF Neural Network, Information and Computing Science, 2009. [196] Yu-long Zhan, Research on delamination delaminat ion fault diagnosis of marine diesel engine  based on Support Support Vector Machi Machine, ne, Industrial Electronic Electronics, s, 2009. [197] Chandrachu Chandrachud, d, Neha R., Classifi Classification cation of the health of dies diesel el engines using sparse linear discriminant analysis, ProQuest Dissertations and Thesis, Thesis, 2009.

98

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[198] Wang, Jun Junxi, xi, An intelligen intelligentt diagnostic tool ffor or electronically controlled diesel diesel engine, Mechatronics, 2009.

[199] Phan, Anthony, Development Developme nt of a rate of injection bbench ench and constant volume combustion chamber for diesel spray diagnostics, ProQuest Dissertations and Thesis, 2009. [200] Asad, Usman, Advanced diagnostics, control and testing of diesel low temperature combustion, ProQuest Dissertations and Thesis, 2009. [201] Hu Mingjian Mingjiang, g, On-Line Sensor Diagnosis Diagnosis of the Di Diesel esel Engine Cold Starting Based on RBFNN, Testing and Diagnosis, 2009. [202] Singh, Inde Inderpal, rpal, Param Parametric etric analy analysis sis of comb combustion ustion and engine-out emissions emissions in a single cylinder HSDI diesel engin engine, e, ProQuest Disse Dissertations rtations and Thesis, 2009. [203] Lamaris, V.T., Possibili Possibility ty to determine determine diesel engine condition condition and tuning from the application of a diagnostic technique at a single operating point, SAE International, 2009. [204] Wang Jun Jun,, Data Acquisition of Cylinde Cylinderr Combustion Pres Pressure sure Oriented to Diesel Engine Control, Testing and Diagnosis, 2009. [205] Dulbecco, A., Awith newdetailed 0D diesel HCCI combustion comb ustion Oil model from a and 3D CFD approach tabulated chemistry, andderived Gas Science Technology, 2009. [206] Dulbecco, Alessio, A 0d phen phenomeno omenological logical approach to model diesel hcci combustion with multi-injection strategies using probability density functions and detailed ..., SAE International, 2009. [207] C.R.Parikh et al, Detectin Detectingg the cran crankshaft kshaft torsional vibration of diesel engines engines for combustion related diagnosis, Journal of Sound and Vibration, 2009. [208] Bilal Youssef, Individual Cylinder IMEP Estimation Based on TwoDimensional Graphical Signature Using Crankshaft Angular Velocity Measurements, 18th IEEE International Conference on Control Applications, 2009. [209] D. Watzeni Watzenig, g, M. S. Somm Sommer, er, G. Stein Steiner er , Engine sstate tate monitor monitoring ing and and fault diagnosis of large marine diesel engines, e & i Elektrotechnik und Informationstechnik, Informationstechn ik, 2009. [210] Roscoe, A.J., Integration of a mean-to mean-torque rque diesel engine model model into a hardwarein-the-loop shipboard network simulation, Power Electronics, Machines and Drives (PEMD), 2010. [211] Qi, Kun-Pen Kun-Peng, g, Simulation of quasi-dimensi quasi-dimensional onal model ffor or diesel engine working  process, Journal Journal of Central Sou South th University of Tec Technology, hnology, 2010 2010..

99

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[212] Sardar, Jasb Jasbir ir Singh, Three-dimensi Three-dimensional onal simulation an analysis alysis of a diesel engine using moving dynamic mesh with different turbulence and combustion models, ProQuest Dissertations and Thesis, 2010.

[213] Zhou Jiadong, Hardware-in-the-Loop Testing of Electronically-Controlled Common-Rail Systems for Marine Diesel Engine, Intelligent Computation Technology and and Automation (I (ICICTA), CICTA), 2010. [214] Yong Chan Chang, g, Vibration diagnosis sstudy tudy about the marine diesel engine based based on BSS, Signal Processing Systems (ICSPS), 2010. [215] Duan W Wei-Wu, ei-Wu, A ffault ault diagnosis method ffor or diesel engine based on Adaptive  Network-based Fuzzy Fuzzy Inferenc Inferencee System, Control C Conference onference (CCC), 2010 2010.. [216] Chuang Zhang, F Fault ault diagnosis for di diesel esel engine bas based ed on immune wavelet neural network, Advanced Computer Control (ICACC), 2010. [217] Yong Chang, Monitoring and fault diagnosis system for the diesel engine based on instantaneous speed, speed, Computer and Automation Engine Engineering ering (ICCAE), 2010. [218] Mohammadpo Mohammadpour, ur, Jav Javad, ad, Real-time diagnosis of the exhaust recirculation recirculat ion in in Diesel engines using least-squares parameter estimation, Journal of Dynamic Systems, 2010. [219] Bo Liu, An Ex Expert pert System for Faul Faultt Diagnosis in Diesel Engine B Based ased on Wavelet Packet Analysis and Hybrid PSO-DV Based Neural Network, Intelligent Computing and Cognitive Informatics (ICICCI), 2010. [220] Cao, Lon Longhan, ghan, Diesel en engine gine fault fault diagnosis m method ethod base basedd on MPDE-SVM and its application, 2nd International Conference on Information Science and Engineering,, ICISE, Engineering I CISE, 2010. [221] Chang, Yong, F Fault ault diagnosis of marine diesel engine based on blind source separation, The 2nd International Conference on Computer and Automation Engineering,, ICCAE, Engineering I CCAE, 2010. [222] Zhou Xianglong, Design of intellige intelligent nt ffault ault diagnosis system based on naval vessel's cooling system of diesel engine, Intelligent Control and Automation World Congress, 2010. [223] Cai, Yanpin Yanping, g, Application of wavelet packe packets ts and GA-BP al algorithm gorithm in fault fault diagnosis for diesel valve gap abnormal fault, Proceedings - 2nd IEEE International Conference Conference on Advanced Computer Control, IICACC, CACC, 2010. [224] Thiagarajan, Man Manoharan, oharan, Real-time implementation of a sensor sensor validation scheme for a heavy-duty diesel engine, ProQuest Dissertations and Thesis, 2010. [225] Liu Yon Yong, g, Measurement Measurement and diagn diagnostic ostic system for ccrankshaf rankshaftt of diesel engine, engine, Computer Application and System Modeling (ICCASM), 2010.

100

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[226] Zhang Shigang, Diagnostic Bayesian Networks auto-cons auto-construction truction an andd diagnostic diagnostic strategy design based on multi-signal model, Prognostics and Health Managementt Conference Managemen Conference,, 2010.

[227] Lamaris, V.T., A general general purpose diagnostic technique for for marine diesel diesel engines engines - Application on the main propulsion and auxiliary diesel units of a marine vessel, Energy Conversion and Management, 2010. [228] Lamaris, V.T., Validat Validation ion of a diagnostic method for estimating the compression condition of direct injection diesel engines, Proceedings of the Institution of Mechanical Engineers, Engineers, Part A: Journal of Power and Energy, 2010. [229] Li, Tao, Faul Faultt diagnosis for valv valvee train of diesel engine engine based based on bispectrum bispectrum estimation via non-gaussian AR model, Chinese Internal Combustion Engine Engineering,, 2010. Engineering [230] Wei Haijun, R Research esearch of Marine Die Diesel sel Engin Enginee Condition Detecting Detecting Base Base on BP  Neural Network and Spectrometric Analysi Analysis, s, Multimedia Technology (ICMT), ( ICMT), 2010. [231] Albarbar, A., Diesel engine fuel injection monitoring using acoustic measurements and independent component analysis, Measurement: Journal of the International Measurement Confederation, 2010. [232] Tao Liu, Applica Application tion of Factor Analysis to a Typ Typee Diesel Engine SOA, Measuring Technology and Mechatronics Automation (ICMTMA), 2010. [233] Bordet, Nicola Nicolas, s, A physical physical 0D ccombustion ombustion m model odel using tab tabulated ulated chemistr chemistryy with presumed probability density function approach for multi-injection diesel engines, SAE International, 2010. [234] Jian Gong, Sys System tem Level Diesel Engine Emission Emission Modeling Using Neu Neural ral  Networks, ME 539 Course Course Proje Project ct Report, 2010. [235] Chady Noh Nohra, ra, ON LINE FAULT DIAGNOSIS DIAGNOSIS OF A DIESEL ENGINE, EUROSIS, 2010. [236] M. Desb Desbazeille, azeille, ModelModel-based based diagnosis diagnos is of llarge arge diesel engines based on angular speed variations of the crankshaft, Mechanical Systems and Signal Processing, 2010. [237] Wang I; Kim S; Kim Y; Seah CE , A survey of fault fault detection, isolation, isolation, and reconfiguration methods , IEEE Transactions on Control Systems Technology, 2010. [238] Francis Morey, Patrice See Seers, rs, Comparison of cycle-by-cycle variation of measured exhaust-gas temperature and in-cylinder pressure measurements, Applied Thermal Engineering, 2010.

101

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[239] Bu-Geun Pai Paik, k, Seong-Rak Cho, Cho, Beom-Jin Pa Park, rk, Dongkon L Lee, ee, Byun Byung-Dueg g-Dueg Bae, Development of real-time monitoring system using wired and wireless networks in a full-scale ship, International Journal of Naval Architecture and

Ocean Engineering, 2010. [240] Necla Togun, Sedat Bay Baysec, sec, Gene Genetic tic programming approach to predict predict torque and brake specific fuel, Applied Energy, 2010. [241] F.F. Vacas et al, Development Of A Remote Non Intrusive Intru sive Diagnosis System For Two Stroke Diesel Engines , CIMAC World Congress on Combustion Engine, 2010. [242] Peter Obrecht, Malfuncti Malfunction on diagnosis at marine diesel diesel engines based on indicator cock pressure data, CIMAC World Congress on Combustion Engine, 2010. [243] F. Salfner, M M.. Lenk Lenk,, M. Male Malekk , A survey of online fail failure ure prediction methods, methods, Journal ACM Comp Computing uting Surveys Surveys , 2010 2010.. [244] Grahn, Markus, A diesel engine model model for dynamic drive cycle simulations, IFAC Proceedings Volumes, 2011. [245] Jimbo, Tomohiko, A physical m model odel for engine control contr ol design via role state variables, Control Engineering Practice, 2011. [246] Sun Bin, Control orient oriented ed real time model of m marine arine powerstation diesel engine  based on neural neural network, Com Computer puter Research an andd Development Development (ICCRD), 2011. [247] Mirheidari, Sal Saleh, eh, Model-based estimation and and fault diagnosis in diesel diesel engine applications, ProQuest Dissertations and Thesis, 2011. [248] Wu, Hai Hai,, Performance simulation and control desi design gn for diesel diesel engine nitrogen oxide emission reduction technologies, ProQuest Dissertations and Thesis, Thesis, 2011. [249] Vasu, J., Development and vvalidat alidation ion of an MVEM from an SI-engine based WCCM, Proceedings of International Conference on Modelling, Identification and Control, 2011. [250] Wu Peili, Simulation of working process of marine diesel engine in a comprehensive method, Soft Computing and Pattern Recognition (SoCPaR), 2011. [251] Teng, Ho, A ther thermodynamic modynamic model ffor or a single cylinder engine with its intake/exhaust systems simulating a turbo-charged v8 diesel engine, SAE International, 2011. [252] Qi, Kun Kunpeng, peng, Sim Simulation ulation of quasi-dimensional combustion m model odel for predicting predicting diesel engine performance, Applied Mathematical Modelling, 2011.

102

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[253] Wu, Hai, Mean value engine modeling for a diesel engine with GT-power GT-pow er 1D detail model, SAE International, 2011.

[254] Millet Millet,, Jean-Baptiste, Jean-Bapt iste, Air system and diesel combustion combust ion modeling for for hardware in the loop applications, ASME J. Eng. Gas Turbines Power, 2011. [255] Vasu, J., Devel Development opment of extended extended MV MVEM EM based UKF UKF estima estimators, tors, Annual IEEE India Conference: Engineering Sustainable Solutions, INDICON, 2011. [256] Vasu, J., The nneed eed ffor or bias modelling in MVEM based estimato estimators, rs, Proceedings of International Conference on Modelling, Identification and Control, 2011. [257] Shamekhi, A.H., A Ann approa approach ch to full-ra full-range nge ffault ault diagnosis of spark ignition engines' intake system using normalised residual and neural network classifiers, International Journal of Vehicle Systems Modelling and Testing, 2011. [258] Das, A A.,., Process m monitoring onitoring and ffault ault detection strategi strategies: es: A revi review, ew, IJQRM, 2011. [259] M. Barakat, Self Self adap adaptive tive growing nneural eural network classifier classifier for faults faults detection and diagnosis, Neurocomputing, 2011. [260] Ihab Samy, Survey and application of sensor fault detection and isolation schemes, Contro schemes, Controll Engineering Practice, 2011. [261] F. Payri, A com complete plete 0D thermodynami thermodynamicc predictive model ffor or direct injection diesel engines, Applied Energy, 2011. [262] Edwin Lughofer, Identifying static and dynamic dynamic prediction models for NOx emissions with evolving fuzzy systems, Applied Soft Computing, Computing, 2011. [263] Yu Y Yonghua, onghua, The development of fault diagnosis system for diesel engine based based on fuzzy logic, Eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), 2011. [264] Liu Jianmin, Diesel Misfire F Fault ault Diagnosis and Misfire Cylinder Ascertainment Ascertainme nt Based on Vibration Signal Explosion Peak Identification, Measuring Technology and Mechatronics Automation (ICMTMA), 2011. [265] Liang Guihang, Application Applicat ion for diesel engine in fault diagnose based on fuzzy neural network and information fusion, Communication Software and Networks (ICCSN), 2011. [266]

Cai, Yan-Ping, Diesel engine fault diagnosis based on time-frequency spectrum image and image segmentation, Transactions of CSICE (Chinese Society for Internal Combustion Engines), 2011.

[267] Liu, Jianmin, Misfire diagnosis of diesel engine based on rough set and Neural  Network, Procedia Procedia Engineering, 201 2011. 1.

103

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[268] Cai, Yanping, Dev Development elopment of on-line performance m monitoring onitoring and fault diagnosis system for diesel generator system, Key Engineering Materials, 2011.

[269] Zhou, Hongxi Hongxiao, ao, An improved BP al algorithm gorithm and application in the fault fault diagnosis of the diesel engine fuel system, 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce, AIMSEC, 2011. [270]Hu Mingjiang, Teaching research on sensor diagnosis based on information Syncretic Technology, Uncertainty Reasoning and Knowledge Engineering (URKE), 2011. [271] Simon, A., TARDEC and General General Motors C Condition ondition Bas Based ed Maintenance Maintenance Brief, Army Tank-Automotive Command, Warren, MI. Research Development and Engineering Dir., 2011. [272] Xinting Li, Sim Simulation ulation platform design for di diesel esel engin enginee fault, Electrical and Control Engineering (ICECE), 2011. [273] Wang, Xin, Improved naive Bayesian classifier method and the application in diesel engine valve fault diagnostic, Proceedings of International Conference on Measuring Technology and Mechatronics Automation, 2011. [274] Monitoring Seawort Seaworthy hy Engine Systems, of Inc,Foreign An Assessment Performance Performa nce and Condition Condit ion Requirements Marine ofDiesel Propulsion Systems, Measuring Technology and Mechatronics Automation (ICMTMA),, 2011. [275] Gupta, A., M Model odel bbased ased failure detection of Diesel Particulate Particulate Filter, American Control Conference (ACC), 2011. [276] Estefanous, Fadi A., Ionization in diesel combustion: Mechanism, new instrumentation and engine applications, ProQuest Dissertations and Thesis, 2011. [277] Ping Zh Zhou, ou, Research on m marine arine diesel's ffault ault prognostic and health management  based on oil monitoring, Prognostics and System Health Managemen Managementt Conference (PHM-Shenzhen), 2011. [278] Wang, Xin Xin,, Study on diesel engine fault diagnosis based based on integration integration of Bayesian and genetic neural network method, Advanced Materials Research, 2011. [279] Zhang, Xiaoming, Health status predict prediction ion of diesel based on chaotic theory, International Conference on Electric Information and Control Engineering, 2011. [280] Zheng, Min Mingyong, gyong, The de design sign of local safety m monitoring onitoring device for marine diesel engine, 2nd International Conference on Mechanic Automation and Control Engineering, MACE, 2011.

104

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[281] Fentress, Amy, The use of linear sweep voltammetry voltammet ry in condition condit ion monitoring monitor ing of diesel engine oil, Journal of ASTM International (JAI), 2011.

[282] Porteiro, Jacob Jacobo, o, Diesel engine con condition dition moni monitor toring ing using using a multimulti-net net neural neural network system with nonintrusive sensors, Applied Thermal Engineering, 2011. [283] Weienborn, E., Adaptation Adaptation of a zero-dimensional cy cylinder linder pressure m model odel for diesel engines using the crankshaft rotational speed, Mechanical Systems and Signal Processing, 2011. [284] Kwon, Jaesung, ZeroZero-dimensional dimensional simulation of diesel engine combustion and emissions based on CMC model and skeletal reaction mechanism, SAE International, 2011. [285] Bernard, Guilla Guillaume, ume, A 0D phen phenomenological omenological model using detailed tabulated chemistry methods to predict diesel combustion heat release and pollutant emissions,, SAE International, 2011. emissions [286] Kaushik Ghosh, Evaluation of decision fusion strategies for effective collaboration among heterogeneous fault diagnostic methods, Computers & Chemical Engineering, 2011. [287] Yali Zhang, Engine Wear Monitoring with OLVF, Society of Tribologists Tribolog ists and Lubrication Engineers, 2011. [288] N. Bordet, A Phy Physics sics and Tab Tabulated ulated Chemis Chemistry try Based Compressi Compression on Ignition Combustion Model: from Chemistry Limited to Mixing Limited Combustion Modes, Oil & Gas Science and Technology, 2011. [289] Khakzad N; Khan F; Amyott Amyottee P , Safety analysis in process facilities: comparison of faul faultt tree and bayesi bayesian an network approaches approaches , Reliability Engineering and System Safety, 2011. [290] F. Pay Payri, ri, P. Olme Olmeda, da, C. Gua Guardiola, rdiola, J. Martín, A Adaptive daptive determination determination of cut-off cut- off frequencies for filtering the in-cylinder pressure in diesel engines combustion analysis, Applied Thermal Engineering, 2011. [291] Masayuki Tamura, Hi Hitoshi toshi Saito, Saito, Yukimaro Murata, K Kunihiro unihiro Kokubu, Kokubu, Satoshi Morimoto, Misfire detection on internal combustion engines using exhaust gas temperature with low sampling rate, rat e, Applied Thermal Engineering, 2011. [292] C. Guardiola Guardiola,, J.J. López, J. Martín, D. García-Sarmiento, García-Sarmiento, Semi Semiempirical empirical incylinder pressure based model for NOX prediction oriented to control applications, Applied Thermal Engineering, 2011. [293] Antonello Sal Sala, a, Frances Francesco co De Carlo, Ga Gabriele briele Bugli Buglioni, oni, Alessandro Lucchetti, Lucchetti, Energy performance evaluation of fishing vessels by fuel mass flow measuring system, Ocean Engineering, 2011.

105

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[294] Jian Zhang, Fuzzy modeling of diesel engine based on working position, System Science and Engineering (ICSSE), 2012.

[295] Pasternak, Mi Michal, chal, Self-calibrating m model odel for diesel engine simulations, simulations, SAE International, 2012. [296] Chao Deng, Sequential robust control design methodolog methodologyy application applicat ion to the MIMO air path of a diesel engine, IECON 2012 - 38th Annual Conference on IEEE Industrial Electronics Society, 2012. [297] Vasu, J., Development of SI-engine based extended MVEMs for use in estimators for engine health management, SAE International, 2012. [298] Nohra, C., Com Complete-model plete-model diesel-engine diesel-engine diagnosis usin usingg gain schedule-mu analysis and non-linear estimator, Industrial Electronics and Applications (ICIEA), 2012. [299] Mohammadpour, J. J.,, A surv survey ey on diagn diagnostic ostic methods for autom automotive otive engine engines, s, International journal of engine research, 2012. [300] Xiuyan Peng, Research on Fault Diagnosis of Marine Diesel Engine Based on Grey Relational Analysis and Kernel Fuzzy C-means Clustering, Intelligent Computation Technology and Automation (ICICTA), 2012. [301] Yuan, Kexin, F Fault ault diagnosis of diesel engine based on BP neural network, networ k, Lecture Notes in Electrical Engineering, 2012. [302] Bayba, A. J., Ap Application plication of Autoassociative Autoassociative Neural Networks to Heal Health th Monitoring of the CAT 7 Diesel Engine, Army Research Lab., Adelphi, MD., 2012. [303] Ruliang Pan, The Applicat Application ion of Support Vector Vector Machine on Fault Fault Diagnosis of the Diesel Engine Exhaust Gas Turbocharger, Computer Distributed Control and Intelligent Environmental Monitoring (CDCIEM),, 2012. [304] Dey, K Koustav, oustav, Ch Characterization aracterization and rejection of noise from in-cylinder pressure pressure traces in a diesel d iesel engine engine,, Pro ProQuest Quest Dissertations and Thesis Thesis,, 2012. [305] Armas, Oc Octavio, tavio, Therm Thermodynamic odynamic diagnosis of diesel and biodiesel combustion combustion  processes during during load-increase transi transient ent sequence sequences, s, Applied Energy, Energy, 2012. [306] Finesso, Roberto, Analysis of combustion and emissions emissio ns in a EURO v diesel engine by means of a refined quasi-dimensional multizone diagnostic model, SAE International, 2012. [307] Hountalas, Dimitr Dimitrios ios T., Evaluation of a new diagnostic diagnost ic technique to detect detect and account for load variation during cylinder pressure measurement of large-scale four-stroke ..., SAE Internati I nternational, onal, 2012.

106

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[308] Korczewski Korczewski,, Zbigniew, Al Alternative ternative diagnostic diagnostic method appl applied ied on marine marine diesel engines having limited monitoring susceptibility, Transactions of the Institute of Measurementt and Control, 2012. Measuremen

[309] Squibb, Cody Cody,, Experimen Experimental tal measurem measurement ent and an analysis alysis of in-cylinder fuel-air fuel-air mixing and combustion using an optical DI Diesel engine under realistic operating conditions, ProQuest Dissertations and Thesis, 2012. [310] Chao Deng, Sequential robust control design methodolog methodologyy application applicat ion to the MIMO air path of a diesel engine, 38th Annual Conference on IEEE Industrial Electronics Society, 2012. [311] Rezaei, Reza, Zero-dimensional m model odeling ing of combustion combust ion and heat release rate in di diesel engines, SAE International, 2012. [312] Li, Z., Condition monitor monitoring ing and ffault ault diagnosis for marine diesel engines using information fusion techni t echniques, ques, Elektronika ir Elektrotechnika, 2012. [313] Xu, Haifen Haifeng, g, New in intelligent telligent condition condition monitoring and fault fault diagnosis system system for diesel engines using embedded system, Applied Mechanics and Materials, 2012. [314] Suneel Kum Kumar ar a,n, ManishKumarChauhan ManishKumarChauhan b, b, Varun, Numerical m modeling odeling of compression ignition engine: A review, Renewable and Sustainable Energy Reviews, 2012. [315] F. F. Vacas, Diesel Engine Maintenance based on the Diagnosis of Operating Conditions, ENDESA Publications, 2012. [316] Hall T; Beecham S; Bowes D; Gray D; Counsel Counselll S , A systematic literature literatu re review on fault prediction performanc performancee in software engin engineering eering , IEEE Transactionss on Software Engineering, 2012. Transaction [317] A. Rosato, S. Sibilio, Calib Calibration ration and valida validation tion of a model for for simulating thermal and electric performance of an internal combustion engine-based microcogeneration device, device, Applied Thermal Engineering, 2012. [318] Li, Z., Yan Yan,, X., Guo, Z. et al. Tribol Lett, Intelligent Fusion Method of MultiDimensional Sensors and Its Application to Tribo-System Fault Diagnosis of Marine Diesel Engines, Tribology Letters, 2012. [319] L. Cornolti, 1D si simulation mulation of a turbocha turbocharged rged Diesel engine wi with th comparison of short and long EGR route r oute solutions, Applied Energy, 2013. [320] Kim, J., Sim Simulation ulation on the effect of the com combustion bustion pa parameters rameters on the piston piston dynamics and engine performance using the Wiebe function in a free piston engine, Applied Energy, 2013. [321] M. Dehghani Firoozabadi, Thermodynamic control-oriented modeling of cycleto-cycle exhaust gas temperature in an HCCI engine, Applied Energy, 2013. 107

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[322] R.D, Carl, Automotive engine FDI by application of an automated model-based model-based and data-driven design methodology, Control Engineering Practice, 2013.

[323] Zhen, D D.,., Acousti Acousticc measurements measurements ffor or the com combustion bustion diagn diagnosis osis of diesel engines engines fuelled with biodiesels, Measurement Science and Technology, 2013. [324] Bing Li, Classification of time-frequency repr representations esentations using improved morphological pattern spectrum for engine fault diagnosis, Journal of Sound and Vibration, 2013. [325] Li, C., A novel redundant data separation algorithm for automobile engine fault detection, ICIC Express Letters, 2013. [326] F. Tagliala Taglialatela, tela, Determina Determination tion of combustion parame parameters ters using engine crankshaft speed, Mechanical Systems and Signal Processing, 2013. [327] Yuan, J., Ensem Ensemble ble noise-reconstructed empirical empirical mode decomp decomposition osition for mechanical fault detection, Journal of Vibration and Acoustics, Transactions of the ASME, 2013. [328] Badawy Badawy,, Tamer H., Ionization in diesel combustion for on-board diagnostics diagnostics and engine control, ProQuest Dissertations and Thesis, Thesis, 2013. [329] Arroyo, Di Diagnostic agnostic method bbased ased on the generators analysis of inthenuclear vibration and acoustic Jorge, emission energy for emergency diesel plants, Applied Acoustics, 2013. [330] Al-Durra, A., A real-time pressure estimation algorithm for closed-loop combustion control, Mechanical Systems and Signal Processin Pro cessing, g, 2013. [331] Amin Maghbouli, An advanc advanced ed combustion model coupled wi with th detailed chemical reaction mechanism for D.I diesel engine simulation, Applied Energy, 2013. [332] DanielWatzenig DanielWatzenig,, Model-Based Condition aand nd State Monitoring of Large Marine Diesel Engines, INTECH, 2013. [333] Yin S; Ding SX; Xie XC; Luo H , A review on basic data-driven data- driven approaches for industrial process monitoring , IEEE Transactions on Industrial Electronics and Control Instrumentation, 2014. [334] Yin S; Luo H; Ding SX , Real-time implementation of fault-tolerant control systems with performance optimization , IEEE Transa Transactions ctions on Industrial I ndustrial Electronics and Control Instrumentation, 2014. [335] Shatnawi Y; Al-khass Al-khassaweneh aweneh M , Faul Faultt diagnosis in internal internal combustion combustion engines using extension neural network , IEEE Tr Transa ansactions ctions on Industrial Electronics and Control Instrumentation, 2014.

108

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[336] Jesús Benajes, Pablo Olmeda, Jaime Martín, Ricardo Carreño, A new methodology for uncertainties characterization in combustion diagnosis and thermodynamic modelling, Applied Thermal Engineering, 2014.

[337] Magín Lap Lapuerta, uerta, Josep Sa Sanz-Argent, nz-Argent, Robe Robert rt Raine, He Heat at releas releasee determination in a constant volume combustion chamber from the instantaneous cylinder  pressure, Applied Applied Thermal Engineering, Engineering, 2014. [338] Bidarvatan, M., Thakka Thakkar, r, V., Sh Shahbakhti, ahbakhti, M., Bahri, B., Abdul Aziz, A A.,., Grey box modeling modeling of HCCI engines, A Applied pplied Thermal Engi Engineering, neering, 2014. [339] Unbedahts, A., Carjova, K., Urbaha, M., Acoustic emission method implementation for medium and high speed ship engines condition monitoring, Transport Means - Proceedings of the International I nternational Conference Conference,, 2014. [340] Hountalas, Comparative evaluation of various m methodologies ethodologies to account account for the effect of load variation during cylinder pressure measurement of large scale twotwo stroke diesel engines, Applied Energy, 2014. [341] Gao ZW; Cecati C; Ding SX , A surv survey ey of fault diagnosis diagnosis and fault-tolerant techniques-part techniques-pa rt i: faul faultt diagnosis with model-based and signal-based approaches , IEEE Transac Transactions tions on Industrial Electronics E lectronics and Control Instrumentation, 2015. [342] Javed K; Gouriveau R; Zerhouni N; Nectoux P , Enabling health monitor monitoring ing approach based on vibration vibratio n data for accurate  prognostics , IEEE Transactions Transactions on Industrial Electronics and Control Instrumentation, 2015. [343] Oihane C C.. Basu Basurko, rko, Zigor Uriondo, C Condition-Based ondition-Based Maintenance for for medium speed diesel engines used in vessels in operation, o peration, Applied Thermal Engineering, 2015. [344] Seungsuk Oh, Kyunghan Min, Myoungho Sunwoo, Real-time start of a combustion detection algorithm using initial heat release for direct injection diesel engines, Applied Thermal Engineering, 2015. [345] Li, Y., Wang, Y., Zi, Y., Zhang, M., A Ann enhanced data visualization method for for diesel engine malfunction classification using multi-sensor signals, Journal of Sensors, 2015. [346] Yuan, Y., Yan Yan,, X., Wang, K K.,., Yuan, C., A nnew ew remote intelligent intelligent diagnosis system for marine diesel engines based on an improved multi-kernel algorithm, Journal of Risk and Reliability, 2015. [347] Herrer Herrera, a, J.A.G., López, J.F.L., Ri Riaza, aza, H.F.Q., Diagnostic method based on the analysis of vibration and acoustic emissions for internal combustion engines faults, Symposium on Image, Signal S ignal Processing Processing and Artificial Vision, 2015.

109

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[348] Phillip Phillips, s, J., J., Cripps, E., Lau, J.W., H Hodkiewicz, odkiewicz, M.R., Cl Classifying assifying machinery machiner y condition using oil samples and binary logistic regression, Mechanical Systems and Signal Processing, 2015.

[349] Xiao Feng Li Liang, ang, Lu Yun Chen, Hong Yi, Yi, Dan Li, Integrated allocation allocation of warship reliability and maintainability based on top-level parameters, Ocean Engineering,, 2015. Engineering [350] Jakub Cichowicz, Gerasimos Theotokatos, Theotokato s, Dracos Vassalos, Dynamic energy energ y modelling for ship life-cycle performance assessmen assessment,t, Ocean Enginee Engineering, ring, 2015. [351] D.G. Trodden, A.J. Murphy, K. Pazouki, James Sargeant, Fuel usage data analysis for efficient shipping operations, Ocean Engineering, 2015. [352] A.J. Murphy, A.J. Norman, K. Pazouki, D.G. Trodden, Thermodynamic simulation for the investigation of marine Diesel engines, Ocean Engineering, 2015. [353] Dong-Sup Lee Lee,, Dae-Seung Cho, Kookhyun Kookhyun Kim, Jae-Jin Jeon, Woo-Jin Jung, Myeng-Hwan Kang, Jae-Ho Kim, A simple iterative independent component analysis algorithm for vibration source signal identification of complex structures, International Journal of Naval Architecture and Ocean Engineering, 2015. [354] Hassan Mouss Moussaa Nahim, Oriented review to potential sim simulator ulator for faults modeling in diesel engine, Journal of Marine Mar ine Science and Technology Technology,, 2015. [355] J.A. Pagan, F. Vera, J.H. G Grau, rau, Proceso obtenció obtenciónn medidas experimentales experiment ales y tratamiento de datos para model modelado ado motor diesel marino, Congreso Nacional De Ingeniería Termodinámica, 2015. [356] W. Cao, G. Dong, W. W. Chen, Chen, J. Wu, Wu, Y. Xie, Xie, Multisensor iinformation nformation integration integration for online wear condition monitoring of diesel engines, Tribology International, 2015. [357] T.R. Lin, A. CC. Tan, L. Ma, J. Mathew, Condition Condit ion monitoring and fault diagnosis of diesel engines using instantaneous angular speed analysis, Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 2015. [358] Liu, Y., Z Zhang, hang, JJ.,., Ma, L., A fault diagnosis diagnosis app approach roach for dies diesel el engines based on self-adaptive WVD, improved FCBF and PECOC-RVM, Neurocomputing, 2016. [359] A. Diez, JA Pagan, R. Sanz, I. Lazkanotegi, Sistema integral para la caracterización y prognosis de modos de fallo en motores marinos, Congreso  Nacional de Confiabilidad, 2016.

110

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

[360] A. Diez, JA Pagan, N. Lu Dang,R. Sanz, A machine learning based methodology for automated fault prediction in monitoring sensor data, UPM Industriales Research Meeting 2016, 2016.

[361] M. Wei, B. Qiu, Y. Jiang, X. He, Multi-se Multi-sensor nsor monitoring monitor ing based on-line diesel engine anomaly detection with baseline deviation , Prognostics and System Health Management Conference Conference , 2016. [362] E.R. Hidalgo, C. Batista, F. Robles, Evaluat Evaluation ion of diagnosis diagnos is variable variable values of diesel internal combustion engine, Revista Ciencias Técnicas Agropecuarias, 2016." [363] T. Zh Zheng eng et al, Fault diagnosis of internal combustion engine valve clearance: The survey of the-state-of-the-art, Intelligent Control and Automation World Congress, 2016. [364] R. Isermann, Advanced model-based diagnosis of internal combustion combust ion engines, Internationaler Motorenkongress , 2016. [365] J. Flett, G.M. B Bone, one, Fault Fault detection and diagnosis of diesel engine engine valve trains, trains, Fault detection and diagnosis of diesel engine valve trains, 2016. [366] A. Diez, JA Pa Pagan, gan, R. Sanz, Sanz, B.Sierra, Data‐driven Prognostics Using a Combination of Constrained K 2017. ‐ means Clustering, Fuzzy Modeling and LOF‐ Based Score, Neurocomputing, [367] X. Zhao, Y. Ch Cheng, eng, K. Wang, Wang, S. Ji, Real time identification of the internal combustion engine combustion parameters based on the vibration velocity signal, Journal of Sound and Vibration, 2017.

111

 

CAPÍTULO 3: Estado E stado del arte de diagnosis en motores diesel

112

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel m marino arino basado en inteligen inteligencia cia artificial  

CAPÍTULO 4 Sistema de detección de fallos en motor diésel marino basado en inteligencia artificial INDICE 4.1 4.2 4.2.1 4.3 4.3.1

Introducci Introducción ón Caracterizaci Caracterización ón de comportami comportamientos entos Clasificaci Clasificación ón comportamientos comportamientos según distancia K-means Detección de anomalías Partición de comportamientos con lógica difusa

115 115 115 117 117

4.3.2 4.4 4.4.1 4.4.2 4.5 4.6

Detección de comportamien comportamientos tos anómal anómalos os con LOF-Based score Escenario de la prueba Motor diesel de estudio Prueba experimental Resultados Referenci Referencias as

119 120 120 121 123 127

LISTA DE TABLAS 4.1 4.2 4.3

Especifica Especificaciones ciones generales motor diés diésel el marino Parámetros moni monitor torizad izados os a bordo del motor diésel marino Distribuci Distribución ón de clústeres/grupos de comportamiento comportamiento del motor diésel diésel marino

121 122 123

4.4 4.5

Resul Resultados tados obtenidos Evaluación de resultado resultados: s: precisión, sensibil sensibilidad, idad, especificidad y coef. κ  

125 126

LISTA DE FIGURAS 4.1 4.2 4.3 4.4 4.5

Partición difusa de clústeres en comportamientos comportamientos normale normaless y outliers Ejemplo de indicador de detección de anomalías anomalía s LOF-based event score Ejempl Ejemploo de comportamiento norm normal al de uno de los clústeres (clúster 3) Ejemplo outliers detect detectados ados relacionado relacionadoss con defecto de combustión (clúster 3) Ejempl Ejemploo outliers detectados relacionad relacionados os con alta intensidad intensidad en alternador (clúster 6)

118 120 124 124 125 113

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel m marino arino basado en inteligen inteligencia cia artificial

 

4.1.  INTRODUCCIÓN. Una vez analizado el estado del arte sobre diagnosis y determinado las técnicas y tipos

de datos más apropiados para un sistema aplicado a motor diésel marino, se realiza el desarrollo de un nuevo sistema de diagnosis explicado en detalle por Diaz-Olivan et al. [1]. En este apartado se aborda el subsistema de detección de anomalías a partir de los datos reales monitorizados en tiempo real en el buque a través de los sensores instalados en el motor diésel marino. Para poder detectar anomalías, el sistema desarrollado utiliza los datos operacionales históricos reales para caracterizar y modelar los comportamientos del motor. El marco de aprendizaje se realiza sobre la base de un enfoque de aprendizaje mecánico semisupervisado que combina constrained K-means clustering , “agrupamiento restringido de medias en base K”,  para la clasificación de comportamientos / detección de outliers   “valores potencialmente anómalos”  y  fuzzy modeling , “modelado difuso”  para flexibilizar las reglas de pertenencia a los grupos de comportamiento definidos en el clustering. Después de la definición de conjuntos de pertenencia difusos se calcula una  puntuación final “score” que indica si un nuevo registro es una anomalía real, basada no sólo en la pertenencia a los grupos de comportamiento difusos, sino también en un  Local Outlier Factor   LOF “factor local de anomalía”. ”. LOF-based  LOF-based score. LOF indica la densidad local de distancias respecto al comportamiento normal, siendo por lo tanto un factor que puntúa negativamente si un outlier está aislado y en tal caso cuanto más aislado más se considera como una anomalía real. La dependencia a LOF de la  puntuación final hace que a ésta última se le denomine  LOF-based score “puntuación  basada en LOF”. La solución propuesta se prueba y valida con datos reales de un motor diesel marino funcionando como grupo auxiliar GENSET.

4.2.  CARACTERIZACIÓN DE COMPORTAMIENTOS. La caracterización de comportamiento basada en datos consiste en agrupar datos similares en conjuntos de datos, que representan físicamente la misma condición operativa. Dentro de los grupos que se forman, existen puntos de datos que no se ajustan al patrón, por lo que decimos que están “lejos” del patró patrón, n, este patrón se se corresponde correspo nde al  punto medi medioo de los valores. Tal Ta l patrón puede ser muy significativo en dos sentidos, en  primer lugar para clasificar o identificar comportamientos vinculados vinculados a los datos, dato s, y en otro sentido, para detectar o inferir posibles fallos y/o condiciones operativas anómalas. Gruposs grandes, onormales. Grupo ggrupos rupos cuyos datos m muy uy agrupados, por loque general, comportamientos Mientras queestán grupos pequeños o eventos están implican lejos del  patrón (del mismo grupo o en relación con un grupo grande), grande), implican anomalías o valores atípicos (por ejemplo, ruido y datos transitorios). Debe tenerse en cuenta que el algoritmo de aprendizaje sólo dispone de datos históricos sin etiquetar. Cuando los comportamientos se pueden etiquetar, se puede aplicar un aprendizaje supervisado para entrenar el clasificador de comportamientos. Sin embargo, normalmente es muy difícil obtener amplio conjunto de datos de entrenami entrenamiento ento que contenga fallos reales.

4.2.1. Clasificación comportamientos según distancia  K-means. Con el enfoque propuesto Constrained K-means  “agrupamiento restringido de medias en base K”, se proporciona automáticamente el valor del número de grupos o  clusters  k   a partir de la distribución de clusters y la varianza/compactación de datos del clustering   115

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial    

según [2, 3]. La determinación de k   se realiza como un paso anterior del proceso de clasificación, donde la medida de distancia entre comportamientos utilizada es la métrica de distancia Euclídea [4]. El objetivo es que los miembros de cada grupo debe

estar lo más cerca posible el uno del otro, por lo tanto se busca un k que minimice la dispersión y maximice la compactación de los comportamientos. Cuando se tiene conocimiento sobre el comportamiento del sistema/equipo a modelar además de disponer de los registros históricos de datos, el algoritmo permite hacer uso de este conocimiento [5]. Se introduce una restricción que consiste en especificar cuál es el parámetro principal de entrada  Xf , haciendo que los registros de datos se agrupen en base a una distribución no dependiente del parámetro seleccionado. En el caso de un motor diésel marino sería el consumo de combustible, cremallera, velocidad o potencia generada,, cualquiera que se considere más representativo del punto de funcionamiento generada funcionamiento o grado de carga del motor. Dado el número de grupos de comportamientos comportamientos k , su ancho en términos de los valores del parámetro X  f  se estima como: w = max (Xf) - min (Xf) / k  

(4.1)

Entonces,, para cada grupo de comportam Entonces comportamientos ientos C i, i = (1,..., k):  (4.2)

uk  = min (Xf) + (i + 1) * w

Se establecen l k k  = uk  -1, con u0 = min (X  f  ) como límites superior e inferior del parámetro  principal Xf  respectiv respectivamente. amente. Dado un conjunto de m parámetros monitorizados,  X = {X 1 ,..., X m }  donde cada vector  xi=(x1 ,..., x m ) con i = 1,..., n, es un registro del conjunto de parámetros con un total de n  registros, se calcula la normalización L2 para cada registro  xi para minimizar el impacto en la clasificación producido porque los parámetros tengan diferentes rangos de valores de datos brutos. La normalización se calcula como la raíz de la suma al cuadrado de sus elementos, tal y como muestra la Ec. (4.3).

2   √ ∑=

 

(4.3)

Una vez que se ha realizado la normalización de las muestras de datos mediante L2, se calcula la distancia entre los registros,  xi  y x j. La distancia Euclídea se calcula según la Ec. (4.4).

 (´, ´)  ‖´  ´‖  √ ∑=(´  ´ ) ´   / 2  ´   / 2 

 

Donde respectivamente.

 y

(4.4)

 son los registros normalizados normalizados  xi  y  x j 

El criterio de convergencia se establece como un número máximo de iteraciones y un umbral de estabilidad, que comprueba la variación de compactación de los grupos de comportamiento desde la iteración actual i a i + 1.

116

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel m marino arino basado en inteligen inteligencia cia artificial

   

Una vez realizado el proceso de clasificación mediante Constrained K-means clustering , se inicia un proceso de detección de anomalías potenciales outliers en bucle. A partir de grupos de registros formados durante la etapa de aprendizaje con

restricciones constrained learning , se detectan y aislan anomalías. Estas anomalías están representadas por registros que aunque pertenezcan a un grupo de comportamiento, difiere notoriamente del patrón. Para cada iteración en el proceso de detección de outliers  y para cada clúster, C i, se calcula un umbral de detección de anomalías basado en las distancias de los registros agrupados en el clúster C i  a su centroide, como puede verse en la Ec. (4.5).

´  ∑  ,         ´ ℎ   || ∑  ,  + 3  ||−−     Donde   | | ∑ ´   es el centroide del clúster agrupado en el clúster .

(4.5) C i  y

x  j, es el ejésimo registro

C i

Aquellos registros cuya distancia al centroide están por encima del umbral se establecen como valores anómalos u outliers. Por consiguiente, para cada iteración durante el  proceso de detección de outliers y para cada clúster, se recalculan los centroides tras extraer del clúster los outliers  detectados. El proceso se detiene cuando se dejan de detectar outliers. Se consideran comportamientos potencialmente anómalos tanto los outliers detectados dentro de un clúster número muy reducido de registros.

como los clústeres pequeños que agrupan un

Aunque Constrained K-means clustering  es   es un algoritmo conocido en la literatura [6, 7], la principal novedad en este trabajo consiste en aplicar con éxito esta técnica en un equipo complejo como es un motor diésel marino.

4.3.  DETECCIÓN DE ANOMALÍAS. En esta sección se presenta el proceso de detección de anomalías, que se realiza sobre los grupos de comportamiento clasificados y sobre los outliers encontrados en dichos grupos, ambas cosas realizadas mediante Constrained K-means clustering .

4.3.1. Partición de comportamientos con lógica difusa. La aplicación de lógica difusa  fuzzy logic  para detección de anomalías propuesta utiliza el proceso de generación de reglas difusas y el motor de inferencia definidos en [8], [ 8], por otro lado el conjunto difuso es el propuesto en [9], ampliamente utilizado en controladores difusos. Esta teoría se basa en la noción de conjunto difuso como una generalización generalizaci ón de un conjunto ordinario caracterizado por una función de pertenencia  μ, que toma valores del intervalo entre 0 y 1, y representa el grado de pertenencia a dicho conjunto o clúster . Los controladores difusos definen normalmente un mapeado no lineal desde el espacio que representa el comportamiento del equipo al espacio de control. El sistema basado en reglas reg las difusas está compues compuesto to por las siguientes partes:   Una base de conocimiento formada por la información utilizada por el operador



experto en forma de reglas de control,

117

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial    

  una interfaz de difusificación,  fuzzification,  que transforma las variables de



entrada en conjuntos difusos que se utilizarán en el proceso de inferencia difuso,  fuzzy,

  un sistema de inferencia que utiliza los valores difusos de la interfaz de



fuzzificación y la información de la base de conocimientos para realizar el  proceso de razonamiento razonamiento y   la interfaz de des-difusificación, defuzzificación, que traduce los valores difusos a valores normales para las variables de control.



La basededecontrol conocimiento conocimiento expertoexperto mediante reglas difusas. codifica En este elcaso, el conocimiento sonunlosconjunto grupos de de comportamiento clasificados y divididos en eventos normales y anormales, outliers. Para poder tenerlos por separado, cada clúster necesita dos conjuntos difusos definidos sobre el universo U i  de las distancias Euclídeas al centroide del clúster C i. Sea d i  la distancia Euclídea del evento  xi al centroide del grupo C i, calculado como puede verse en la Ec. (4.4). La función de pertenencia de estos conjuntos difusos, respectivamente denotados como  μn y  μo, se definen en la Ec. (4.6) y la Ec. (4.7).

     −      0− − −  −       − 0 

   ∈ℎ[,]

 

(4.6)

 

(4.7)

   ∈ℎ[,]

Donde minn , maxn y mino , max o son los valores mínimo y máximo en conjuntos difusos d i  con normales y outliers  respectivamente del clúster C i. El valor de  μn(d  )i   y  μo(d  ): i valores dentro del rango [0, 1] cuantifican el grado de pertenencia de d i al conjunto de comportamiento normal o al conjunto de outliers, comportamiento potencialmente anormal, respectivamente. Esta partición difusa obtenida se describe en la Fig. 4.1.

Fig. 4.1 Partición difusa de clústeres en comportamientos normales y outliers. El valor que ofrece el grado de pertenencia permite a los expertos tener información sobre el grado de desvia desviación ción del co comportamien mportamiento to iden identificado tificado en el e l equipo.

118

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel m marino arino basado en inteligen inteligencia cia artificial

   

Es importante recordar que, además de los conjuntos de outliers, un clúster completo Ci  podría ser un comportamiento anorm anormal. al. Un indicador de esta situación situación es que esté formado por un número muy reducido de registros, lo que quiere decir que es un

comportamiento singular, por ser un fallo o porque el equipo ha funcionado en ese contexto muy poco tiempo por alguna otra razón. En ese caso, ambos conjuntos,  μn(d  )i  y  μo(d i)  ),  definen un comportamiento potencialmente anómalo. Estos casos de excepción i , requieren que un experto en el funcionamiento normal del motor etiquete el clúster para que se identifique como un fallo en su totalidad. scor e. 4.3.2. Detección de comportamientos anómalos con  LOF-Based score

Con el fin de comprobar si un outlier  es   es o no un defecto real, se calcula un factor local,  LOF-Based score  “puntuación basada en un factor local de anomalía” que se cuantifica sobre la distancia Euclídea de cada evento, tal como indica la Ec. (4.8). Se basa en el trabajo desarrollado por Breunig et al. en [10] y mide el grado de aislamiento de un  punto con respecto a sus vecin vecinos. os. Así, la densidad local también se considera al determinar si un outlier  es  es una anomalía real.

    ∑     | |  

(4.8)

Donde  LRD(d  )i  es la distancia de alcance local de d i, calculada para el subconjunto más cercano de distancias  N(d  )i   de tamaño  LRD(d  j ) se calcula de la misma forma.

, como se muestra en la Ec. (4.9).  |   |    , 1 } − ∑     ,         (4.9)     | |    Donde    y   es K-distancia de | | en el , con  para cada clúster, siendo     , 1} en reachDist(d  ,d  i  j ) = max{K

vecindad” de d i

 –  

dist(d  ),d  i  j }

 K

 –  

dist(d  ) i

la “

 K = |{outliers}|

caso de que no se encuentre ningún outlier  en  en el clúster C i.

La puntuación del evento xi, score(x )i , se define como una combina co mbinación ción de la función de  pertenencia a conjuntos difusos y la densidad local de distanci distancias as respecto al comportamiento normal, Ec (4.10).

{  ∗   }      {{}∗ { }}

    ∈ [,]     ∈ [,]

 

(4.10)

Donde  LOF = (LOF 1 ,..., LOF n ) está calculado para todo el conjunto de distancias d = (d 1 ,..., d n ) de todos los eventos n.  Un evento xi  será considerado como una anomalía si su puntuación  score (x )i  cae por debajo de -0.5. La Fig. 4.2 muestra un ejemplo de la evolución de este valor calculado a lo largo del tiempo. Este método permite reducir los falsos positivos en el proceso de detección de anomalías, así como permite a los usuarios acceder a los resultados de forma rápida y eficiente. 119

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial  

Fig. 4.2 Ejemplo de indicador de detección de anomalías  LOF-based event score.

4.4.  ESCENARIO DE LA PRUEBA. Una vez que los los m modelos odelos de compor comportamient tamientoo del equipo han sido entrenados y validados, se despliegan en un entorno que simula una plataforma CBM+. El modelo de inteligencia artificial desarrollado nuevos aldatos operativos detectar automáticamente anomalías en tiemporecibirá real y permitir usuario anticiparsepara a fallos que se producirían si no se realiza ninguna acción al respecto. El modelo descrito ha sido aplicado a un motor Diesel que describim describimos os a continuaci continuación. ón.

4.4.1. Motor diésel de estudio. El motor estudiado en el presente trabajo forma parte de un grupo auxiliar de generación eléctrica de un buque militar. El buque dispone de cuatro grupos iguales conectados a la red eléctrica principal del buque, diseñado para que los grupos no trabajen normalmente  por encim encimaa del 80% de carga, al alcanzar ese punto, se arranca automáticamente automáticamente otro grupo generador y se reparte la demanda entre los grupos conectados a la red eléctrica. Los principales datos técnicos se muestran en la Tabla 4.1.

120

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial

  Tabla 4.1.

Especificaciones Especificac iones generales motor diésel marino.

Este motor es del mismo tipo al ensayado en banco y utilizado para el desarrollo del modelo termodinámico descrito en los siguientes capítulos, pero en este caso, los datos  proceden de la plataforma de mon monitorización itorización de la salud de un motor yyaa embarcado.

4.4.2. Prueba experimental. Con el fin de evaluar el enfoque propuesto, se realizan varios experimentos procesando los datos operacionales adquiridos de un motor diésel real del tipo indicado en el apartado 4.4.1. Se monitoriza, recolecta y analiza un conjunto de parámetros operacionales que normalmente todos los motores marinos suelen disponer a través de su sistema de mando y control. Estos parámetros se muestran en la Tabla 4.2. A continuación, se emplean las técnicas de procesamiento de datos propuestas para entrenar a los modelos estadísticos a partir de datos históricos que permitan identificar y modelar comportamientos normales, aislar outliers  y detectar fallos operativos. Se recoge un registro cada minuto y está compuesto por valores de todos los parámetros monitorizados en un instante de tiempo específico. El sistema de monitorización y control del motor almacena las lecturas de los sensores a una base de datos integrada. Los modelos entrenados con los datos históricos se aplican entonces en tiempo real para la supervisión inteligente del motor diésel, comprobando nuevos eventos conforme se van registrando y almacenando. El parámetro de entrada principal que define el grado de carga del motor es el caudal másico de combustible, fuente de energía del motor. Por otro lado, los parámetros de salida principales son el par y el régimen de giro (normalmente en un GENSET la velocidad es constante pero una pequeña variación o repeticiones de pequeñas variaciones pueden indicar un fallo, por esta razón se registra y también se analiza el comportamiento del régimen de giro del motor). Ambos, par y régimen de giro, representan conjuntamente la potencia mecánica producida por el motor. Además, hay  parámetros secundarios de entrada que pueden afectar el rendimiento del motor, como son: presión, humedad, y temperatura del aire de entrada, temperatura del agua de mar y temperatura del combustible.

121

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial  

Tabla 4.2. Paráme Parámetros tros monitorizados a bordo del motor diésel marino.

Muchas veces no es posible medir directamente uno de estos parámetros que definen la carga y los parámetros ambientales, como puede ser el consumo de combustible mediante la posición de la cremallera de inyección. En este caso, el parámetro utilizado  para definir la carga del motor se utiliza la potencia activa del alternador, que se selecciona para construir el modelo de clúster con restricciones constrained clusteringbased model . En el caso de no disponer de un parámetro que defina directamente la carga, también habría sido posible utilizar otro parámetro que se correlacione bien con el requerido, como podría ser la temperatura de escape en cilindros o en turbosobrealimentación. El modelo caracteriza todos los parámetros monitorizados abordo que aparecen en la Tabla 4.2, incluyendo parámetros de temperaturas y  presiones de aire y gases, fluidos de circuitos auxilia auxiliares, res, pot potenci enciaa generada, parámetros parámetros de cojinetes y devanados del alternador. Los datos brutos se filtran antes de ser utilizados por el modelo estadístico para que no se consideren las regiones de tiempo en las que el motor está parado, ya que no afectan al desarrollo de las anomalías. Un ejemplo de la contribución del usuario experto se  produce, por ejemplo, ejemplo, cuand cuandoo se selec selecciona ciona el parámetro de entrada que representa la carga del motor en la fase de constrained K-means clustering . A partir de ahí, la metodología propuesta funciona de forma automática y las anomalías encontradas al final del proceso son verificadas y validadas por el mismo experto que lo inicia.

122

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel m marino arino basado en inteligen inteligencia cia artificial

 

4.5.  RESULTADOS.

La metodología propuesta ha sido probada con dos meses de funcionamiento del motor diesel auxiliar definido anteriormente. Se analiza un total de 17.377 eventos, con una cadencia de 10 segundos después de haber descartado aquellos en los que el motor está  parado. El cálculo cálculo del número de clústeres k  determina   determina que es 8 por ser el que minimiza la varianza y maximiza la compactación de comportamientos [2, 3] durante el entrenamiento. Para comprobar el cálculo se realizaron otras pruebas complementarias con diferentes valores de k   (k = 6   y k = 10), los resultados obtenidos fueron menos  precisos e l proceso de detecciónendetérminos fallos. del número de falsos negativos y falsos positivos en el El resultado del proceso de detección de outliers  basado en constrained K-means clustering  es   es de un total de 78 registros aislados como outliers respecto a los patrones de funcionamiento normal definidos por los clústeres. La distribución de clústeres resultante se puede ver en la Tabla 4.3.

Tabla 4.3. Distribución de clústeres/grupos de comportamiento del motor diésel marino.

Como es de esperar, los grupos que contienen condiciones habituales y estables de carga del motor agrupan la mayoría de los eventos. Este es el caso de los clústeres 0, 2, 3, 4, 5 y 6, especialmente los clústeres 3, 4 y que corresponden con puntos de funcionamiento de carga media del GENSET. El clúster 0 por su parte, corresponde con la condición de ralentí, cuando el motor arranca y está calentando antes de ser acoplado a la red eléctrica del buque. Los clústeres 2 y 6, son condiciones de funcionamiento en carga,  baja y media-alta respectiv r espectivamente, amente, que aunque no son puntos muy habituales, el equipo ha estado funcionando varias veces en esa zona. Los outliers  encontrados en los clústeres de funcionamiento estable son anomalías potenciales porque son comportamientos que están más alejados del patrón de su clúster que el resto, aunque  podrían ser registros en los que el motor está en un momento momento de funcionamiento funcionamiento transitorio por una variación importante en la demanda de la red eléctrica del buque. Por el contrario, los clústeres 1 y 7 son en su totalidad condiciones de funcionamiento transitorias, en las que el motor se está moviendo desde una zona de carga a otra o una anomalía. El reducido número de eventos que contienen estos clústeres es lo que refleja que el motor no está solicitado en esas condiciones de carga y, por lo tanto, indica que el motor pasa por esos estados de forma transitoria. El clúster 7 está formado por los  picos puntuales puntuales de máxima ddemanda emanda de la la red eléctrica del bu buque. que. En la Fig. 4.3 se muestra un comportamiento normal típico del motor en una condición de funcionamiento estable. Corresponde a eventos normales agrupados dentro del clúster 3. La línea discontinua representa el centroide del clúster y los valores de los  parámetros operacion operacionales ales son representados por puntos, siendo siendo cada registro un conjunto de puntos (un punto por cada parámetro operativo) en un instante de tiempo 123

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial  

específico. Para poder ver todos los parámetros, los valores de los parámetros operacionales operacional es se nor normalizan malizan entre 0 y 1.

Fig. 4.3. Ejemplo de comportamiento normal de uno de los clústeres (clúster 3) Entre los outliers  encontrados, algunos eventos corresponden a temperaturas de gases de escape anormalmente bajas a la salida de los cilindros, debido a una anomalía de la combustión como pudiera ser defecto en cantidad de combustible, obstrucción parcial del inyector, pulverización defectuosa o cualquier otro problema relacionado con el sistema de suministro o inyección de combustible. Este fallo estuvo presente en un total de 13 registros distribuidos en diferentes clústeres. En la Fig. 4.4 se puede apreciar un ejemplo de dicho comportamiento en tres eventos del clúster 3.

Fig. 4.4. Ejemplo outliers detectados relacionados con defecto de combustión (clúster 3) 124

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel m marino arino basado en inteligen inteligencia cia artificial

 

También se detectó un síntoma del alternador en 2 eventos en dos clústeres diferentes. Este síntoma se caracteriza por una intensidad del alternador y potencia reactiva

anormalmente altas, cuando normalmente les correspondería valores inferiores según el  parámetro que define la carga, la pot potencia encia activa. En la Fig. 4.5 se muestra muestra este outlier detectado en el clúster 6.

Fig. 4.5. Ejemplo outliers detectados relacionados con alta intensidad en alternador (clúster 6) La Tabla 4.4 muestra la recopilación de los resultados obtenidos. Como se puede observar, muy pocos eventos corresponden a una anomalía real. De un total de 78 outliers detectados como anomalías potenciales, sólo 15, distribuidos a lo largo de los diferentes clústeres, corresponden a una anomalía real. Esta es una de las principales dificultades en el proceso de detección de anomalías, cómo distinguir entre anomalías  potenciales y fallos reales. Por esta rrazón, azón, la metodología propuesta está diseñada diseñada para comprobar si los registros identificados como outliers  o un clúster completo con un número marginal de eventos son anomalías o transitorios propios del motor.

Tabla 4.4. Resultados obtenidos

Para cuantificar el número de eventos anómalos en cada clúster, un evento se considera como una anomalía real si su puntuación es inferior a -0,5. Dado que los casos de 125

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial  

 prueba de anomalía en el sistema de combustible y en el alternador fueron elegidos deliberadamente por ser difíciles de detectar, es alentador que la detección de anomalías

reales sobrepase la tasa de falsos positivos, distinguiendo de forma precisa los fallos reales entre los outliers detectados. Para evaluar los resultados, se calcula la precisión, sensibilidad y especificidad del  proceso de detección. detección. Son tres medidas medidas de calidad ampliamente ampliamente utilizadas en este tipo de procesos. Como se muestra en la Tabla 4.5, la precisión, sensibilidad y especificidad son globalmente superiores al 93%, por lo que el enfoque limita con precisión las falsas anomalías y los fallos no detectados. También se calcula el coeficiente estadístico kappa  de Cohen (κ  )  con el objetivo de evaluar concordancia entre eventos normales y anómalos [11]. El coeficiente κ  resultante   resultante es 0,93, por lo que se logra un alto grado de concordancia.

Tabla 4.5. Evaluación de resultados: precisión, sensibilidad, especificidad y coef. κ .

Una vez se dispone de un elemento eficaz para la detección de anomalías, faltaría disponer de otro que permita diagnosticar la anomalía detectada. Un sistema de diagnosis que esté formado por la combinación de estos dos elementos tendría todas las funcionalidades funcionalidad es que se pueden esperar de una instalaci instalación ón de este tipo. El diagnóstico de fallos del motor diésel marino se realiza gracias a una base de datos de fallos completa y fiable. Ésta base de datos se construye mediante un análisis FMECA y, posteriormente, se desarrolla un simulador de fallos capaz de inseminar los fallos típicos del motor diésel y reproducir los síntomas sínto mas que se producirían en el motor real. El simulador permitirá optimizar la base de datos de fallos. Teniendo en cuenta la detección de anomalías descrita en este capítulo, el diagnóstico realizado por la base de datos de fallos que se construye según se indica en los capítulos siguientes. El períodos plan de utilización delmantenimiento buque y la política de mantenimiento, quedeincluye los próximos previstos de del buque, disponibilidad piezas de repuesto, disponibilidad de recursos de mano de obra, etc, se pueden realizar recomendaciones operativas y de mantenimiento que optimice la fiabilidad y disponibilidad del buque.

126

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel m marino arino basado en inteligen inteligencia cia artificial

 

4.6.  REFERENCIAS.

[1]

A. Diez-Olivan et al., Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF-based score,  Neurocomputing  Neurocompu ting (2017), http://dx.doi http://dx.doi.org/10.1016/j.neucom .org/10.1016/j.neucom.2017.02.024. .2017.02.024.

[2]

J. He, A.-H. Tan, C.-L. Tan, S.-Y. Sung, On quantitative evaluation of clustering systems, in: Clustering and Information Retrieval, Springer, Berlin, Heidelberg, 2004, pp. 105 – 133, 133, doi: 10.1007/978- 1- 4613- 0227- 8 _ 4 .

[3]

W. Wu, H. Xiong Xiong,, S. Shekh Shekhar, ar, Clustering and Information Retrieval, 11, 11, Springer, 2004, doi: 10.1007/978- 1- 4613- 0227- 8 .

[4]

C.C. Aggarwal, Aggarwal, Proximity-based outlier detection, in: Outlier Analysis, Springer, Berlin, Heidelberg, 2013, pp. 101 – 133, 133, doi: 10.1007/978- 1- 46146396- 2 _ 4 .

[5]

S. Basu , I. Davidson , K. Wagstaff, Constr Constrained ained Clustering: Cluster ing: Advances in Algorithms, Theory, and Applications, CRC Press, 2008.

[6]

K. Wagstaff, C. Cardie , S. Rogers , S. Schrödl , et al. , Constr Constrained ained kk-means means clus- tering with background knowledge, in: ICML, 1, 2001, pp. 577 – 584. 584.

[7]

P. Bradley , K. Bennett , A. Demiriz , Constraine Constrainedd k-means clustering, Redmond, 20 0 0, pp. 1 – 88..

[8]

P. Cingolani, J. AlcaláAlcalá-Fdez, Fdez, jfuzzylogic: a java library librar y to design fuzzy logic con- trollers according to the standard for fuzzy control programming, Int. J. Comput. Intell. Syst. 6 (sup1) (2013) 61 – 75, 75, doi: 10.1080/18756891.2013.818190.

[9]

L.A. Zadeh, Fuzzy sets, Inf. Contro Controll 8 (3) (1965) 338 – 353, 353, doi: 10.1016/ S00199958(65)90241- X.

[10]

M.M. Breunig, H.-P. K Kriegel, riegel, R.T. Ng, J. Sander, Lof: identifying density-based local outliers, in: ACM Sigmod Record, 29, ACM, 20 0 0, pp. 93 – 104, 104, doi:

[11]

10.1145/ 335191.33 335191.335388. 5388. J.L. Fleiss, B. Levin, M.C. Paik, Statist Statistical ical Methods Metho ds for Rates and Proportions, John Wiley & Sons, 2013, doi: 10.1002/0471445428.

127

 

CAPÍTULO 4: Sistema S istema de detección de fallos en motor diésel marino basado en inteligencia artificial  

128

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino  

CAPÍTULO 5 Base de datos de fallos FMECA para motor diesel marino INDICE 5.1 5.2

131 131

5.2.1 5.2.2 5.2.3 5.2.4

Introducci Introducción ón Metodo Metodología logía de mantenimient mantenimientoo basado en la fiabilidad fiabili dad para construcción de FMECA Definició Definiciónn de mantenimient mantenimientoo basado en la fiabilidad fiabilid ad Patrones de fallo Grupo de trabajo RCM Contexto operacion operacional al

5.2.5 5.2.6 5.3 5.4 5.4.1 5.5

Procedimi Procedimiento ento RCM a platafo Adaptación de RCM plataformas rmas navales Constru Construcción cción de base de datos FMECA para motor diesel marino Anexos Anexo A: Base de dato datoss de fallos FMECA complet completaa Referenci Referencias as

136 138 140 146 146 157

132 134 135 135

LISTA DE TABLAS 5.1 5.2 5.3 5.4 5.5 5.6

Matriz de riesgo RCM para platafor plataformas mas navales definida en NES 45 Parámetro Parámetross Operativos de base de datos de fallos FMECA Parámetro Parámetross de fluidos de base de datos de fallos FMECA Síntomas detectados por inspec inspecciones ciones visuales del operador Base de datos FMECA simplif simplificada icada –  fallos termodinámicos típicos Base de datos FMECA completa

139 142 143 143 145 149

LISTA DE FIGURAS 5.1 5.2 5.3 5.4 5.5 5.6

Mantenimien Mantenimiento to de funci funciones ones Curva P-F –  evoluci evolución ón del fallo potencial hasta fallo funcional funcional Patrón de fall falloo tradicional Patro Patrones nes de fallo del RCM Grupo de trabajo RCM Contexto operacion operacional al

132 133 134 134 135 136

129

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

5.1.  INTRODUCCIÓN.

Cómo ya se he justificado en capítulos anteriores, un buen sistema de diagnosis necesita disponer de una base de datos completa y fiable que facilite la identificación y diagnóstico de un fallo cuando se activen los síntomas que lo caracterizan. En la metodología propuesta, los síntomas son las anomalías detectadas por el subsistema de detección de fallos basado en inteligencia artificial mostrado en el Capítulo 4. Para confeccionar la base de datos, se realiza un  Failure Modes, Effects and Criticality  Analysis  (FMECA) “análisis de modos de fallo, efectos y criticidad” del motor diésel estudiado de tal forma que se disponga no solo de la lista de fallos, sino también de los efectos que produce y la criticidad de las consecuencias. Este tipo de bases de datos de fallos, realizados normalmente como parte del estudio de fiabilidad de sistemas y equipos puede incluir o no el análisis de criticidad. Cuando no se incluye, se denomina  Failure Modes and Effects Analysis  (FMEA) “análisis de modos de fallo y efectos”. Es necesario cruzar los efectos producidos por cada fallo con los indicadores que facilitan las señales monitorizadas para poder conectar el subsistema de detección con la base de datos de fallos y así conseguir tener un diagnóstico de cuál es el fallo o los posibles fallos que se están producien pro duciendo do cuando se detecta uno o varios síntomas. La herramienta utilizada para realizar la base de datos de fallos FMECA del motor diésel marino es la metodología  Reability Center Maintenance  (RCM) “mantenimiento  basado en la fiabilidad”, debido a ser un procedimiento sistemático y eficaz que ha demostrado grandes resultados en aeronáutica, defensa y en la industria en general.

5.2.  METODOLOGÍA DE MANTENIMIENTO BASADO EN LA FIABILIDAD PARA CONSTRUCCIÓN DE FMECA El método más utilizado para maximizar la fiabilidad de equipos, instalaciones y  plataformas en su conjunto es el RCM [1, 2]. El RCM fue creado para el sector aeronáutico en los años 60 [5] con la creación de un documento llamado  Maintenance Steering Group (MSG), mejorado en sucesivas versiones MSG1, MSG2 en los años 70 y finalmente MSG3 en los años 80. La introducción de las turbinas en los aviones comerciales hizo que los equipos comenzaran a estar más solicitados, volaban a mayores alturas y tenían que recorrer mayores distancias. Esto hizocada quemillón comenzaron a producirse másproduciría incidentes, aproximadamente 40 incidentes de despegues. Esto hoy día al menos 2 accidentes al día teniendo en cuenta el número de viajes actual. El documento MSG consiguió minimizar las averías y fue la base del desarrollo de los  programas de mantenimiento mantenimiento de aeronaves aeronaves como los Airbus A300, A320 y Boeing B757, B767, entre otras. Desde entonces, el certificado de navegabilidad de los aparatos comerciales de las grandes compañías aéreas viene condicionado por la aplicación del MSG. La mejora continua producida por la retroalimentación aportada por la experiencia ha demostrado que el MSG3 aplicado a compañías aéreas ha permitido reducir notablemente los costes y volumen de mantenimiento y aumentado la fiabilidad. Debido a su eficacia se extendió y normalizó en los años 90 en el sector nuclear de EEUU y el sector de la defensa en general [4, 5]. Finalmente, se ha estandarizado a la 131

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

industria en general en su versión RCM2 [6]. El RCM se analiza detalladamente por Rausand [7], donde el autor demuestra su utilidad para la mejora de la fiabilidad. Un

ejemplo de aplicación de la misma para turbinas eólicas se puede ver en [8], mientras que en [9] se utiliza ut iliza para planificar overhauls, “revisiones completas”, de motores diesel marinos. Una de las características más importantes del RCM es que prioriza el mantenimiento basado en la condición respecto al mantenimiento preventivo y correctivo cuando se diseña la estrategia de mantenimiento. La metodología RCM se compone básicamente de dos fases, una primera fase en la que realiza un análisis FMECA del equipo para obtener una base de datos de fallos y una segunda en la que se define una tarea de mantenimiento para cada modo de fallo y, así, evitar que ese fallo se produzca. En este trabajo utilizamos la metodología sistemática y eficaz de la primera fase para realizar la base de datos de fallos FMECA del motor diésel marino para después mejorarla siguiendo la metodología expuesta en el capítulo 1.

5.2.1. Definición de mantenimiento basado en la fiabilidad El concepto principal de mantenimiento del RCM es que se mantienen funciones [6], no equipos. Se podría definir como proceso que se usa para determinar qué acciones de mantenimiento deben realizarse para que el e l equipo siga haciendo las funciones deseadas en su contexto operaci o peracional onal presente. Por lo tanto, fundamental definir cuáles las funciones queVer se Fig. desea5.1. que haga el equipo y saberesque éste es capaz de hacer lasson funciones deseadas.

Fig. 5.1 Mantenimiento de funciones. Los estándares SAE JA1011 [1] y JA1012 [2] especifican lo que debe cumplir un plan de mantenimiento para ser considerado RCM. El RCM sigue un procedimiento sistemático para definir las funciones, modos de fallo, efectos, criticidad y tareas de mantenimiento más costo-eficaces que eviten dichos fallos. El concepto de costo-eficaz que introduce el RCM es la búsqueda de la máxima fiabilidad pero también teniendo en cuenta las consecuencias y el coste. El RCM considera los siguientes tipos t ipos de tareas de mantenimien mantenimiento: to: 132

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

  Tareas Proactivas. o  Mantenimiento predictivo o basado en la condición: Se inspecciona o



chequea si el equipo va a fallar. Se miden los indicadores apropiados  para moni monitor torizar izar en forma continua o periódic periódicamente amente el estado de salud salud del equipo. o  Mantenimiento preventivo: Reacondicionamiento cíclico y sustitución cíclica, con un período de tiempo fijo o por horas de funcionamiento.   Tareas “a falta de”. Son aquellas que se llevan a cabo cuando no se puede encontrar ninguna proactiva. o  Búsqueda de fallos: No se buscan indicadores de un fallo incipiente, sino fallos ya producidos. Esta tarea se realiza para descubrir los fallos ocultos. o  Rediseño: No es posible realizar una tarea proactiva, pero hay que tomar alguna medida para evitar el fallo porque las consecuencias son importantes. Se puede hacer rediseño de equipos o procesos. o  Mantenimiento correctivo: Se deja que falle y se repara después. En estos casos el fallo tiene consecuencias despreciables y es más rentable reparar cuando se produzca.



Entre todos los tipos de tareas de mantenimiento, esta metodología prioriza el mantenimiento predictivo o basado en la condición. Siempre que sea técnicamente  posible realizarla r ealizarla y merez merezca ca la pena económicamente respecto a las consecuencias del de l fallo, se realizará una tarea predictiva. Para poder llevar a cabo una tarea de mantenimiento predictivo, es importante el concepto de la curva P-F (Fig. 5.2).

Fig. 5.2 Curva P-F [5] –  evolución  evolución del fallo potencial hasta fallo funcional. La curva P-F simboliza la caída de las prestaciones que se produce en un equipo con el tiempo. Según el indicador que se monitorice y el tipo de fallo, el indicador de fallo  potencial aparece con más o menos antela antelación ción a que se produzca el fallo funcional, funcional, que es cuando el equipo deja de realizar la función que se le exige. La Fig. 5.2. indica de forma comparativa la antelación con la que puede avisar cada tipo de parámetro  predictivo. El intervalo intervalo P-F neto, es el tiempo que existe entre que se detecta el fallo  potencial con el parámetro predic predictivo tivo que se haya haya utilizado y el fallo funcional. funcional. A mayor intervalo P-F neto, más tiempo para planificar la reparación/sustitución para que no tenga o tenga el mínimo impacto en la operatividad y disponibilidad del equipo. 133

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

5.2.2. Patrones de fallo

Otro concepto importante que introduce el RCM es la existencia de seis tipos de patrones de fallo [5]. Tradicionalmente, el mantenimiento se basa en realizar tareas  programadas a un período de tiempo u horas de funcionamiento funcionamiento determinadas. determinadas. Este esquema se fundamenta en la existencia de un solo patrón de fallos que considera que la  probabilidad de fallo de cualquie cualquierr elemen e lemento to comien comienza za a aumentar de forma exponencial en un determinado momento, como se muestra en la Fig. 5.3.

Fig. 5.3 Patrón de fallo tradicional [6]. Sin embargo, el RCM indica que no siempre existe un punto donde aumenta rápido la  probabilidad de fallo, por lo que no se puede definir un plazo de tiempo de vida útil. La Fig. 5.4. muestra los seis modos de fallo existentes, donde se puede observar que los  patrones C, D, E y F no permiten definir un tiempo de vida útil, y por lo tanto una  periodicidad para ejecutar una tarea de mantenimiento mantenimiento preventivo preventivo para evitar los fallos que siguen estos patrones. Es decir, la probabilidad de fallo es aleatoria y no aumenta con el tiempo.

Fig. 5.4 Patrones de fallo del RCM [6]. La existencia de estos patrones de fallo obliga a conocer el comportamiento del equipo ante cada fallo para poder hacer un mantenimiento costo-eficaz. Por lo tanto, el mantenimiento que se realiza es muy distinto distinto según el patrón de fallo. Los patrones A, B y C normalmente corresponden a fatiga, corrosión o evaporación. Por otro lado los patrones D, E y F normalmente corresponden a elementos electrónicos, hidráulicos y neumáticos. Un ejemplo de un patrón con probabilidad de fallo aleatoria es un rodamiento de bolas. Suponiendo que ha sido bien seleccionado para la máquina y aplicación,, cor aplicación correctam rectamente ente instalado y lubricad lubricado, o, ttiene iene un patrón de fallo E E.. 134

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

Todo lo indicado anteriormente lleva a la conclusión de que sólo se puede realizar mantenimiento preventivo cuando el mecanismo de fallo tiene el patrón A, B o C,

donde el período de tiempo definido es la vida útil marcada por el momento en el que comienza a aumentar de forma brusca la probabilidad de fallo del equipo. En los casos en los que se produce los patrones D, E y F también se puede hacer un mantenimiento proactivo, es decir, no esperar a que se produzca la avería y anticiparse a ella. En una aeronave menos del 10% de los modos de fallo de sus equipos y sistemas tiene un patrón A, B o C. Por lo tanto, el mantenimiento predictivo basado en la condición combinando la monitorización en tiempo real con tareas de inspección  periódicas es la forma for ma en la que se ha conseguido ooptimizar ptimizar la fiabilidad de los aviones en la actualidad. En el caso de un buque, el porcentaje de patrones A, B, C es superior, debido a que disponen de mayor número de equipos dominados por problemas mecánicos de desgaste y fatiga. No obstante, el porcentaje de patrones D, E y F es mayor del 50% y cada vez mayor, sobre todo en buques militares donde existe gran cantidad de equipos de navegación, comunicaciones, armas y plataforma con componentes componen tes eelectrónic lectrónicos, os, hidráulicos y neumáticos.

5.2.3. Grupo de trabajo RCM Cuando se diseña el plan de mantenimiento de un equipo con RCM se necesita un equipo de trabajo  formado por un experto en la metodología, llamado facilitador RCM, y expertos en el equipo, incluyendo como mínimo fabricante/diseñador, operador yincorpore mantenedor. Según la complejidad o sistema, podría un especialista de proceso udel otraequipo naturaleza. Ver Fig. 5.5. ser necesario que se

Fig. 5.5 Grupo de trabajo RCM El facilitador conoce la metodología, realiza las preguntas y recopila las respuestas. Asegura de que se siga el procedimiento. No toma decisiones, debe registrar las decisiones del grupo.

5.2.4. Contexto operacional Dos equipos iguales pueden no tener el mismo plan de mantenimiento si está basado en la fiabilidad de una forma costo-eficaz. La razón es el contexto operacional. 135

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

A

B

Fig. 5.6 Contexto operaci o peracional. onal. Un ejemplo de la importancia del contexto operacional se puede ver en la Fig. 5.6. un fallo de un embragues o motor diésel propulsor no tiene las mismas consecuencias en la instalación A que en la B. Por lo tanto, la criticidad es distinta y el análisis del coste de mantenimiento respecto a consecuencias del fallo es distinto lo que llevaría a una  planificación  planificaci ón de tareas también distinta. El contexto operacional también está formado por condiciones ambientales, perfil de uso, funciones distintas exigidas a un equipo que a otro del mismo tipo, etc. Un ejemplo claro de funciones distintas sería un grupo generador de reserva o de emergencia, que sólo debe funcionar cuando la energía principal falle.

5.2.5. Procedimiento RCM El procedimiento consta de siete preguntas que hay que contestar en un orden establecido: 1.  2.  3.  4.  5.  6.  7. 

Funciones del equipo. Fallos funcionales. Causas de fallo. Efectos del fallo. Consecuencias del fallo. ¿Puede hacerse algo para predecir/prevenir el fallo? ¿Qué hacer si no se puede predecir/prevenir?

El proceso seguido por la contestación a las preguntas desde la primera a la cuarta obtiene como resultado la base de datos de fallos FMEA o FMECA (según se indique la criticidad o no de los fallos), que es la razón por la que se utiliza el RCM en este trabajo. Las preguntas quinta, sexta y séptima corresponden a la segunda fase que determina las tareas de mantenimiento. 136

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

Cuando se definen las funciones del equipo, se debe plasmar lo que “se exige que haga” el equipo, no lo que es capaz de hacer.  Para realizar una base de datos FMECA

completa es necesario incluir todas las funciones que realiza el equipo, hay primarias y secundarias:   Primarias: Función objeto del equipo/instala equipo/instalación. ción.   Secundarias: o  Ecología. o  Seguridad o integrid integridad ad estr estructural. uctural. o  Control/Confección/Comodidad.





  Apariencia.   Protección. o  Economía/Eficiencia. o

o

Entre todos los tipos de funciones, las de protección tienen un carácter especial, están supeditadas a que se produzca otro evento condicional. Es decir, sólo se realiza una función de protección si otra función no se realiza por fallo de ésta última. Todas las funciones de protección pueden incluirse dentro de estos 5 tipos: t ipos:   Alertar a los operarios sobre condici condiciones ones anormales.   Parar el equipo en caso de fallo.   Eliminar o reducir condiciones anormales causadas por un fallo (válvula de



 

alivio, pulverizador pulverizador de incen incendio, dio, etc).

  Sustituir una función que ha fallado.   Prevenir que se produzcan situaciones peligrosas (cartel de advertencia, etc).

 

Los fallos funcionales  indican de qué forma puede fallar cada función. Existen dos  posibilidades:: la función no se puede realizar en absoluto, o no se cumple parcialmente  posibilidades  porque se supera supera uno de llos os parámetros que def define ine la función. función. La definición de los modos de fallo  es el paso más importante, define las causas que originan cada fallo funcional. Es fundamental conocer bien el equipo, la instalación y el contexto operacional. Se debe poner especial cuidado cuánto se detalla el análisis, si se incluyen demasiados modos de fallo se podría producir una “parálisis del análisis” y si se hace al contrario obtendríamos un análisis muy superficial, dejando el equipo submantenido. La regla fundamental es no listar modos de fallo no probables, es decir deben listarse sólo losa modos de fallosiguientes: razonablemente probables, creíbles, estos normalmente normalmen te responden las condiciones   Han ocurrido antes en el mismo equipo o un equipo similar en un contexto



operacional parecido.    No han ocurrido antes, pero porque están siendo evitados por la ejecuci ejecución ón de un  programa de mantenimiento mantenimiento actual actual..    No han ocurrido todavía, pero se cree que tienen probabilidad real de que suceda.   Es poco probable que ocurra, pero las consecuencias serían muy graves.







Desde el punto de vista de restitución de la fiabilidad, es suficiente llegar hasta la capacidad de resolución del problema que se tenga según la política de mantenimiento que se utilice. Un ejemplo sería la sustitución de una placa electrónica completa si se 137

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

funde un diodo, porque según la política de mantenimiento no se repara ningún elemento individual dentro de la misma. Por lo tanto, no tiene sentido listar todos los

 posibles modos modos de fall falloo de la placa, sólo un unoo que correspon corresponda da al fallo fallo de la misma. Cada modo de fallo tiene uno o varios efectos/síntomas. Los efectos son los que evidencian al usuario que se está produciendo el fallo.   Dos modos de fallo distintos  pueden tener el mismo mismo efecto. Por eso diagn diagnosticar osticar un fallo no suele ser sencillo, ya que un efecto puede ser debido a varias y a veces muchas causas/modos de fallo distintos. El RCM establece que se indique información adicional en los efectos para valorar sus consecuencias en el siguiente paso:        

   

Si amenaza a seguridad o medio medio aambien mbiente. te. Si afecta a la producción o la misión. Si tiene efectos secun secundarios darios o afec afecta ta a otros equipos. Si se puede hacer algo para repararlo y cuánto tiempo se tarda.

Se utiliza un diagrama de decisión [6] que guía para la determinación de la tarea de mantenimiento óptima según la magnitud y tipo de las consecuencias del fallo. Existen cuatro tipos de consecuencias  que derivan en cuatro caminos a seguir dentro del diagrama: consecuencias de fallo oculto, de seguridad o medio ambiente, operacionales y no operacionales. Siguiendo el camino que corresponda en cada caso, se averigua si se puede hacer algo

para predecir o prevenir el fallo . Se determina cual es la mejor tarea de mantenimiento que sea técnicamente posible y merezca la pena, dando prioridad al mantenimiento predictivo. En el caso de que no se pueda predecir o prevenir el fallo  se actúa de forma distinta según el tipo de consecuencia. Los dos primeros tipos de consecuencias, de fallos ocultos y seguridad/medio ambiente, no permiten no hacer nada, es decir, si el análisis determina que no es técnicamente posible o no es rentable realizar ninguna tarea de mantenimiento, imponen una solución alternativa. En el caso de consecuencias de fallo oculto, hay que realizar tareas periódicas de búsqueda de fallo, diseñadas con una  periodicidad acorde a la magni magnitud tud de consecu consecuencias encias y probabilidad de fallo. Para consecuencias sobre la seguridad o medio ambiente, se indica que es necesario rediseñar  para eliminar eliminar o mitigar el riesgo. 

5.2.6. Adaptación de RCM a plataformas navales Existe una adaptación del RCM para plataformas navales desarrollado por la industria militar de EEUU [4] y Reino Unido [5]. Corresponden a guías de aplicación y especificaciones que aplican el concepto de RCM adecuándolo al contexto de una  plataforma naval, teniendo en cuenta el tipo de sistemas embarcados y los períodos establecidos para mantenimiento en puerto y dique definidos en el plan de mantenimiento de buques de guerra durante su ciclo de vida. Otra adaptación importante es el tipo de consecuencias. En un buque de guerra pesa más el cumplimiento de la misión que el ahorro económico. Además, no existe un solo contexto operacional, sino varios contextos como puede ser situación de paz o de guerra.

138

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

El proceso a seguir para diseñar el plan de mantenimiento de un buque de guerra es el siguiente:

1.  Determinación Determinación del contexto operativo. 2.  Descomposición funcional del buque. 3.  Organización de un equipo de análisis y determinación de equipos críticos a los que realizar RCM. 4.  Realizaci Realización ón de análisis RCM a equipos críticos. a.  Sistemas Navales y de Combate.  b.  Estructuras. 5.  Realizaci Realización ón de programas de mantenimiento. 6.  Racionalización de tareas y adaptación al ciclo de mantenimiento definido para el buque durante su ciclo de vida. 7.  Determinación y organización de repuestos en buque y base. La Tabla 5.1 muestra una matriz de riesgo definida en [5], considerando riesgo como un sinónimo de criticidad, que son la combinación entre probabilidad de ocurrencia y severidad de las consecuencias consecuencias en caso de que un fal fallo lo se produzca. Esta matriz tiene el objetivo de poder determinar en el paso número tres los equipos a los que se les debe hacer base de datos de fallos FMECA y mantenimiento RCM. La prioridad 1 es la máxima, por el contrario prioridad 14 es la mínima. Se debe hacer RCM cuando el riesgo está entre 1 y 10. A partir de 11 no es necesario hacerlo, sin embargo el paso séptimo de determinación de repuestos sí que se tiene que realizar para todos los equipos y sistemas. Tabla 5.1. Matriz de riesgo RCM para plataformas navales definida en NES 45 [5].

La base de datos de fallos realizada con un RCM puede ser FMEA o FMECA. En el caso de la adaptación a plataformas navales, se realiza un FMECA. La diferencia está en añadir el valor de criticidad (equivalente a riesgo) a la base de datos del FMEA. Para  poder determina determinarr la criticidad se tienen en cuenta dos factores, la probabilidad de ocurrencia y la severidad. Ésta última mide el impacto o gravedad de las consecuencias.

139

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

5.3.  CONSTRUCCIÓN DE BASE DE DATOS FMECA PARA MOTOR DIESEL MARINO.

El primer paso para crear una base de datos completa y fiable es la realización de un FMECA del motor diésel marino. Se utiliza la metodología más reconocida a nivel internacional dentro del campo campo de la fiabilidad y del mantenimien mantenimiento, to, eell RCM. Dentro del procedimiento de un análisis RCM de un buque o plataforma, los primeros  pasos, siguien siguiendo do lo indicado en el apartado 5.2.6. son definir el contexto operativo y funciones del buque. Estos dos primeros se omiten en este e ste documento de confidencialidad, no obstante, para pasos el objetivo planteado de realizar por el razones análisis FMECA de un motor diésel de aplicación GENSET, es suficiente conocer la función y el contexto de la planta eléctrica, indica indicados dos en el apartado apart ado 4.4.1 del Capítulo 4, donde se indica básicamente que el buque dispone de cuatro grupos iguales conectados a la red eléctrica general del buque. En cuanto a la selección de equipos críticos, los motores de  propulsión y los grupos de generación generación eléctrica suelen siempre siempre entrar dentro del análisis RCM, por ser sistemas cuya pérdida es crítica, ya que en ambos casos, un fallo sobre el/los motor/es supone un fallo crítico para el correcto funcionamiento del buque. Posteriormente, se tienen que definir claramente los límites del equipo en el análisis, en este caso, se incluye todo el motor diésel y sus servicios auxiliares (circuito agua salada y agua dulce de refrigeración, circuito de lubricación, circuito de alimentación de combustible hasta el tanque de servicio diario y conductos de admisión de aire y escape de gases). Una vez definidos los límites del análisis, se comienza la construcción de la base de datos de fallos definiendo: en primer lugar todas las funciones que realiza el motor,  posteriormente los modos de fallo de cada funci función ón y finalmente sus efectos incluyendo incluyendo la probabilidad, consecuencias y criticidad que les corresponde a cada uno de ellos. Se utilizan las siguientes premisas alineadas con la metodología RCM para definir el alcance del estudio: 1ª)  Definición de todas las funciones que realiza el equipo, tanto principales como secundarias. 2ª)  Definición del número de modos de fallo, este número de fallos está limitado  por todos aquell aquellos os que tienen probabilidadson realista que se aun produzcan, como aquellos críticos cuyasuna consecuencias muydegraves cuando así la  probabilidad es escasa. 3ª)  Se detalla la causa del fallo hasta que se llega al límite de la capacidad de resolución del mismo (ej.: en caso de que el mantenimiento habitual de un elemento sea su sustitución, no se detallan los modos de fallo que componen elemento). 4ª)  Se indican los síntomas de cada fallo teniendo en cuenta cómo se producen en la instalación real. 5ª)  Establecer la probabilidad de ocurrencia, consecuencias y criticidad, la forma de establecer estos términos para cada modo de fallo sigue los criterios de valoración valoraci ón establecidos NES 45 [5] y RCM2 [6]. 6ª)  Tener en cuenta los indicadores de fallo disponibles, en el caso que nos ocupa son: los parámetr parámetros os operativos monitorizados en tiempo real en el buque, los 140

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

parámetros de fluidos  obtenidos por análisis periódicos y las inspecciones visuales que realiza diariamente la dotación.

La base de datos de fallos FMECA completa del motor diésel estudiado se muestra en el Anexo A de este capítulo. Como es de imaginar la 6ª) premisa es una de las más importantes, debido a que se tienen en cuenta los indicadores disponibles en el contexto real del motor que nos  proporcionan informaci información ón del estado actual del mismo y la que nos puede revelar la inminencia de algún fallo y/o el nivel de desgaste. Uno de los objetivos de este trabajo de investigación es la mejora de esta base de datos de fallos inicial por otra mejorada. La base de datos de fallos mejorada se obtiene gracias a la aplicación de los resultados obtenidos en base a un modelo que, actuando sobre todo en la 6ª) premisa, tiene en cuenta la respuesta de los indicadores  proporcionada por el modelad modeladoo de los fallos en el motor, además además de la respuesta de nuevos indicadores que revela el propio modelo no identificados por la experiencia utilizando la metodología RCM. Estos y otros aspectos se explican más detalladamente en los capítulos 7 y 8, obteniendo una mayor precisión y capacidad de detección de la  base de datos de fallos fallos FMECA debido a que el modelo determina con mayor precisión la variación de los indicadores ya existentes y añade indicadores adicionales que facilitan facilit an la diferenc diferenciación iación entre fallos con síntomas similares. similares . A su vez, esta mejora nos  proporciona una mejor interpretación de los síntomas asociados a un fallo ya que nos  permite la combinación entre que, síntomas síntom para tenían que cada tipo de un falloefecto y, así,similar sea másenclara la distinción de cada fallo, a as priori, asignado los indicadores, ya sean monitorizados, recopilados del análisis periódico de fluidos o de inspecciones inspecci ones visuales diarias. La siguiente Tabla 5.2 muestra los parámetros operativos monitorizados a bordo que son síntomas en la base de datos de fallos FMECA completa del motor diésel. Esta tabla, además de la descripción de los parámetros, indica el código identificativo de cada uno de ellos que aparece en la base de datos completa del Anexo A de este capítulo.

141

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

Tabla 5.2. Parámetros Operativos de base de datos de fallos FMECA.  

(*) Parámetros que no aparecen como síntomas en la base de datos de fallos y que sí se utilizaron para entrenar el sistema de detección de fallos descrito en el Capítulo 4. No son síntomas en la base de datos de fallos porque son parámetros ambientales o porque  pertenecen al alternador, que está fuera de los límites que se han fijado de análisis FMECA del motor diésel. (**) Parámetro que sí es un síntoma sínto ma en la base de datos de fallos, pero que no se utilizó  para entrenar el sistema detección de fallos descrito en el Capítulo 4 porque no existían datos históricos de este parámetro en la instalación del motor estudiado. Los parámetros fluidos, se obtienen cada varios meses de funcionamiento siguiendo el  plan de mantenimien mantenimiento to del motor. Aun Aunque que se toman muestras periódicas de los fluidos, estas se analizan cuando el buque llega a puerto y se pueden enviar al laboratorio. A veces, entre el envío de la muestra y la disponibilidad del laboratorio puede pasar  bastante tiempo entre la toma de muestra y el resultado del análisis. No obstante, normalmente se obtienen los resultados en una o dos semanas. Se realizan  periódicamente  periódicamen te análisis de estado de aceite de lubricación, agua tratada de refrigeración y combustible así como análisis espectrométricos de contenido de partículas de desgaste en aceite. No todos los parámetros de estos tres tipos de análisis ofrecen datos sobre el estado del motor y sus elementos de desgaste, muchos de ellos sirven para conocer el estado del fluido con el objetivo de saber si es necesario cambiarlo o aditivarlo para restaurar las propiedades dentro de tolerancias. La Tabla 5.3 muestra aquellos  parámetros fluidos, entre todos to dos los analizados, que sí que son indicadores indicadores de un posible desgaste anómalo o incidencia en el motor y aparecen como síntoma en algún modo de fallo de los que componen la base de datos FMECA completa. La Tabla 5.3., además de la descripción de los parámetros, indica el código identificativo de cada uno de ellos que aparece en la base de datos completa del Anexo A de este capítulo. 142

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

Tabla 5.3. Parámetros de fluidos de base de datos de fallos FMECA.

Finalmente, la dotación realiza rutas diarias de inspección visual establecidas por el plan de mantenimiento, las cuales sirven también para detectar algunos síntomas de un  posible fallo. La Tabla 5.4 muestra los indicadores proporcionados proporcionados por las inspecciones inspecciones visuales, también incluidos en la base de datos de fallos FMECA completa del Anexo A del presente capítulo.

Tabla 5.4. Síntomas detectados por inspecciones visuales del operador.

En la base de datos FMECA completa se define un total de 69 funciones del motor diésel marino estudiado. Como resultado se obtiene una base de datos de fallos de 209 modos de fallo x 54 síntomas potenciales, de los cuales 154 fallos tienen como síntoma algún parámetro operativo. Entre éstos últimos 154, 69 fallos tienen origen termodinámico. Por otro lado, entre los 209, 43 modos de fallo tienen como síntoma algún parámetro procedente del análisis de fluidos (aceite, agua refrigeración o combustible). De nuevo entre los 209, solamente 27 fallos tienen como síntomas tanto  parámetros operacionales operacionales com comoo del análisis de fluidos. Una conclusión importante que se obtiene de la creación de esta base de datos de fallo, es que existen 39 de los modos de fallo que no tienen ningún síntoma que se pueda detectar por monitorización de parámetros operativos o por el análisis de fluidos, es decir, no podrán ser detectados ni diagnosticados en un sistema de diagnosis predictivo sistematizado, siendo necesario, según el fallo, inspecciones visuales, desmontajes o instalar sistemas específicos como monitorización de la presión cilindro o vibración, 143

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

que cubran parte de estos síntomas. De los 39 fallos no cubiertos por un sistema de monitorización de la salud, 3 de ellos pueden ser detectados por inspección visual del

operador, normalmente realizada diariamente. Esto concluye en que 36 modos de fallos no serán detectados hasta que se realice la inspec inspección ción periódica establecida en el plan de mantenimiento o se haga evidente el fallo al producirse una avería mayor. Entre los 69 modos de fallo con síntomas operativos de origen y/o consecuencia termodinámica (detectables en un modelo termodinámico del motor), se extraen los 15 más frecuentes / probables  con el objetivo de inseminarlos en un modelo termodinámico del motor diesel que actúe como simulador de fallos y comprobar de forma precisa y cuantificable los síntomas producidos sobre parámetros monitorizados (o no) del motor. El análisis de los síntomas permitiría optimizar y validar la base de datos de fallos. Si se omiten aquellos síntomas que no son potenciales de ninguno de los 15 modos de fallo seleccionados, se reduce el tamaño de la base de datos desde 209 modos de fallo x 54 síntomas a 15 modos de fallo x 30 síntomas. La Tabla 5.5. muestra la base de datos simplificada que incluye solamente los modos de fallo termodinámicos típicos que se inseminarán en el simulador de fallos. Los fallos están representados por las filas desde F1 a F15. Los síntomas potenciales se representan en columnas desde el síntoma S1 al S30. A continuación se describen los fallos representados en la Tabla 5.5., indicando entre paréntesis paréntesis el código del fallo en la  base de datos datos FMECA com completa pleta del anexo anexo A: 

      

 



     

  

       



 





       



 

 F1 (56A1) caída de presión excesiva en filtro de aire.  F2 (44A1) reducción de eficiencia en enfriador de aire.  F3 (44A3) caída de presión excesiva en enfriador de aire.  F4  (57B2) fallo en compresor de aire, menor rendimiento

y caudal del

compresor.  F5 (52A1) fuga de aire en colec colector tor de admi admisión. sión.  F6  (1B21)  (1B21) mal asiento de válv válvula ula de admisión.  F7   (6A1) Menos cantidad de combustible inyectado quemado en un cilindro, misfiring .  F8 (1B9) y (1B10) pérdida de relación de compresi compresión ón del cilindro.  F9 (1B20) fallo de regulaci r egulación ón del huelgo de válvulas (menor huel huelgo). go).  F10 (1B1) y (1B14) fallo de regulación del huelgo de válvula válvulass (mayor huelgo).  F11 (1B16) fallo timing  inyección   inyección (adelanto de inyección).  F12 (1B16) fallo timing  inyección (retraso de la inyección).  F13 (57B2) fallo en turbina, menor rendimiento y caudal de la turbina.  F14 (54A1) fuga de carga en colector de escape.  F15 (1B17) y (1B18) caída de presión excesiva en conductos escape.

Los modos de fallo F8, F10 y F15 corresponden cada uno de ellos a dos fallos de la base de datos FMECA completa. Aunque la causa raíz no es exactamente la misma, son muy similares y tienen exactamente los mismos síntomas. Por esa razón, se simulan de la misma forma en el modelo del motor diésel, como se explica detalladamente en el Capítulo 6. Por el contrario, los modos de fallo F11 y F12 estaban unidos en un único fallo de timing . En el modelo se ha separado en dos modos porque se simularán de forma distinta, teniendo en cuenta si el fallo de timing  es   es adelanto o retraso en el ángulo de inyección de combustible. 144

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

Tabla 5.5. Base de datos FMECA simplificada  –  fallos  fallos termodinám ter modinámicos icos típicos.

145

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

En cuanto a los síntomas potenciales de los fallos típicos termodinámicos de la Tabla 5.5, se describen indicando entre paréntesis el código del parámetro monitorizado que

aparece en la base de datos FMECA completa del anexo A del presente capítulo:        

   

 

S1 (ST80) velocidad, régimen de giro del motor. S2 (WT70) potencia generada por el motor. S3 (FT40-FT41) consumo de combustible del motor. S4 (PT36-A) presión aire de carga, presión en el colector de admisión después del intercooler  o  o enfriador del aire del motor.



 



 



 



 



               

  

S5 (TT31-A) temperatura aire de o temperatura aire en el colector de admisión después del intercooler   o carga, enfriador de aire deldel motor. S6 a S17 (TT50-1A a 6B) temperatura de los gases de escape a la salida de cada cilindro, 12 valores desde cilindro 1A hasta el cilindro 6B. S18 y S19 (TT51-A1 y B1) temperatura de los gases de escape a la entrada de las turbinas de cada línea, A y B. S20 y S21 (TT52-A y B) temperatura de los gases de escape a la salida de las turbinas de cada línea, A y B. S22 (PT10) presión circuito del agua dulce utilizada para la refrigeración del motor. S23 (PT22) presión del circuito de aceite lubricación del motor. S24 (AC-EM-Cr) contenido contenido en Cromo Cro mo del aceite de lubricación. lubricación. S25 (AC-EM-Cu) contenido en Cobre del aceite de lubricación. lubricación.

  

 

S26 (AC-EM-Fe) del aceite de lubricación. S27 (AC-EM-Mn)contenido contenidoen enHierro Manganeso del aceite de lubricación. S28 (AC-EM-Si) contenido en Silicio del aceite de lubricación. S29 (AC-EM-V) contenido en Vanadio del aceite de lubricación. S30 (AC-FQ-Comb) contaminación del aceite por combustible.

Los valores H-“ High  High”” y L-“ Low  Low”” que aparecen en la matriz, indican si el valor del síntoma es alto o bajo respectivamente para el modo de fallo donde aparece. En el presente capítulo se ha descrito la metodología de mantenimiento basado en la fiabilidad RCM como herramienta para construir una base de datos de fallos FMECA. Posteriormente, se ha descrito como se ha realizado una base de datos de fallos FMECA completa para el motor diésel marino utilizado en esta investigación. Esta base de datos se muestra completa en el Anexo A del presente capítulo. Finalmente, se han extraído 15 modos de fallo termodinámicos típicos obteniendo una base de datos FMECA simplificada, cuyos fallos serán simulados en un modelo termodinámico del motor. El modelo se describe en el Capítulo 6, mientras que la simulación de fallos, el análisis de los síntomas que revela el modelo y la interacción entre síntomas vs. fallos se muestran en el Capítulo 7.

5.4.  ANEXOS 5.4.1. Anexo A: Base de datos de fallos FMECA completa. En este anexo se muestra la base de datos de fallos completa en forma de tabla en formato A1 apaisado debido al tamaño de la misma. Se trata de una base de datos amplia, donde se indica, además de todo lo que corresponde a un análisis FMECA, la 146

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

identificación de señales del motor en el buque que son síntomas potenciales de cada fallo, e inspecciones recomendadas para averiguar cuál es el fallo cuando los síntomas

activos son compartidos por varios posibles fallos. Como se indica en el apartado 5.3., está compuesta por 69 funciones del motor diésel que derivan en 209 modos de fallo. La forman los siguientes campos:   Nº: Código que indica el número de modo de fallo. Es una combinación de C FU,



 



   

 

 



 



 



 



     

 



 



CFF y CMF (desde 1A1 hasta 69A3). CFU: Código de función. Numeral que indica el número de función (1 a 69) del motor. Función: Descripción de la función del motor. CFF:  Código de fallo funcional. Letra que indica el número existente de fallos funcionales de una función determinada. Cada función tiene un número de fallos funcionales distinto. El rango máximo máximo es ((A A a C). Fallo funcional:  Descripción del fallo funcional. El fallo funcional indica de cuantas formas puede fallar una función, si de forma total o de forma parcial, según el tipo de función que sea. CMF:  Código de modo de fallo. Numeral que indica el número existente de modos de fallo para un fallo funcional de una función determinada. Cada combinación de función + fallo funcional tiene un número de modos de fallo distinto. El rango máximo es (1 a 23). Modo de Fallo: Descripción del modo de fallo. Describe la causa raíz del fallo, es decir el modo de fallo que produce el fallo de la función. La naturaleza del modo de fallo es el factor más importante para decidir la mejor tarea de mantenimiento que evite que se produzca. Evidencia:  Descripción de los síntomas que permiten reconocer que se está  produciendo el modo de fall falloo correspondien correspondiente. te. Sistema: Sistema del motor diésel donde se produce el modo de fallo. Elemento: Elemento del motor diésel donde se produce el modo de fallo. Criticidad:  Criticidad del modo de fallo, combinación de la probabilidad x severidad de las consecuencias en caso de que se produzca. KPI’s:  Key Performance Indicator . Se indica si existen parámetros operativos y/o de fluidos monitorizados, independientemente independientemente de que sea en ttiempo iempo real o de forma periódica, que sean indicadores/síntomas del fallo. Se muestra (Operacional, Fluidos, Operacional y Fluidos o “-“ si no existe indicador KPI).

KPI’s Term.:  Muestra si existe algún KPI termodinámico, es decir, algún  parámetro que se moni monitorice torice en el motor diésel diésel y que sea una variable del  proceso físico termodinámico. Este término se ha introducido para identificar claramente los que pueden ser utilizados con el e l modelo termodinámico.   Parámetros operativos: Se indican los parámetros operativos monitorizados abordo en tiempo real que son indicadores/síntomas del fallo. Los parámetros operacionales se muestran con un código identificativo. La descripción de los  parámetros se muestra muestra en la Tabla Tabla 5.2.   Parámetros fluidos:  Se muestra los parámetros fluidos obtenidos mediante análisis periódico que son indicadores/síntomas del fallo. También se muestran con un código identificativo. La descripción de los parámetros se puede encontrar en la Tabla 5.3.   Inspecciones visuales operador:  Se indican las inspecciones visuales que el



 







operador realiza periódicamente, normalmente antes de arrancar y diariamente 147

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

durante el funcionamiento. La lista de las inspecciones visuales que están como síntoma en la base de datos de fallos FMECA completa se muestra en la Tabla

5.4.   Comprobación: Se indica la inspección a realizar en el caso de que se tenga que comprobar si el modo de fallo correspondiente es el que está sucediendo. Esto  puede ser necesa necesario rio si los síntomas detectados son comunes a varios posibles modos de fallo.



A continuación, la Tabla 5.6 muestra la base de datos de fallos FMECA completa del motor diésel marino estudiado en esta tesis. En la misma, se puede apreciar que quince (15) de los modos de fallo están sombreados. Este sombreado permite una rápida identificación de los fallos termodinámicos más típicos que se producen en motores diésel marinos, que como más adelante se indica, serán simulados en el Capítulo 7 mediante modelo termodinámico para comprobar la respuesta del motor.

148

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

Tabla 5.6. Base

de datos de fallos FMECA completa.

149

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

150

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

151

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

152

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

153

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

154

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

155

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

156

 

CAPÍTULO 5: Base B ase de datos de fallos FMECA para motor diesel marino

5.5.  REFERENCIAS

[1]

SAE JA1011 2009, Evalua Evaluation tion Criteria for Reliability-Centered Maintenan Maintenance ce (RCM) Processes, SAE Internatinal Standard , 2009,  http://standards.sae.org/ja1011_200908/.  http://standards.sae.org/ja1011_200908/.

[2]

SAE JA1012 2009, A Guide to the Reliability-Centered Main Maintenance tenance (RCM) Standard  SAE Internatinal Standard, 2011,  http://standards.sae.org/ja1012_200201/. http://standards.sae.org/ja1012_200201/. 

[3]

Reliability Web, http://reliabilityweb.com/sp/articles/entry/el-camino-hacia-elrcm/..  rcm/

[4]

NAVAIR 00-25-403, Guidelin Guidelines es for the naval aviation reliability-centered maintenance process,  Direction of Commander, Naval Air Systems Command, 2005,  http://www.navair.navy.mil/logistics/rcm/library/00-25-403.pdf .  2005,

[5]

NES 45, Requiremen Requirements ts for the Applica Application tion of Reliability-Centred Main Maintenance tenance Techniques to HM Ships, Submarines, Royal Fleet Auxiliaries and other Naval Auxiliary Vessels, Ministry of Defence, Defence Standard 02-45, Issue 2, 2000, ftp://ftp.iks-jena.de/mitarb/lutz/standards/dstan/02/045/00000200.pdf . 

[6]

John Moubray, RCM2 –  Reliability  Reliability –  Centered  Centered –  Maintenance.   Maintenance. Aladon, 2000.

[7]

M. Rausand Rausand,, Reliability centered main maintenance, tenance, Reliability Engineering and System Safety 60, pp. 121-132, 1998.

[8]

Joel Igba, A Systems Approach Towards Reliability-Centred Reliability-Centred Maintenance Maintenance (RCM) of Wind Turbines, 2013.

[9]

Milkie, C. M. and Perakis, A. N., Statistical Methods for Planning Diesel Engine Overhauls in the U. S. Coast Guard. Naval Engineers Journal, 116: 31 – 42, 42, 2004. doi:10.1111/j.1559-3584.2004.tb00266.x.

157

 

CAPÍTULO 5: Base de datos de fallos FMECA para motor diesel marino

158

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

CAPÍTULO 6 Modelo termodinámico unidimensional de motor diesel marino INDICE 6.1 6.2 6.3 6.3.1 6.3.2 6.3.3 6.3.3.1 6.3.3.2 6.3.4 6.3.4.1 6.3.4.2 6.4 6.4.1 6.4.2 6.4.3 6.4.4 6.4.5 6.4.6 6.4.7 6.4.7.1 6.4.7.2 6.4.7.3 6.4.7.4 6.5 6.6 6.6.1 6.6.1.1 6.6.1.2 6.6.1.3 6.6.1.4 6.6.1.5 6.6.2

Introducción Recolección de datos Medidas experimentales Banco de pruebas Condiciones de ensayo Protocolo de pruebas Puntos de funcionamiento del ensayo Parámetros registrados en el ensayo Medidas adicionales para caracterizac caracterización ión de motor diesel en modelo termodinámico Presión dinámica en cilindro y colectores Emisiones Construcción del modelo termodinámico Características generales del modelo Pérdidas de carga localizadas en admisión y escape Conductos Turbocompres Turbocompresor or Enfriador de aire Colectores de admisión y escape Cilindros Modelado de de blow-by la combustión Modelado Modelado de la renovación de la carga Modelado de las pérdidas de calor por convección Validación del modelo unidimensional Anexos Anexo A: Obtención de datos geométricos para modelo del motor diésel Colector de admisión Conductos de admisión Colector de escape Conductos de escape Levantamiento de válvulas Anexo B: Tratamiento de las medidas de gases contaminantes para

163 163 164 164 166 166 166 167 170 170 174 175 175 179 180 180 183 184 184 185 185 186 187 188 189 189 189 191 192 194 195 197 159

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

calculo gastos másicos y emisiones

6.6.2.1 6.6.2.1.1 6.6.2.1.1.1 6.6.2.1.1.2 6.6.2.2 6.6.3

197 197 198 199 201 201

6.6.3.1

Cálculo del gasto másico de aire de admisión Dosado Método de balance de C, H, O Método λ de Brettschneider   Cálculo del gasto másico de gases Anexo C: Tratamiento de las señales de presión dinámica en cilindro y cálculo de ley de liberación de calor Presiones medias, trabajo y par

6.6.3.2 6.6.3.3 6.6.3.4 6.6.3.5 6.6.3.6 6.7

Coeficientes de compresión Evolución depolitrópicos la temperatura en el cilindroy expansión Calor transmitido a través de las paredes Calor liberado por el combustible Ley de doble Vibe Referencias

202 203 204 205 207 208

201

LISTA DE TABLAS 6.1 6.2 6.3 6.4 6.5

Servicios principales del banco de pruebas Puntos de funcionamiento del ensayo en banco de pruebas Parámetros monitorizados en ensayo de banco de pruebas Coeficiente transmisión de calor en colector escape Comparativa entre valores medios simulados y experimentales

165 166 167 184 188

LISTA DE FIGURAS 6.1 6.2 6.3 6.4 6.5 6.6 6.7

165 168 171 172 174 175 177

6.18

Motor diésel marino en banco de ensayos Puntos de medida de ensayo en banco de pruebas sobre motor diésel Sistema de medida de presión cilindro IndicatorCal® Sensores de presión dinámica sobre motor Presión en cilindro filtrada y sin filtrar –  100% carga del motor Equipo portátil de medida de gases contaminantes Esquema modelo termodinámico del motor diésel marino en AVL Boost© Presión media de pérdidas por fricción frente a presión media efectiva Curvas de ajuste de caída de presión localizada en filtro de aire y conductos de escape Mapa de compresor Mapa de turbina Curvas de Coeficientes de descarga de válvulas Comparativa de presión dinámica en cilindro simulada y experimental Colector de aire de admisión Dimensiones simplificadas de colector de admisión aire para modelado Conductos de admisión aire en culata Dimensiones simplificadas de conductos de admisión aire para modelado Colector de gases de escape

6.19

Dimensiones simplificadas de colector de escape para modelado

194

6.8 6.9 6.10 6.11 6.12 6.13 6.14 6.15 6.16 6.17

178 180 182 183 187 188 190 191 191 192 193

160

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

6.20

Conductos de escape en culata

194

6.21 6.22 6.23 6.24 6.25 6.26 6.27

Dimensiones simplificadas de conductos de escape para modelado Tren de accionamiento de válvulas Relación de amplificación en el levantamiento debido a los balancines Levantamiento válvulas admisión y escape vs ángulo cigüeñal Coeficientes politrópicos de compresión y expansión al 100% de carga Calor liberado por el combustible al 100% de carga Fracción de masa quemada por el combustible al 100% de carga

195 195 196 197 203 206 207

161

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

6.1.  INTRODUCCIÓN.

En este capítulo se describe la construcción de un modelo del motor diésel estudiado con el objetivo de que reproduzca de forma realista el comportamiento del motor tanto en condiciones normales como en caso de posible fallo del motor. El modelo se usará como plataforma de ensayos virtual para introducir fallos y así obtener el comportamiento y respuesta de las variables termodinámicas que son medidas en el motor real y de las que no son medidas pero serían susceptibles de serlo. Para tener garantías decuando la respuesta del modelofallos, y represente el comportamiento del motor, especialmente se le inseminen se construye un modelo dereal acción de ondas unidimensional utilizando el software AVL Boost©. Este software es bien conocido por la comunidad científica especializada y tiene prestigio reconocido internacionalmente por la fiabilidad de los estudios realizados con él. Para el correcto funcionamiento del software ha sido necesario utilizar datos geométricos y característicos reales del motor, así como ajustarlo y validarlo con datos de funcionamiento obtenidos mediante medidas experimentales en banco de ensayos. El  proceso de recolección de datos, de introducción de estos datos en el software, las asunciones tomadas y el nivel de ajuste obtenido se muestra en las siguientes secciones de este capítulo.

6.2.  RECOLECCIÓN DE DATOS. El primer paso para construir el modelo es realizar un proceso de obtención y tratamiento de datos. Para realizar este proceso se diseña un procedimiento organizado y sistemático, mostrado en [1], que garantice recopilar todos los datos, realizar medidas experimentales específicas específicas adecuadas y realizar cálculos pertinentes de las medidas que  permitan obtener todos los parámetros que necesitará el modelo. A continuación se muestra una lista de los datos a recopilar, agrupados por su naturaleza:   Datos geométricos: diámetro y carrera de cilindros, longitud biela, relación de



 



 



 



 



   

 

 



compresión, número de cilindros, orden de encendido, número de válvulas admisión / escape, huelgo balancín-válvulas, diámetro de asiento de válvulas, diagrama de distribución, coeficientes de flujo, curvas de levantamiento válvulas, y dimensiones de conductos sistema de aire y gases, colectores admisión y escape, enfriador y filtro de aire. Combustible: Poder Calorífico Inferior y relación Aire/Combustible (A/F) estequiométrica. Combustión: caudal másico combustible/carga o (A/F real) y curva presión cilindro dinámica para cada punto de funcionamiento del motor modelado. Renovación de la carga: evolución instantánea de las presiones de admisión y de escape tomadas en los colectores del motor. Datos operacionales: presiones y temperaturas operacionales del sistema de aire, escape y fluidos de sistemas auxiliares. Ambiente: presión, temperatura y humedad. Turbocompresor: mapa compresor y turbina, velocidad, temperaturas y  presiones del del turbocompresor. Datos adicionales: pérdidas presión localizadas en filtro aire de admisión antes de compresor, enfriador de aire y conductos escape después de turbina. 163

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

El anexo A del presente capítulo resume el proceso de obtención de datos geométricos

de los elementos principales del motor a partir de planos. Este proceso se describe detalladamente en [2]. Una vez determinado el tipo de modelo e identificados los datos y parámetros necesarios, se diseña una base de datos completa que incorpora esos datos de una forma ordenada y estructurada. Para ello, se crea una hoja de cálculo programada dividida en cuatro partes: información de motor, información de familia/tipo, información de banco de ensayos y base de datos. Funcionalmente, la base de datos incluye tres tipos de datos: datosde fijos, medidas y datos calculados. cálculo, unautilizará vez rellena, de  base datos característicos del motor Esta diéselhoja en de estudio y se para servirá introducir todos los datos en AVL BOOST ©. La descripción detallada de la hoja de cálculo  programada se encuentra en [3], esta hoja de cálculo fue programada de forma genérica  para que sea capaz de calcular los parámetros específicos de una gran variedad de motores utilizados el sector naval, destinados tanto a la propulsión como a la generación eléctrica del buque.

6.3.  MEDIDAS EXPERIMENTALES Para construir un modelo válido para la diagnosis del motor, además de recopilar  parámetros geométricos es necesario realizar pruebas experimentales en un banco de ensayos con capacidad para motores diésel de elevada potencia. Las medidas a realizar se definen en un protocolo especial de ensayo que incluye parámetros operacionales estándar y parámetros específicos definidos para poder caracterizar el motor y permitir construir el modelo termodinámico unidimensional.   Algunas de las medidas permiten obtener parámetros de ajuste del modelo y otras obtener datos de referencia del motor funcionando en buenas condiciones para su validación. Después de realizar las medidas experimentales, es necesario realizar un tratamiento y análisis de las mismas para caracterizar el proceso de combustión mediante la ley de liberación de calor, el proceso de renovación de la carga, concentración de emisiones, caudales de aire y gases, blow-by, comportamiento de sistemas auxiliares del motor, etc.

6.3.1. Banco de pruebas Las medidas experimentales se realizan en uno de los bancos de pruebas que tiene la fábrica de motores diésel de Navantia en Cartagena, ver Figura 6.1. El banco dispone de un cierre absorbente insonorizado y una sala de control remota donde se encuentra el sistema de monitorización y control (Siemens i7) del motor. El banco está preparado  para realizar pruebas de grupos diesel eléctricos de hasta 2.000 kW y de propulsión de hasta 10.000 kW.

164

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.1. Motor diésel marino en banco de ensayos. El banco de pruebas está preparado para realizar todas las medidas operacionales y ambientales estándar del motor y de los circuitos auxiliares del banco, estos últimos sustituyen a los circuitos de servicio disponibles en la instalación final. Los servicios  principales que proporciona el banco de pruebas se muestran en la Tabla 6.1, donde se indican los valores de servicio y de alarma de cada uno de los parámetros de servicio.

Tabla 6.1. Servicios principales del banco de pruebas.

Además de los parámetros típicos que se suelen registrar en rodaje y prueba oficial para aceptación de un motor diésel marino, se registran parámetros específicos que han hecho necesario utilizar equipos portátiles adicionales de presión cilindro y emisiones. Estas medidas adicionales, al no estar centralizadas desde la cabina de control del banco de pruebas, se han controlado desde una mesa auxiliar situada junto al motor, como se muestra en la Fig. 6.1.

165

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

6.3.2. Condiciones de ensayo Los sensores y cadena de medida estándar del banco de pruebas y equipos portátiles están correctamente verificados y calibrados. Según la normativa aplicable ISO 3046-1 [4], las prestaciones del motor se definen en condiciones estándar (25ºC, 25ºC, 100 kPa). Por lo tanto se registran las condiciones de presión, temperatura y humedad ambiente durante la prueba para poder realizar la corrección pertinente. Los fluidos utilizados, cumplen la normativa de fluidos del tecnólogo del motor: Aceite lubricante viscosidad grado SAE 40, combustible diesel marino MDO F76 NATO estándar MIL-F-16884 [5] y refrigerante de agua destilada mezclada con anticorrosivo Glysacorr P113 (9-11 % volumen).

6.3.3. Protocolo de pruebas Se realizan cuatro días de ensayos del grupo auxiliar completo estudiado con distintas condiciones ambientales Para ello, se diseña un plan de pruebas que define los puntos de funcionamiento y los todos parámetros a registrar. 6. 6.3. 3.3. 3.1. 1. P untos de de funci unciona onam mi ento d de el ensay ensayo o

Los puntos ensayados son 10%, 25%, 50%, 75% y 100% de potencia nominal diesel declarada 1200dekW, valores potencia corregidos estándar [4]. estará Estos cinco puntos ensayo son de representativos de todoa elcondiciones rango de carga donde operando el motor diésel cuando esté instalado abordo. Debido a que el motor se destina a la generación eléctrica del buque, el régimen de funcionamiento está fijado a 1800 rpm. La Tabla 6.2 muestra los puntos de ensayo del protocolo de pruebas para este motor.

Tabla 6.2. Puntos de funcionamiento del ensayo en banco de pruebas. pr uebas.

El registro de medidas se realiza tras esperar, al menos, 10 minutos una vez se alcanza cada punto de funcionamiento para asegurar que se estabilizan las temperaturas de funcionamiento del motor. Además los ensayos se realizan desde el punto de mínima carga hasta el de máxima carga tras un periodo de calentamiento del motor y también en sentido contrario, desde la máxima carga a la mínima carga, obteniéndose valores similares tanto para las temperaturas como para el resto de parámetros medidos.

166

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

6.3.3.2. 6.3. 3.2. P arám aráme etr tro os r eg i str strad ados os e en n el e ensay nsayo o

En la Tabla 6.3 y Fig. 6.2 se muestra una lista de los parámetros monitorizados en el ensayo realizado en banco de pruebas y su posición en el motor diesel, así como los  parámetros calculados calculados a partir de la lass medidas.

Tabla 6.3. Parámetros monitorizados en ensayo de banco de pruebas.

167

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

La Tabla 6.3. identifica los parámetros que son monitorizados y los que son calculados.

La Tabla 6.3. identifica los parámetros que son monitorizados y los que son calculados.  P1 a P59) que permite identificar el punto de medida También existe una numeración ( P1 sobre un esquema del motor que se muestra a continuación en la Fig. 6.2. Aquellos  parámetros que son también monitorizados en el buque donde se instalará el motor diesel de este ejemplo se indican en la Tabla 6.3 con el índice (1).

Fig. 6.2. Puntos de medida de ensayo en banco de pruebas sobre motor diésel. Los datos experimentales que se utilizan para ajuste del modelo corresponden a  P11,  P15 a  P17 ,  P19 a  P22,  P38,  P39,  P42,  P46   y P47 . El resto de parámetros medidos son utilizados como valores de referencia del motor para p ara posterior validación del modelo. En concreto, se ajusta la caída de presión real antes y después del motor, es decir, desde la toma de aire de sala de ensayos hasta entrada del compresor y desde la salida de la 168

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

turbina hasta la salida de gases al exterior utilizando  P11  y P42 respectivamente. En el enfriador se ajusta la caída de presión de aire  P15  y la eficiencia utilizando la temperatura de salida de aire  P16 . Por otro lado, los coeficientes de flujo en válvulas de admisión y escape que caracterizan la renovación de la carga así como las leyes de liberación de calor que caracterizan la combustión, se obtienen utilizando el gasto de aire  P17 , gasto de gases  P21 y presiones dinámicas en colectores de admisión  P19  y escape  P22, y en el cilindro P20. Finalmente, se utilizan las temperaturas en colector de aire  P16 , entrada a turbinas  P38,  P39, salida de agua del motor  P46  y   y salida de aceite lubricante del motor P49 para el ajuste de la transmisión de calor en los conductos tanto en línea de admisión como en escape. Como veremos más adelantey el tiene varias opciones para modelar la transmisión de calor en los conductos enmodelo los cilindros, en este estudio se ha utilizado el modelo de Woschni mejorado descrito en [6]. Los parámetros de ajuste y de validación se obtienen mediante medida directa o calculados a partir de las medidas. La Tabla 6.3 indica la instrumentación utilizada,  precisión de medidas directas y cuáles son los parámetros calculados a partir de las medidas que le corresponden y de la normativa aplicable para ese parámetro tal y como se indica a continuación. Los parámetros que indican las prestaciones del motor, par corregido  P8, potencia corregida  P9  y consumo específico corregido  P10  son parámetros calculados. Los  parámetros  P8  y  P9 se obtienen a partir de las medidas del régimen de giro del motor  P1  y potencia activa del alternador  P2, utilizando el rendimiento del alternador y corrigiendo según condiciones estándar 25/25/1 según la normativa descrita en [4]. El consumo específico  P10 se obtiene a partir del consumo de combustible medido y la  potencia corregida, el consumo de combustible se mide mediante la diferencia de  presión  P4  que se produce en un tanque de alimentación de combustible durante un intervalo de tiempo determinado, donde la temperatura de entrada  P6   y salida  P7   de combustible y el volumen del tanque son conocidos. Estos parámetros calculados se realizan automáticamente en un sistema  scada  implementado en el banco Siemens i7 donde se ensaya el motor. La caída de presión de aire en el enfriador  P15 se obtiene como la diferencia entre las  presiones medidas en el colector de aire  P14 y entrada al enfriador  P12. Los caudales másicos de aire P17  y  y gases P21 así como relación aire/combustible P18 se calculan por método indirecto a través de las medidas en el escape de concentración de gases de O 2   P51, CO 2  P52  P52,

2  P55  P55  y NO x  P56   P56  CO  P53 NO  P54de , NOgastos metodología medida de gases contaminantes y , cálculo y emisiones. Lautilizada es ladeindicada en normativa aplicable ISO 8178 [7], que establece el cálculo a partir del consumo de combustible y del análisis de estas medidas de gases de escape. La medida de gases contaminantes se ha considerado como una medida específica, como tal, y se le ha dedicado el apartado 6.3.6.2 para describirla en detalle. El cálculo de los  P17 ,  P18  y  P21 se realiza por los tres métodos indicados por norma [7], método de Brettschneider [8], método del balance de oxígeno y método del balance de carbono, siendo los resultados de prácticamente idénticos, lo que nos asegura que la medida y cálculo son fiables. En el Anexo B del presente capítulo se muestra de forma resumida el tratamiento de las medidas de gases contaminantes para calcular gasto másico de aire/gases y emisiones del motor. Este proceso también se describe de forma detallada en [3].

169

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

También se calcula la temperatura media de gases de escape en cada lado del motor, temperatura gases lado A  P36  y  y temperatura gases lado B  P37 , calculadas directamente como media aritmética de las temperaturas de escape de todos los cilindros de su línea correspondiente. Los coeficientes de flujo en válvulas se obtienen del ajuste de la  presión instantánea instantánea de admisión y la presió presiónn de escape co conn el caudal medio P17   yy P21 y la presión en cilindro cuando está en lazo abierto de cada punto de funcionamiento ensayado. La medida que requiere mayor tratamiento, tanto la preparación y configuración de la  P20, realizada en el cilindro medida como elcilindro, post-tratamiento, la presión en cilindro 1A. La presión al ser unaesmedida específica, se describe aparte en el apartado 6.3.6.1 de este capítulo. Esta medida, una vez registrada, hay que tratarla para calcular la ley en la que se libera el calor del combustible para realizar el modelado de la combustión. En el Anexo C del presente capítulo, se resume el proceso de tratamiento de las señales de presión dinámica en el cilindro para calcular la ley de liberación de calor. Éste proceso se describe con detalle en trabajos paralelos a esta investigación [9].

Los parámetros del alternador, aunque no se muestran en la Tabla 6.3 ni Fig. 6.2 por quedar fuera del alcance de este estudio, también se registran para tener valores de referencia del grupo generador completo y sirvan de comparación con los que se registran posteriormente en el buque. Estos parámetros se han utilizado como confirmación a los parámetros medidos directamente en el motor, ya que se conocen los rendimientos asociados a la transmisión y al propio generador eléctrico.

6.3.4. Medidas adicionales para caracterización de m motor otor diesel en modelo modelo termodinámico. Las señales estándar que se realizan normalmente son monitorizadas y registradas por el sistema de control centralizado del banco de pruebas. Sin embargo, para poder ajustar y validar el modelo termodinámico del motor diésel no es suficiente el registro de estas medidas operativas. Es necesario realizar medidas adicionales de presiones dinámicas dentro del cilindro, en los colectores y de emisiones de gases contaminantes. A continuación se describen estas medidas específicas por su carácter de especiales o no habituales en los ensayos de caracterización/validación de motores navales y por la importancia que tienen para poder obtener un modelo fiable. 6.3.4.1. 6.3. 4.1. P r esión si ón dinám dinámii ca en ci cililindro ndro y cco ole lect cto or es

La presión cilindro es la más importante de todas para a modelización posterior del motor. La evolución de la presión en un ciclo termodinámico nos permite calcular la ley de liberación de calor y con ésta saber el ritmo en el que se va quemando el combustible inyectado [10]. Por lo tanto, esta señal es la base para la construcción del modelo de combustión en los cilindros que incorpora el modelo termodinámico del motor. Para medir y registrar la señal de presión en cilindro se ha utilizado el sistema IndicatorCal® desarrollado por el Departamento de Ingeniería Térmica y de Fluidos de la Universidad Politécnica de Cartagena [11]. Este sistema está compuesto por los siguientes elementos:

170

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

  1 Unidad de adquisición de datos National Instruments CompactRIO ® de



cuatro canales.   1 Unidad de amplificación de señal para captador piezoeléctrico de presión del cilindro.   4 Captadores: o  1 Captador magnético u óptico de la velocidad del motor con alta resolución angular. o  1 Captador magnético para referencia del punto muerto superior TDC. o  1 Captador piezo-eléctrico refrigerado por agua para registro de la





 presión dinámica dinámica en el cilindro.

  1 Captador piezo-resistivo para registro de presión dinámica del colector

o

de admisión o de escape.   1 Unidad de refrigeración del cilindro cili ndro piezo-eléctrico.   Software propio IndicatorCal® desarrollado sobre la plataforma LabView® de  National Instruments.

 

Fig. 6.3. Sistema de medida de presión cilindro IndicatorCal® [10].

171

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.4. Sensores de presión dinámica sobre motor. Antes de comenzar el protocolo de pruebas definido en el apartado 6.3.3.1, es necesario realizar una captación previa a los ensayos para ajustar de forma precisa la señal de referencia del punto muerto superior TDC del cilindro donde se instala el captador de  presión cilindro (cil. 1A). Este ajuste, a realizar una sola vez, requiere la superposición de la señal magnética de referencia TDC con la de presión cilindro, para deslizar  posteriormente la segunda hasta hacer coincidir exactamente la señal de disparo con el  punto muerto superior superior termodinámico. Una vez ajustado el sistema, se realiza medida en todos los puntos de funcionamiento  por partida doble, una tomando como referencia la presión dinámica del colector de admisión y otra con la presión de escape. La presión en cilindro se mide en continuo mediante sensor refrigerado, realizando registros promediados de 100 ciclos de motor. Esta medida está proporcionada por un sensor piezoeléctrico que necesita de una referencia de presión absoluta. Esta referencia se obtiene con la medida de presión en el colector de admisión / escape. Para ello, se busca el punto muerto inferior entre las carreras de admisión y compresión, que es el momento en el que la válvula de admisión está abierta y la velocidad del flujo es aproximadamente cero. En ese momento se considera que las presiones de admisión y de cilindro son iguales y se referencia la 172

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

segunda con el valor de la primera. El proceso es análogo si la presión de referencia es con el colector de escape, buscando en este caso el momento en el que la válvula de escape está completamente abierta. Además, la presión cilindro se filtra mediante la técnica de  Fast Furier Transform FFT  para eliminar las frecuencias de distorsión producidas por el conducto sin cavidad, Ec. 6.1. y 6.2., y así evitar el efecto conducto donde se aloja el sensor dentro de la culata.

    · f  c   γ ·R· R · T 

   

(6.1) (6.2)

Siendo:   f: frecuencia de resonancia natural producida por la cavidad donde se aloja el



 



   





   





sensor. c: velocidad del sonido particularizada para las condiciones del gas donde se está midiendo, calculada según Ec. 6.2. L: longitud del conducto de la l a cavidad. R: constante de los gases ideales particularizada para el gas y las condiciones del gas. γ: constante adiabática del gas.  T: temperatura del gas.

El sensor se ha alojado lo l o más cercano posible a la cámara de combustión, debido a que su frecuencia de resonancia es mayor a menor longitud. Utilizando las Ec. 6.1 y 6.2 y las dimensiones del conducto, la frecuencia propia que se obtiene es de 2kHz. Por lo tanto se establece una frecuencia de corte inferior, en este caso 750 Hz. La idoneidad de la frecuencia de corte se comprueba durante la adquisición mediante la visualización de la onda temporal y del espectro FFT. A continuación la Fig. 6.5 muestra un ejemplo de señal de presión en cilindro obtenida al 100% de carga del motor sin filtrar y filtrada mediante filtro paso bajo 750 Hz, frecuencia inferior a la frecuencia propia del conducto. En la Fig. 6.5 se puede observar la perturbación en la onda de presión producida por el efecto conducto, que comienza en el inicio de combustión. Esta distorsión se produce con tasas de variación de presión elevadas y el resultado es un pequeño retraso y un aumento de la presión pico máxima, como se indica en [12]. El espectro FFT muestra que la energía de la onda de presión real está concentrada por debajo de 750 Hz, mientras que a partir de aproximadamente 2000 Hz se produce un aumento de energía  producido por el rebote de la onda de presión amplificada por resonancia en el conducto.

173

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.5. Presión en cilindro filtrada y sin filtrar fi ltrar –  100%  100% carga del motor. Otro aspecto importante a considerar es el efecto de la deriva térmica del sensor. Este tipo de medida es susceptible de sufrir un desplazamiento del valor cero debido al efecto que tiene la alta temperatura sobre el captador piezoeléctrico. Este efecto se mitiga en gran medida utilizando refrigeración por agua del sensor. Todas las medidas analizadas aseguran la obtención de una señal de presión en el cilindro de alta calidad cuyo tratamiento posterior permite obtener la ley de liberación de calor que se utilizará para modelar la combustión dentro del cilindro. 6.3.4.2. E mi sione sioness

La medida de gases contaminantes es otro registro específico, que no suele realizarse habitualmente pero que es relativamente importante para caracterizar el motor en un modelo termodinámico. La importancia de esta medida en este estudio radica en que es utilizada conjuntamente con el consumo de combustible y composición química del mismo para calcular los caudales másicos de aire y gases de combustión de una manera fiable. Parax)poder analizar las emisiones de gases en instala motoresendiesel (CO 2, CO, O2 y  NO se utiliza un analizador TESTO 360. de Lainterés sonda se el conducto de gases del banco de pruebas en dirección perpendicular al flujo. Este analizador proporciona la concentración de las emisiones de acuerdo con la normativa ISO 8178-1 [7] sobre medida de gases de escape en motores de combustión interna alternativos. La Fig. 6.6 muestra el equipo de medida de gases contaminantes y el principio de medida utilizado  para la medida de cada gas aanalizado. nalizado. Con la medida de la concentración concentración de cada gas y la medida de combustible inyectado se evalúa la cantidad de aire necesario para obtener esta concentración y así se puede conocer el gasto de aire que se ha introducido en el motor en cada instante. Esta medida es válida para ensayos en condiciones estacionarias.

174

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.6. Equipo portátil de medida de gases contaminantes.

 

6.4. CONSTRUCCIÓN DEL MODELO TERMODINÁMICO

Una vez recopilados todos los datos necesarios, se construye el modelo en AVL Boost©. Esta herramienta utiliza las ecuaciones de conservación de la masa, energía y cantidad de movimiento para el modelado de los conductos, depósitos y otros componentes del motor [13]. AVL Boost© está ampliamente testeado y utilizado por gran número de autores. A modo de ejemplo, entre otros muchos, [14] modela un sistema EGR de un motor diésel para reducción de emisiones NOx, [15] desarrolla un modelo de un motor que opera con biodiesel o [16] realiza un modelo de un motor a gas. El proceso de construcción y ajuste del modelo del motor diésel marino seleccionado se describe de forma más detallada en [17]. En los siguientes apartados se hace una descripción breve y sin entrar en detalles de la calidad de modelo alcanzada y de las características generales de éste.

6.4.1. Características generales del modelo El modelo del motor diésel marino realiza una simulación del ciclo termodinámico para un motor de 4T turbosobrealimentado. El cálculo de la composición del gas y las  propiedades termodinámicas termodinámicas del mismo en cada elemento e instante se realiza mediante las ecuaciones de conservación de transporte de especies clásico [13].  Según este modelo clásico, las ecuaciones de conservación de la masa Ec. (6.3), cantidad de movimiento Ec. (6.4) y energía Ec. (6.5) para flujo unidimensional son:

     0             0    

(6.3) (6.4)

175

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

         0   



 



(6.5)

ℎ

Donde  es la densidad,  la velocidad del fluido,  el tiempo,  la dimensión longitudinal que sigue el flujo,  la presión,   la energía interna total y  la entalpía total.



El primer término de la Ec. (6.3) representa la acumulación de masa y el segundo (término convectivo) el flujo neto de masa a través del volumen de control. En el caso de la Ec. (6.4), el primer y segundo términos representan la acumulación y flujo neto de la cantidad de movimiento, respectivamente; mientras el tercero tiene en cuenta las fuerzas de presión a las que está sometido el volumen de control. Finalmente, en la Ec. (6.5), el primer y segundo términos también representan la acumulación y flujo neto  pero en este caso de energía. Es sistema de ecuaciones se utiliza util iza conjuntamente con la ecuación de estado Ec. (6.6), considerando el gas como un gas ideal:





    

(6.6)

Donde  es la presión,  es la densidad, R la constante del gas y T  la  la temperatura. Las propiedades del gas, en cada elemento e instante de tiempo, se calculan en función de la temperatura, presión y composición de la mezcla. Se establece un criterio conservador a los valores recomendados AVL Boost© [18] para garantizar la calidad de respecto los resultados, en concreto se reduce por el tamaño de las celdas de volúmenes finitos de 30 a 20 mm y se establece un control de convergencia en varios elementos y sistemas del modelo que detiene la simulación cuando se obtiene un valor inferior a una tolerancia /estabilización establecida en los siguientes valores para cada sistema:   En cilindros 100 Pa de  Indicated Mean Effective Pressure  (IMEP) “presión



media indicada”, 

       



  

en colectores 100 Pa de presión media y 0,1 K de ttemperatura emperatura media, en pipas de escape a cilindros 0,1 K de temperatura media, en turbina 0,1 K de temperatura media de entrada, y en compresor 0,1 K en temperatura media de salida.

La simulación termina cuando se cumplen todos los criterios de convergencia al menos durante dos ciclos de motor. El modelo construido lo componen todos los elementos del sistema por el que circula el aire y gases de combustión, ver Fig. 6.7.

176

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.7. Esquema modelo termodinámico del motor diésel marino en AVL Boost©. En la Fig. 6.7 se identifican los elementos principales: filtros aire, compresores, conductos, enfriador de aire, colectores, cilindros y turbinas, todos ellos unidos mediante conductos. Además, se señalizan los puntos donde se monitorizan los  parámetros seleccionados de interés termodinámico para evaluar el comportamiento del motor en las simulaciones, estos puntos coinciden espacialmente con los puntos de medida directa en el banco de ensayos del motor. El código de identificación de los  parámetros de la Fig. 6.7. es el mismo que el utilizado en Tabla 6.3 y Fig. 6.2., exceptuando TC RPM , que no tiene código asignado en la Tabla 6.3. al no haber sido monitorizado en banco de ensayos. Se destaca el parámetro presión en el cilindro  P20  en color verde debido a su importancia para la caracterización de la liberación de calor durante la combustión y a que se utiliza como principal comparativa de evolución instantánea con el motor real para comprobar la similitud de comportamiento en lazo cerrado del cilindro ha sido correctamente ajustado. Se proporcionan las propiedades del combustible [5], entre ellas el poder calorífico inferior y la relación aire combustible estequiométrica. Este combustible es el mismo que se ha utilizado en los ensayos de banco de pruebas y el que se consumirá en el  buque.

177

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Como el motor es poli cilíndrico , se introduce el orden de encendido “A1-B2-A5-B4A3-B1-A6-B5-A2-B3-A4-B6”  indicando además el ángulo de encendido de cada cilindro respecto al cilindro de referencia, que se establece como tal al cilindro 1A. Para permitir la transformación de valores indicados a efectivos, se introducen i ntroducen los datos de presión media de pérdidas por fricción, deducido a partir de los ensayos. El proceso se calcula utilizando las Ec. (6.7) y (6.8). El rendimiento mecánico se define como:

η

 −  (6.7) η Indicated   Mean Effective Pressure IMEP es la  es el rendimiento mecánico,

Donde  presión media indicada indicada y la FMEP Friction Mean Effective Pressure es la presión media de pérdidas por fricción. Por otro lado, la presión media efectiva de frenado Brake Mean  Effective Pressure BMEP es:

BMEP  IMEPFMEP 

(6.8) 

A partir de los ensayos se dispone del rendimiento mecánico en cada punto de carga ensayado. De esta forma, a partir del rendimiento mecánico y la IMEP se obtiene la FMEP, y a partir de ésta la BMEP para cada grado de carga, con lo que ya podríamos expresar FMEP en función de la BMEP. Para los grados de carga ensayados se recogen en la Fig. 6.8., en esta figura se representan los valores obtenidos en dos campañas de ensayo del mismo tipo de motor, los obtenidos en la campaña dedicada para esta investigación en 2013 y los datos de una campaña de ensayos anterior en el año 2011. Dado que el motor funciona a velocidad constante solamente es necesario especificar el valor a dicha velocidad. Se observa que el valor de la presión media de pérdidas por fricción para ambas campañas es similar y sigue la misma tendencia, las diferencias apreciadas se justifican a que en la campaña del año 2011 no se midió la presión en cilindro con el mismo sistema actual, por lo tanto puede que la exactitud en cuanto a la IMEP no sea tan fiable como la utilizada para este estudio. 

Fig. 6.8. Presión media de pérdidas por fricción frente a presión media efectiva. Es necesario también establecer en el modelo las condiciones de contorno del motor. En este caso, se fijan como condiciones de contorno la temperatura y la presión de aire a 178

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

la entrada y salida del motor. Como se muestra en la l a figura 6.7 se ha puesto un elemento filtro en la admisión que caracteriza la pérdida de carga del filtro real instalado en el motor y se otro filtro del mismo tipo para simular la pérdida de presión que se tiene en los conductos de escape desde la salida de la turbina hasta la salida en la chimenea de salida. Se recurre a este último filtro para evitar el modelado y consecuente coste computacional que supondría el modelado del largo conducto de salida de los gases. En el siguiente apartado se explica con detalle el proceso seguido para la caracterización de estos elementos.

6.4.2. Pérdidas de carga localizadas en admisión y escape Las pérdidas de carga localizadas provocadas por el filtro de aire antes de compresor y  por el conducto y silenciador de escape situados después de turbina se modelan mediante una curva de pérdidas cuadrática respecto al caudal másico. Esta curva está ajustada mediante los puntos ensayados de forma experimental y corresponde a una  pérdida de carga objetivo para un caudal másico y unos valores de presión y temperatura determinados. La Fig. 6.9 muestra las curvas de ajuste, la caída de presión en filtro de aire está ajustada con la medida de presión de aspiración antes de compresor  P11, y la caída de presión después de turbo con las medida de contrapresión de escape  P42, ver Tabla 6.3 y Fig. 6.2. Se observa que la caída de presión medida en el escape varía respecto a la modelada en los puntos de baja cargacuadrática y por consecuentemente de bajo se ha decidido dejarde la curva de ajuste a una para ser coherente con caudal, la naturaleza de este tipo  pérdidas de presión presión y evitar así los errores que pueden pueden ser deriva derivados dos de las medidas. medidas.

179

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.9. Curvas de ajuste de caída de presión localizada en filtro de aire y conductos de escape.

6.4.3. Conductos Los elementos que componen el modelo se unen mediante conductos unidimensionales  para poder considerar considerar la dinámica ddee ondas que se transmite a travé travéss de estos. Se calcula calcula flujo unidimensional mediante ecuaciones de Euler [13] de continuidad de la masa, del momento cinético y de la energía a través de estos conductos. Los parámetros que definen el tubo son su longitud real, diámetro equivalente, coeficiente de fricción del material y temperatura de pared. La temperatura de pared en pipas de escape se ajusta con valores experimentales el agua de refrigeración P46, Ver Tabla 6.3 y Fig. 6.2 y los conductos pertenecientes a los colectores de escape y admisión se ajustan mediante medida experimental con sonda móvil para cada punto de ensayo del motor.

6.4.4. Turbocompresor El modelo del turbocompresor se realiza utilizando los mapas completos de turbina y compresor para asegurarnos de que el proceso de turbosobrealimentación responde a la realidad ante cambios en las condiciones de contorno o inseminación de un fallo introducidos en el modelo. Para la introducción de los datos de los mapas, se sigue el estándar SAE J1826 [19] para archivos en formato de texto  American Standard Code 180

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

 for Information Interchange  (ASCII)

de SAE, que indica la información que debe incluirse en cada fila y columna tanto para mapa de compresor como de turbina. AVLBoost © admite este formato para la introducción de los fallos y realiza un modelado basado en  splines locales para cada instante de cálculo durante el modelado del motor. Para evitar fallos en la convergencia de los cálculos durante el modelado los mapas son modificados de forma que se tengan más valores de curvas de régimen, rendimiento para relaciones de presiones y gastos bajos, de esta forma evitamos fallos en el modelado para cargas bajas y cercanas a las fronteras de los mapas. Los datos del2 ),mapa del compresor diámetro de entrada y salida (mm),  inercia delcaracterísticos rodete (N*m*m  velocidad corregidason (rpm), gasto másico corregido (kg/s), relación de presiones (total a total) y rendimiento isentrópico. El mapa de la turbina por su parte incluye diámetro de entrada y salida (mm), temperatura de entrada del gas (K),  inercia del rodete (N*m*m2 ), parámetro de velocidad , parámetro de gasto

  √  ,  ∗ ∗

/   /

másico relación de expansión (total a estática) y rendimiento isentrópico. La inercia del turbocompresor, despreciable para valores medios en un ciclo termodinámico, se ha obtenido a partir de un valor que garantice que en las oscilaciones dentro de un ciclo no se sobrepase la línea de bombeo del compresor. El rendimiento mecánico del turbocompresor se ha ajustado mediante una correlación cuadrática realizada con los puntos de funcionamiento en el mapa del compresor (Fig. 6.10) y los parámetros p arámetros medidos de presiones entrada P22 y salida P58 + P42 de turbina, entrada P58 - P11  y salida  P14 -P15 de compresor, y caudales de aire  P17  y   y gases P21  (ver parámetros monitorizados en Tabla 6.3 y Fig. 6.2). A continuación, la Fig. 6.10 y Fig. 6.11 muestran los mapas del compresor y turbina respectivamente. También se muestra en estas figuras los puntos de funcionamiento del motor y los que se obtienen tras el modelado de este, se ha puesto también el rango de valores de caudal máximo y mínimo que se tiene en el compresor, de esta forma se valora si instantáneamente el compresor trabaja o no en la zona de bombeo cuando se trata de modelado instantáneo de este. Por último, se puede valorar que el turbocompresor está trabajando en su zona de mayor rendimiento a alta carga, aunque está cerca de la zona de bombeo. Como se ha comentado anteriormente a bajas cargas, podría suceder que un punto de funcionamiento no esté recogido en6.10 el mapa compresor de la se turbina disponibles, como se puede observar en las Fig. y Fig.del6.11. Por esa orazón, hace necesario la modificación de los mapas siguiendo el patrón que nos da el fabricante. Para evitar esto, se ha ampliado el rango de velocidades disponibles, añadiendo curvas del compresor  para velocidades inferiores a las disponibles. La extensión se realiza considerando considerando la  premisa de que se mantiene el desfase que existe entre las curvas de menor velocidad disponibles, 30000 y 25000 rpm en el compresor, y 900 y 700 . Esto se realiza tanto para las curvas de relaciones de presiones como de eficiencia del compresor y de la turbina. La ampliación realizada elimina el riesgo de que no se paralice la simulación a bajas cargas por falta de d e convergencia en el mapa del compresor o turbina.

/√ 

181

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.10. Mapa de compresor.

182

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.11. Mapa de turbina.

6.4.5. Enfriador de aire La capacidad de enfriamiento está definida por la Ec. (6.9) a partir de la temperatura de entrada del agua de refrigeración y la eficiencia del enfriador. La eficiencia se ha ajustado previamente con los valores medidos de temperatura de entrada de agua  P47 , entrada de aire  P13 y salida de aire  P16  en   en los ensayos, ver parámetros monitorizados en Tabla 6.3 y Fig. 6.2. Además, la caída de presión en el enfriador se modela de la 183

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

misma forma que las pérdidas localizadas en el filtro de aire y colector de escape. Se ajusta con el valor de pérdida de presión en condiciones nominales proporc proporcionado ionado por el fabricante. Para el cálculo correcto de la dinámica di námica de ondas se utilizan los volúmenes de los colectores de entrada y salida del enfriador, así como la longitud de la zona de enfriamiento [13], todo ello acorde con los planos del enfriador.

η   −−  

(6.9)

Esta modelización consigue cuando seenutiliza el modelo plataforma de ensayos de fallos pueda tener que una respuesta el sentido correctocomo y realista, así podrá ser utilizada la medida como parámetro de control de los posibles fallos que puedan  producirse en el el motor real.

6.4.6. Colectores de admisión y escape Los colectores de admisión y escape se han modelado como volúmenes fijos calculados a partir de dimensiones en plano. El estado termodinámico del colector se calcula con ecuaciones de conservación de la masa, el momento cinético del gas y energía [13]. La transmisión de calor en admisión se considera casi despreciable, sin embargo se ha ajustado el coeficiente de transmisión de calor en el colector de escape para obtener la temperatura de entrada de turbina de cada lado P38 y P39, en todas las l as cargas ensayadas a partir de la temperatura de salida de cilindros. La Tabla 6.4. muestra los coeficientes ajustados.

Tabla 6.4. Coeficiente transmisión de calor en colector escape.

6.4.7. Cilindros Los cilindros se definen a partir de sus dimensiones básicas y del tren de potencia (diámetro, carrera, relación de compresión, longitud de biela y excentricidad del eje del  bulón) así como de características de la combustión, transferencia transferencia de calor y renovación de la carga realizada a través de las válvulas de admisión y escape. Se calcula el estado termodinámico en el interior del cilindro con resolución angular mediante la ecuación de la primera ley de la termodinámica y variación de la masa en el cilindro [13]. Se establece que la energía interna en el cilindro en cada ángulo del cigüeñal es igual a la suma del trabajo realizado por el pistón, calor liberado por el combustible, pérdidas de calor a través de las paredes, diferencia energética de flujos entrante y saliente por las válvulas, pérdida de energía flujo por blow-by y vaporización del combustible. El modelo del cilindro es el más complejo del motor, para poder tener en cuenta todos los  procesos descritos descritos consta de varios submode submodelos los que se de describen scriben a continuación. continuación.

184

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

6. 6.4. 4.7. 7.1. 1.

M odela odelado do de la com combusti bustión ón

El proceso de combustión está representado por la ley de liberación de calor, modelado mediante una ley de doble Vibe, Ec. (6.10), que representa de forma eficiente las fases de premezcla y difusión típicas de la combustión en motores diesel de una sola inyección por ciclo [20], como es el caso del motor diésel marino estudiado.    C     FQL      1  e   

0

     0          0  

·

0

 m 0 1  

 

    C      1 e           

    

 

 

1

1

     1         1    

·

 m1 1  

  

    (6.10)   

Donde:

θθ  y θ  el ángulo de inicio de cada fase de combustión.   βC y y Cβfactores de ponderación para cada Vibe.  , fracción máxima de calor liberado para combustión completa. m y m factores de ajuste. Para el modelado del proceso de combustión se ajustan los parámetros β , β, θ , θ , ∆θ , ∆θ , C , C , m , m   para reproducir la ley de liberación de calor de todos los          



 es el giro del cigüeñal.









     

 puntos ensayado ensayados s calculada partir de parametrizados las medidas desegún presión dinámica en cilindro. Todos los parámetros anteriores están la carga. El Anexo C del  presente capítulo resume resume el tratamiento de la señal señal de presión en cilindro para obte obtener ner la ley de liberación de calor con función de doble Vibe. El proceso se ha realizado mediante un proceso de ajuste y filtrado de la curva de la ley de liberación de calor obtenida en los ensayos a la Ec. (6.10). Este proceso se describe con detalle en uno de los trabajos realizados paralelamente a esta investigación descrito en [9]. Además de la ley que determina cómo se quema el combustible a lo largo del ciclo con resolución angular, se introduce la cantidad de combustible inyectada por ciclo. Esta cantidad está también parametrizada según la carga. La temperatura de entrada del combustible, que es aproximadamente 40ºC, se determina experimentalmente mediante  P6  (ver  (ver Tabla 6.3 y Fig. 6.2). 6. 6.4. 4.7. 7.2. 2.

M odela odelado do de blow blow--by

Estas pérdidas producidas por el gas que se escapa desde el cilindro hacia el cárter se modela considera un huelgo efectivo de blow-by [12] que corresponde al huelgo entre anillos y camisa. Este huelgo y la presión media en el cárter se utilizan para calcular el gasto másico instantáneo. Este motor no tiene cárter presurizado, existe ventilación del mismo por un conducto hacia la aspiración del compresor. Por ese motivo se establece aspiración atmosférica. En el caso de ajuste del modelo las pérdidas por blow-by son casi despreciables, debido al efecto prácticamente nulo que obtiene en los resultados de la simulación como corresponde a un motor nuevo ensayado en su puesta en marcha después de realizar el rodaje. No obstante, en el Capítulo 7 se aplica un exceso de  pérdidas por blow-by como uno de los fallos típicos aplicando mayor holgura  provocada por desgaste, que en tal caso sí afecta al comportamiento del motor y debe 185

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

considerarse el efecto sobre el motor y los parámetros medidos en este, siendo esta una de las utilidades del modelado del motor. 6. 6.4. 4.7. 7.3. 3.

M ode odelad lado o de la r enova novaci ción ón de la carg carga a

Para modelar la renovación de la carga se aplican las leyes de conservación durante el ciclo abierto [13]. Para definir el llenado y vaciado, se utilizan las curvas de levantamiento de las válvulas de admisión y escape reales y sus coeficientes de descarga. Como no se dispone de los coeficientes de descarga reales, se ha ajustado mediante un proceso iterativo escalando una curva de coeficiente de flujo típica hasta que el caudal obtenido de la ecuación de flujo isentrópico correspondiese al valor medio medido en banco de ensayos P17   yy P21. El proceso de obtención de las curvas de levantamiento se muestra con detalle en el Anexo A de este capítulo. Para aplicar correctamente las curvas al modelo hay que tener en cuenta la holgura entre balancín y válvulas, que sube la línea horizontal “off -set”  y  por lo tanto reduce el levantamiento efectivo efectivo de la válvu válvula la [13]. Para el cálculo de los coeficientes de descarga se dispone del valor del caudal másico medio de aire  P17  y   y gases  P21, de las presiones en cilindro  P20 y presiones en colector de admisión  P19 y escape  P22. El proceso de cálculo consiste en determinar el caudal másico instantáneo a partir de la diferencia de presiones suponiendo flujo isentrópico,  para despué después, s, mediante integrac integración ión numérica, estimar el ca caudal udal por cilindro y válvu válvula la en un ciclo termodinámico y compararlo con el experimental. El diámetro que emplea AVL Boost© para calcular el área de paso efectiva durante el ciclo abierto corresponde al del conducto que desemboca en la válvula, por lo que se emplea dicho diámetro como diámetro de referencia para realizar el ajuste del coeficiente de descarga para cada levantamiento levantamiento de la válvula. De utili utilizar zar el diámetro de la válvula se tendría que haber indicado un parámetro que mide la relación entre dichas áreas, en nuestro caso es igual a la unidad. El ajuste numérico se ha realizado en Matlab©, iterando para ajustar una función del coeficiente de descarga según el levantamiento hasta que el valor de masa en el cilindro tras la admisión (o tras el escape) se aproxime con precisión a la experimental. La función de coeficiente de descarga según levantamiento de partida sobre la que se realiza el ajuste pertenece a un motor diésel similar, que nos sirve de referencia. La Ec. (6.11) muestra la expresión matemática de dicha función.

Cθ  K ·C, θ 

(6.11)

Donde:  



   

 

calcular.    es la curva de coeficiente de descarga respecto al levantamiento a   es laconstante de ajuste. ,  es la curva de coeficiente de descarga respecto al levantamiento del motor de referencia utilizado.

186

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

La operación anterior permite disponer de una curva ajustada, sin embargo la escala de levantamiento del motor de referencia y del motor que pretendemos modelar no es la misma, como cabe esperar. Por lo tanto, como se pretende ajustar la curva manteniendo la forma de referencia, se debe reescalar el levantamiento. Por lo tanto, tras realizar el ajuste, se reescala para que el punto de máximo coeficiente de descarga del motor de referencia corresponda al levantamiento máximo de la válvula del motor a modelar, es decir, el levantamiento al que corresponden los coeficientes de descarga ajustados se cambia según la Ec. (6.12):

   Lθ  Lθ ·  á,á,j

(6.12)

La Fig. 6.12. a continuación, muestra las curvas del coeficiente de descarga de válvulas de admisión y escape siguiendo el proceso descrito anteriormente. El bajo valor del coeficiente de descarga del motor marino que estamos modelando se debe a que la referencia de la sección de paso es el conducto, en vez del diámetro real de la válvula.

Fig. 6.12. Curvas de Coeficientes de descarga de válvulas. 6. 6.4. 4.7. 7.4. 4.

M ode odelad lado o de las pér pér dida didass de calo calorr po porr co conve nvecci cción ón

Se emplea el modelo de transferencia t ransferencia de calor de Woschni [21]. Se introducen los datos de la superficie de intercambio de calor de camisa, cámara de combustión y cabeza del  pistón, así como la temperatura de pared [13]. El modelo se ha ajustado mediante un factor de pérdidas por convección para obtener la temperatura experimental en la pipa de escape del cilindro en cada grado de carga ensayado.

187

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

6.5.  VALIDACIÓN DEL MODELO UNIDIMENSIONAL La validación del modelo se realiza comparando valores medios significativos y valores dinámicos de presión en cilindro. La Tabla 6.5. muestra una comparativa entre valores medios de prestaciones y variables termodinámicas representativas proporcionados por simulación respecto a los medidos en banco de ensayos en el motor real.

Tabla 6.5. Comparativa entre valores medios simulados y experimentales

La Tabla 6.5. indica que el modelo simula el comportamiento del motor con una buena  precisión, en general con un error respecto a los valores experimentales inferior al 5%, aunque existe algún parámetro que en un punto de carga determinado con menor  precisión. Además de los valores medios, se realiza validación de la reproducción de la presión dinámica en el cilindro. La Fig. 6.13 recoge esta medida realizada en todas las cargas en cilindro 1A, así como la l a obtenida mediante simulación.

Fig. 6.13. Comparativa de presión dinámica en cilindro simulada y experimental.

188

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Se observa que el nivel de ajuste entre modelo y medidas tanto para los valores medios como para los instantáneos es alto. Por lo tanto, se considera que el modelo está ajustado y validado de forma satisfactoria para poder utilizarlo como plataforma de simulación de fallos de motor sin necesidad de producirlos en la realidad. En el Capítulo 7 se definirán los fallos termodinámicos más típicos, y cómo se han introducido en el modelo del motor. Posteriormente, estos fallos se simulan para  posteriormente analizar analizar los síntomas del motor motor cuando éstos éstos se producen. producen.

6.6.  ANEXOS. 6.6.1. Anexo A: Obtención de datos geométricos para modelo del motor diésel. En este anexo se resume cómo a partir de medidas y datos obtenidos de los planos, se obtienen las dimensiones de los elementos del motor que deben modelarse dimensionalmente como volúmenes volúmenes o tubos por los que circula el aire y gases. También se incluye la obtención del levantamiento de válvulas a partir del perfil de levas. Este proceso se detalla con más precisión en el trabajo descrito en [2]. Por el contrario, no se incluyen los datos geométricos del cilindro ni de tubos de conexión entre elementos principales porque su aplicación en el modelo es directa, no se requiere ningún tratamiento ni cálculo para definir sus datos geométricos característicos en el modelo termodinámico. 6.6.1.1. 6.6. 1.1. C olecto olectorr de a adm dmii sió si ón

El flujo de aire comprimido y enfriado entra a dos colectores de aire idénticos, ambos situados en la parte central superior y puestos en paralelo. Cada colector de admisión es un depósito de remanso del que parten los conductos de admisión hacia el cilindro. Se muestra a continuación la vista en plano del colector de admisión en la Fig. 6.14. El colector se simplifica en tres partes para calcular su volumen: un conducto de entrada cilíndrico, un volumen cuya sección transversal es trapezoidal y una parte final cilíndrica. En la vista en plano se puede apreciar un conducto paralelo al colector, que o se incluyede enagua el cálculo de volumenque debido a que es partededel colector de aire sino un conducto de refrigeración va hacia el no enfriador aire de carga.

189

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.14. Colector de aire de admisión. Para el cálculo del área de la sección central se ha dividido el trapecio en dos triángulos, uno rectángulo de área A1 y otro de sección A2. Para el cálculo del área de este último se ha empleado el método de Heron, H eron, basado en el cálculo del semiperímetro y los lados del propio triángulo. Ver Ec. (6.13) a (6.17).

A  A    A    A   ·  d  √ b  h  s   ++    A    s  a · s  c ·sd 

(6.13) (6.14) (6.15) (6.16) (6.17)

En la Fig. 6.15 se muestra el modelo de dimensiones simplificadas del colector de admisión y resumen los valores calculados.

190

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.15. Dimensiones simplificadas de colector de admisión aire para modelado. En la tabla de la Fig. 6.15., además del volumen del colector de aire, se indica las dimensiones del conducto de aire que parte desde el colector hasta cada culata. 6.6.1.2. 6.6. 1.2. C onducto onductoss de a ad dmi sión si ón

Los conductos o pipas de admisión son los encargados de conducir el aire desde el colector de admisión al interior del cilindro. El conducto de admisión suele tener un  primer tramo construido en el propio colector y un segundo tramo que forma parte de la culata y se bifurca hacia las dos válvulas de admisión. El primer tramo está caracterizado en el apartado anterior. En la Fig. 6.16. se puede observar la entrada de un solo conducto y la bifurcación posterior en dos conductos dentro de la culata. En la vista lateral se aprecia el estrechamiento del conducto antes de llegar a la válvula para evitar el bloqueo sónico del gas.

Fig. 6.16. Conductos de admisión aire en culata. 191

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

A continuación, la Fig. 6.17. proporciona una imagen del modelo simplificado de los conductos de admisión, creado a partir de las l as dimensiones reales del motor.

Fig. 6.17. Dimensiones simplificadas de conductos de admisión aire para modelado. Mediante el concepto de diámetro equivalente, se equipara la sección transversal rectangular a una sección de conducto circular. Las Ec. (6.18) a (6.20) indican el cálculo del diámetro equivalente y volumen.

Aó  b · h  · ·ó  → Dq · L     Aó  V   Aó

(6.18) (6.19) (6.20)

Siendo:   Asección: Área de la sección transversal del conducto,    b, h: Lados de la sección trans transversal versal cuadrada, cuadrada,   Deq: Diámetro equivalente.

  

6. 6.6. 6.1. 1.3. 3. C ole olecto ctorr de escap scape e

El colector de escape es un depósito de remanso al que llegan los gases de la combustión procedentes del cilindro.cilíndricas En el motor de estudio el colector se presenta dividido en dos piezas prácticamente e idénticas situadas en los costados del motor. En su interior van colocadas una serie de chapas a modo de pantalla para que los gases calientes no impacten directamente con la pared. Al volumen del colector calculado en bruto se le resta el volumen de material que ocupan estas pantallas. Existen  pantallas de dos tamaños distintas, una más larga que otra. La Fig. 6.18. muestra un  plano de despiece del colector de escape, donde se puede apreciar las pantallas de  protección térmica indicadas anteriormente. anteriormente.

192

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.18. Colector de gases de escape. Existen dos piezas de cada colector, así como seis pantallas, cuatro de menor longitud y dos de longitud superior. El cálculo del volumen neto del colector se realiza según las Ec. (6.21) a (6.25).

V,  0,0,5 · ·  · L  (6.21)  ·   V,   0,0,5 ·    · L  (6.22) V..  b· h· d  (6.23) +−   · L  V  0,0,5 · ··+ (6.24)  V  2 · (V,  V, )6·V ) 6·V..  4 ·(V ·(V ,  V ,)2·V ,  V ,  (6.25) En la Fig. 6.19. se muestra el modelo de dimensiones simplificadas del colector de escape y resumen los valores calculados.

193

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.19. Dimensiones simplificadas de colector de escape para modelado. 6. 6.6. 6.1. 1.4. 4. C ond onducto uctoss de e escap scape e

Se realiza de forma análoga al cálculo de la geometría de los conductos de admisión. Estos conductos llevan los gases de la combustión desde la salida del cilindro hacia el colector de escape. En la Fig. 6.20. se muestra una vista de los conductos de escape en  plano de la culata. culata.

Fig. 6.20. Conductos de escape en culata. Por otro lado la Fig. 6.21 proporciona una imagen del modelo simplificado de los conductos de escape, creado a partir de las dimensiones reales del motor, y resumen de las dimensiones calculadas de los tubos equivalentes a modelar.

194

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.21. Dimensiones simplificadas de conductos de escape para modelado. El diámetro equivalente se calcula de la misma forma que para los conductos de admisión, utilizando las Ec. (6.18) a (6.20). 6. 6.6. 6.1. 1.5. 5. L eva vanta ntam mi ento d de e vá válvulas lvulas

Se denomina levantamiento a la apertura de la válvula (normalmente en mm) respecto al ángulo de giro del cigüeñal. El levantamiento es variable y determina el área de paso del fluido. Para cada levantamiento se establece un área que permite la entrada o expulsión de aire o gases del interior del cilindro. Los levantamientos las válvulas se hany obtenido través deExisten los perfiles de de las levas, levas que forman parte deldesistema de apertura cierre de aválvulas. dos ejes engranado con el cigüeñal con una relación de transformación que hace girar al eje de levas a mitad de vueltas que el cigüeñal. El perfil de la leva empuja a través de un ttaqué aqué y varilla a un balancín situado en la parte superior de la culata, el cual presiona el sistema muelle  –  válvula,   válvula, haciendo que ésta se abra. Existe una pequeña holgura entre muelle y válvula que es necesario considerar. La Fig. 6.22. muestra el sistema mecánico del tren de accionamiento de válvulas mencionado anteriormente.

Fig. 6.22. Tren de accionamiento de válvulas. En la Fig. 6.22. se puede apreciar la leva de admisión (1) y de escape (2), la varilla empujadora (3) y los balancines de admisión (4) y de escape (5). Hay que tener en cuenta el tren de válvulas completo para poder calcular el levantamiento de válvulas. 195

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

El proceso de cálculo del levantamiento l evantamiento de válvulas sigue el siguiente proceso:   Obtención del levantamiento según el ángulo del cigüeñal : A partir del plano



del perfil de la leva, se obtiene el levantamiento que produce la varilla de empuje sobre el balancín. El árbol de levas gira a la mitad de velocidad que el cigüeñal para que las válvulas sólo abran y cierren una vez en un ciclo completo del motor, lo que implica que el ángulo de giro del cigüeñal sea el doble del ángulo girado por la leva en un mismo tiempo.   Centrado del levantamiento máximo: Los datos proporcionados por el plano corresponden a levantamientos y ángulos de leva y no están referidos al diagrama de distribución del motor, que marca los ángulos de apertura y cierre de válvulas según el giro del cigüeñal. Según este diagrama de distribución se ha calculado los ángulos que suponen el punto medio de apertura de las válvulas de admisión y escape y se ha asignado a esos puntos el levantamiento máximo de ambas válvulas. De esta manera quedan relacionados levantamientos de válvulas y diagrama de distribución.   Obtención de la relación de amplificación del balancín:  El levantamiento l evantamiento que  produce la leva-empujador al balancín no es el mismo que sufre la válvula. Por la diferencia de longitudes de cada uno de los brazos del balancín se produce una amplificación del levantamiento. Midiendo sobre plano las longitudes de ambos  brazos y mediante una relación de semejanza angular se ha obtenido el factor de amplificación para cada una de las válvulas. Para calcular el levantamiento de la





válvula basta con multiplicar el levantamiento de la leva por este factor de amplificación. A continuación, la Fig. 6.23. muestra la relación de amplificación del movimiento de los  balancines de de admisión (A) y es escape cape (B).

Fig. 6.23. Relación de amplificación en el levantamiento debido a los balancines. Atendiendo a la Fig. 6.23. y nombrando  x  al levantamiento de la leva,  y  al levantamiento de la válvula y α  al ángulo que forman en su movimiento, se tiene la amplificación del balancín de admisión, Ec. (6.26), y del balancín de escape, Ec. (6.27). 196

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

sinα  ,         y  1,76 · x  Lvávθ  1,76 · Lvθ  (6.26) sinα  ,         y  1,1,814 · x  Lvávθ  1,814 · Lvθ  (6.27) Siguiendo el proceso indicado anteriormente se obtienen las curvas de levantamiento de las válvulas de admisión y escape, que junto a los coeficientes de flujo, permitirán al modelo caracterizar el llenado y vaciado de los cilindros. La Fig. 6.24. muestra los levantamientos.

Fig. 6.24. Levantamiento válvulas admisión y escape vs ángulo cigüeñal.

6.6.2. Anexo B: Tratamiento de las medidas de gases contaminantes para calculo gastos másicos y emisiones. A continuación se resume el tratamiento que se realiza a las medidas de gases contaminantes para poder calcular de forma indirecta los gastos másicos de aire y gases, necesarios para ajuste y validación del modelo termodinámico. Este proceso, junto con el cálculo de prestaciones en condiciones estándar, emisiones específicas y balance energético del motor se detalla en [22]. 6. 6.6. 6.2. 2.1. 1.

C álculo de dell g ast asto o mási ásico co de air air e de ad adm mi sión si ón

6.6.2.1.1.

Dosado

El dosado es la relación real aire-combustible que emplea el motor para su funcionamiento. Normalmente se denomina como  Air Fuel Ratio AFR o “relación airecombustible. Una vez que se calcule este valor y conocido experimentalmente el consumo de combustible, se obtiene de forma inmediata el gasto de aire mediante la Ec. (6.28):

̇   AFR ∙̇   Donde ̇   es el consumo de combustible y ̇   el gasto másico de aire.

(6.28)

La ecuación química de la combustión que se produce en los cilindros del motor está definida por la Ec. (6.29).

197

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

C H  O N

 A* O2  3.7292N2  0.0444 Ar  0.0004CO2   BH 2O

 

 1CO   2CO2   3O2  4 H 2O  5CH x  6 H 2   7 NO 8 N2   9 NO2  10 A r   

(6.29)

CHONδSε

Donde el combustible, a efectos de cálculo, se identifica de la forma , y el aire se compone por un 78,09% de Nitrógeno, un 20,94% de Oxígeno, un 0,93% de Argón y un 0,04% de Dióxido de Carbono (fracción volumétrica). Los parámetros  A*,  B, y vi  (i= 1,2,…,10) se refieren al número de moles de cada sustancia que son necesarios para balancear ambos términos de la ecuación 6.24. Para el análisis químico de la combustión, se considera la presencia de vapor de agua y Dióxido de Carbono en el aire, así como Hidrogeno, Óxidos de Nitrógeno generados e hidrocarburos inquemados en los productos de combustión y, por lo tanto, en los gases de escape.  La relación aire – combustible combustible AFR también la podemos definir según se indica en la Ec. (6.30): *

 A

 AFR 

ma  kg a 



m  f kg f  



2

nO a 2



 kmol O    kmol    f        kg a   M   a   kmol  kmol  a    O  kmol a    kg    M   f      f    kmol    f       2

(6.30)

Se plantean dos métodos distintos de determinación del AFR, uno a partir de la resolución de las ecuaciones expuestas (balance C, H, O), y otro en que se adoptan algunas simplificaciones y resulta de la aplicación del coeficiente de exceso de aire de Brettschneider ( λ  λ ). 6.6.2.1.1.1.

Método de balance de C, H, O

En este método de balance de C, H, O, desarrollado en [[7], 7], se plantean las ecuaciones de conservación de masa para el Carbono Ec. (6.31), Hidrógeno Ec. (6.32) y Oxígeno Ec. (6.33).   0.0019 A*  1  2  5   2 B

 

(6.31)

   2 4  x 5  2 6  

(6.32)

(2  2  0.0019) A*   1  2 2  3  2 4  

 

(6.33)

Así como la reacción de conservació conservaciónn del gas de agua, Ec. (6.34) y (6.35):  H 2O  CO  H 2

 K  

 CO2  

CO   H O  CO  H    

(6.34)

2

2

2

(6.35)

198

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

 K  se  se

puede asumir constante porque el equilibrio termodinámico de la reacción del gas de agua en el enfriamiento durante la fase de expansión del motor se congela a temperaturas inferiores a 1200 ºC.

Combinando las anteriores ecuaciones se obtiene  A* en función de los valores de las medidas de gases contaminantes, según Ec. (6.36):

 A*

   K  CO  2 D       A3 A4    A1        2 A2 2 A2    5 K CO2 D   3 A4  A   A 0.0019    2.0038   A5    0.0019 A1   A2 2 A2   

(6.36)

Se emplean los coeficientes auxiliares indicados en la Ec. (6.37): NO OD   10 4  2  NO2 D   104  CO D    2  CO2 D   2  O2D     N  CO D     CO2 D   K  1   HCD    104  A2  K  CO2 D     CO D   K  CO2 D   A3   CO D    COD     CO2 D   K  1   HCD    104 

 A1



 A4

 x  K1   HC D   104  COD   HRatm

 A5

100

 4.7755  patm   HRatm

  pvapsat 

100

 pvapsat

 

 

(6.37)

Donde  K 1 es un factor de conversión para medida de hidrocarburos no quemados  HC . En este caso se ha medido en base Hexano, por lo que este valor corresponde a 6. La expresión para calcular el AFR quedaría como:  AFR 

 M a

1

nO2 ,a M  f  



A*



138.324 12.011  1.0 .00 08 

 15.999  14. 4.0 007

     K CO  2 D       A3 A4   A1         2 A2 2 A2             A3 A4    A5 K CO2 D  0.0019   0.0019 A1   2.0038   A5   A2 2 A2   (6.38)

Esta expresión asume la hipótesis de que los hidrocarburos no quemados en los gases de escape tienen la misma composición que el combustible. 6.6.2.1.1.2.

Método λ de Brettschneider  Método λ Brettschneider  

Brettschneider [8] determinó analíticamente este coeficiente de exceso de aire asumiendo algunas simplificaciones:   Combustible sin presencia de nitrógeno.   Aire de admisión seco.   Sin formación NO y NO2 en los gases de escape.

  

El coeficiente de exceso de aire  λ se define como: 199

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

    

 AFR  AFRS 

 

(6.39)

Donde AFRS  es la relación aire-combustible estequiomé estequiométrica. trica. Planteando el balance para una combustión completa, se determina AFRS según Ec. (6.40):            M a   4 2  nO  a  AFRS    M   M   M  2

  A partir de la Ec (6.39) y (6.40) se deduce la relación siguiente: C

  

H

O

(6.40)

*

 A

          4  2   

 

(6.41)

Entonces el AFR, se puede expresar en función del exceso de aire:  

.

 AFR 

 M a nO a 2

 M C

 MH

            4 2   M   O  

(6.42)

Brettschneider propone la siguiente ecuación para la determinación de este coeficiente de exceso de aire:            CO D    K    O2 D             CO2 D     CO D    CO2 D   2 2   4  K    CO D   CO2 D              1          CO2     CO D    K1   HCD    104   D  4 2      

(6.43)

Finalmente el AFR quedaría:     1,5103    CO D    O2D     0,0088     CO2 D     CO D    CO2 D   CO        2  3.5    D   138.324         CO2 D    4 2    AFR  12.0 12.01 11  1.0 .008 08  15.99 5.999 9     1, 4228    CO  2 D     CO D   6   HCD    104 

(6.44)

Se obtiene el  AFR  a partir de la Ec. (6.43) y (6.44) conociendo la composición del combustible y del aire y la medida de gases contamina contaminantes. ntes. Una vez calculado el AFR y con la medida del consumo de combustible se puede calcular el gasto de aire utilizando la Ec. (6.28).

200

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

6. 6.6. 6.2. 2.2. 2.

C álculo de dell gast asto o mási ásico co de g ase asess

Una vez hallado el valor de gasto másico de aire y medido el consumo de combustible, se puede calcular el gasto másico de los gases de la combustión de forma inmediata utilizando la Ec. (6.45).y

ṁ     ṁ     ṁ    

(6.45)

En este Anexo se ha resumido dos métodos indirectos para el cálculo de los gastos másicos de aire y gases. La norma ISO 8178 [7], aparte de los métodos indicados, sugiere otras opciones, ofreciendo hasta un total de 6 formas distintas de obtener el gasto másico de gases.

6.6.3. Anexo C: Tratamiento de las señales de presión dinámica en cilindro y cálculo de ley de liberación de calor. El modelo de combustión utilizado en los cilindros se basa en la tasa de liberación de calor, obtenida a partir de la evolución de la presión dentro del cilindro durante su ciclo cerrado. Ésta medida, una vez filtrada para eliminar la distorsión producida por el efecto de resonancia producido por la longitud del conducto donde se coloca el sensor de  presión, se trata mediante una herramienta de hoja de cálculo diseñada según el trabajo descrito en [9]. El análisis realizado se compone de cálculo de prestaciones del motor a  partir de presiones indicadas del cilindro (presiones medias indicada y efectiva, par,  potencia, exponentes politrópicos, y ángulos de inicio y final fi nal de combustión) y curvas características (curva de calor liberado, diagrama indicador, y fracción de masa quemada). Se utiliza como datos de entrada la geometría del motor (diámetro de pistón, carrera, longitud de biela), la relación de compresión, el número de cilindros, el diagrama de distribución, el inicio de inyección de combustible, propiedades del combustible,  parámetros referidos al ensayo (caudal de aire/gases, potencia medida, consumo de combustible, presión de aire de carga, velocidad de giro, presión ambiental) y los registros de presión de la medida de presión en el cilindro. Una vez obtenida la ley de liberación de calor para cada punto de carga, se ajusta una función de doble paraenque reproduzca esta de leydoble obtenida partir deeslalamedida experimental de laVibe presión cilindro. La función Vibeaobtenida que se introduce en el modelo de combustión del cilindro para así tener flexibilidad en los valores de presión media indicada que proporcione el modelo cuando las condiciones de trabajo cambian. A continuación se resume la metodología utilizada en todo el proceso desde la señal de  presión cilindro medida medida hasta la función función de doble Vibe aajustada. justada. 6.6.3.1. 6.6. 3.1.

P r esione si oness medi as, trab traba aj o y par .

Las presiones medias se obtienen a partir de la Ec. (6.46) a (6.48) utilizando como base los datos geométricos del mecanismo cilindro-biela-manivela y de la señal de presión instantánea medida en el cilindro. 201

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

  [Pθ  Pθ∆θ θ∆θ][V [Vθ∆θ θ∆θ Vθ]  IMEPG   ∑=º =º

IMEP    U    (∑=º =º[Pθ  =º [Pθ  Pθ∆θ]  [Vθ∆θ Vθ]  ∑=º Pθ∆θ θ∆θ]][V[Vθ∆θ θ∆θ Vθ])  IMEP  IMEPG  IMIMEPEPU 

(6.46)

(6.47) (6.48)

Siendo:  



  , ,: presión media indicada, de bombeo y neta, respectivamente.

  P(θ), P(θ +∆θ): presiones en el cilindro en el instante actual de cálculo y



siguiente.

  V(θ), V(θ+∆θ): volúmenes en el cilindro en el instante actual de cálcu lo y



siguiente.

El volumen instantáneo en el cilindro se calcula mediante la Ec. (6.49):

∗senθ   · R· 1 co  cossθL·1 L·1  1   ∗sen Vθ  V  π ·  ·

(6.49)

Siendo:  



ovolumen : volumen restante una vez que el cilindro alcanza el punto muerto superior de la cámara de combustión.  

   D: diámetro del pistón.    R: radio de la manivela.    L: longitud de la manivela.

  

A partir de la presión media indicada, se pueden obtener la potencia ( indicados.

         W ̇ kW kWT Nm         IMEP IMEPbarbar barVcc Vcc    

W ̇ ) y par (T) (6.50) (6.51)

Donde n es el régimen de giro del motor en rpm y V(cc) la cilindrada. 6.6.3.2. 6.6. 3.2.

C oe oeffi cie ci ente ntess poli politr tró ópicos de co com mpr esió si ón y expa xpansi nsión. ón.

El cálculo de los exponentes politrópicos durante la admisión y el escape son necesarios  para utilizarlos más adelante adelante cuando cuando se realiza eell balance ene energético rgético en el cilindro. Estos coeficientes se calculan mediante un método gráfico utilizando el diagrama indicador como base. En concreto, los coeficientes politrópicos deben corresponder a la pendiente de las rectas que conforman el proceso de compresión y de expansión en ciclo cerrado en el diagrama P-V en base logarítmica ( 202

 

lnlnPθ Pθln lnVθ Vθ ). Esta pendiente se

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

obtiene tras el ajuste por mínimos cuadrados de los datos instantáneos medidos de  presión en el el cilindro. Para calcular el coeficiente politrópico de compresión, se utilizan los valores desde el cierre de admisión Intake Valve Closing  (IVC)  (IVC) hasta 10º antes del inicio de la inyección de combustible. El valor de la pendiente de la recta de regresión, corresponde con el coeficiente politrópico de compresión. Para calcular el coeficiente politrópico de expansión, se realiza el mismo procedimiento para el rango de ángulos comprendido entre el final de la combustión (15° de cigüeñal después de la estimación inicial de fin de combustión, máximo de la curva ) y el punto de apertura de la válvula de escape hasta la apertura del escape  Exhaust Valve Opening  (EVO).   (EVO). Al igual que en el caso anterior, el coeficiente buscado será el valor de la pendiente de la recta de regresión. La Fig. 6.25 muestra un ejemplo de cálculo para el punto de funcionamiento del motor a 100% de la carga. Los valores obtenidos son para la compresión c p_comp  = 1,386  y  y para la expansión c p_exp = 1,251. 

P · V,

Fig. 6.25. Coeficientes politrópicos de compresión y expansión al 100% de carga. Este procedimiento, además de calcular los coeficientes politrópicos, permite tener una  primera aproximación de los ángulos de inicio y fin de la combustión. El ángulo de inicio de la combustión se corresponde al final de la recta de compresión, mientras que el final de lase combustión identifica con el principio de la recta de expansión. Start of Combustion (SOC) y  End Inicialmente estima que elseinicio de la combustión of Combustion (EOC) cuyos valores para el ejemplo son SOC=344º  y  y el EOC=407º . 6.6.3.3. 6.6. 3.3.

E voluci volución ón de la tem temper at atur ura a en el cili ci lindro. ndro.

Se aplica el modelo de gas ideal a partir de presión volumen instantánea en cada ángulo y la masa, calculada según Anexo B, apartado 6.6.2. de este capítulo. Se supone que la masa de gases es constante durante la combustión1.

1

 El error cometido por la presencia de la inyección de combustible es inapreciable inapreciable,, de todos modos, el mismo procedimiento puede usarse si se introduce al calculo la tasa de inyección de combustible. Este procedimiento tiene en cuenta el cambio de valor de la constante de los gases ideales por la presencia de combustible, Ec. 6.53 y 6.54.

203

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Tθ   ·· 

(6.52)

Siendo:        

   

T(θ): temperatura instantánea en K.   P(θ): presión instantánea en Pa. V(θ): volumen instantáneo en m3.  M : masa aire/gases en el sistema.

   R: constante de los gases ideales para el aire.



La constante de los gases ideales para el aire R considera la influencia del exceso de aire  λ con la siguiente correlación:

     Hasta inyección.→ R  0,287 · Después Desp ués de iny inyecci eccióónn → R  0,28877  ,λ  kJ/kg·K  6. 6.6. 6.3. 3.4. 4.

(6.53) (6.54)

C alo alorr tr transm ansmii tido ti do a tr trav avé és de las par par ede dess

Para el cálculo del calor transmitido a través de las paredes se utiliza el modelo de Woschni durante toda la parte del ciclo cerrado. El modelo de Woschni utiliza la Ec. (6.55)[20] a (6.59):

Q ̇   hθ · Awθ·Tθ  Tw  hθ  130B−, · υθ, · Pθ, · Tθ−,  υθ  cc  c  ·· · Pθ  P     P  P ·       Awθ  Aó  A  π ·D· R·R·1cos 1cosθ L · 1   1   ·sen ·senθ 

(6.55) (6.56) (6.57) (6.58) (6.59)

Siendo:      

 



ℎ ̇: calor transmitido a las paredes.  : coeficiente convectivo.  cabeza  : área del pistón en contacto con el fluido, suma de las áreas de la culata, del pistón y superficie lateral instantánea. : diámetro del cilindro. : velocidad instantánea que tiene en cuenta la contribución del pistón y de la combustión. : coeficiente : presión estimada por relación politrópica. politrópico de la mezcla.  : velocidad media del pistón.

   B  

 

   







 

204

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

admisión.  ,  ,  : presión, volumen y temperatura al cierre de la válvula de :,radio : coeficientes del método Woschni. de la manivela.

 



     R    L: longitud de la manivela.



 

El coeficiente politrópico n, utilizado en el modelo de Woschni, se toma como el valor del mismo durante la carrera de compresión. Los coeficientes   se toman los correspondientes correspondie ntes a cada fase del ciclo para un motor diésel de inyección directa.

, 

6. 6.6. 6.3. 3.5. 5.

C alo alorr libe li berr ad ado o po porr el com combusti bustible ble

El cálculo del calor liberado se realiza en el intervalo angular comprendido entre el ángulo de inyección y el de apertura de la válvula de escape. Utilizando el primer  principio de la termodinámica y calculado numéricamente en cada ángulo se puede calcular mediante la expresión:

∆    Vθ +∆−     () Pθ +∆−       ( ) ( ) ∆ ∆    − ∆    −     Q ̇ θ · ∆θ  (6.60)   Siendo:  



         

    

     : cociente de calores específicos en función de la temperatura en cada ángulo de giro de cigüeñal, .

T(θ): temperatura de los gases. V(θ): volumen ocupado por los gases en el cilindro.  P(θ): presión en cada ángulo de giro del cigüeñal. n: velocidad en r.p.m.

 ̇: calor transferido a laslas paredes.

Aplicando la Ec. (6.60) se obtiene el calor liberado para cada ángulo del cigüeñal, representado en la Fig. 6.26.

205

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.26. Calor liberado por el combustible al 100% de carga  El gráfico de calor liberado permite fijar con mayor exactitud los ángulos de inicio y final de la combustión. Se puede apreciar valores negativos de liberación de calor entre el momento de inyección Start of Inyection  (SI=342º) e inicio de la combustión (SOC=355º). Esto es debido a que el combustible absorbe calor durante su evaporación durante el tiempo de retraso. A partir de la curva de calor liberado se construye la curva de calor normalizado acumulado, Ec. (6.61), equivalente a la fracción de masa quemada. Se determina dividiendo el sumatorio de calor liberado por el combustible desde el inicio de la combustión hasta un ángulo concreto de la combustión, entre ese mismo sumatorio extendido a toda la combustión (entre SOC y EOC).

xb  ∑∑    

(6.61)

Una vez calculada la fracción de masa quemada del combustible, se determinan de manera exacta los puntos de inicio y final de combustión como aquellos en los que la fracción de masa quemada es  xb=0,01 y  xb=0,99 respectivamente. La Fig. 6.27. muestra la curva de fracción de masa quemada.

206

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Fig. 6.27. Fracción de masa quemada por el combustible al 100% de carga  6. 6.6. 6.3. 3.6. 6.

L ey de do doble ble V i be

La ley de doble Vibe, Ec. (6.10) y repetida a continuación, es la función que mejor se ajusta a la combustión típica de un motor diésel de una sola inyección por ciclo. Por esta razón, se ajusta una ley de doble Vibe con los datos experimentales de la ley de liberación de calor para cada carga ensayada.    C    FQL      1  e   FQL  

0

0

 m 01         0             0     

·

 

 

    C          1  e       

 

1

1

      1             1

·

 m11     

     

β β α θ ∆θ ∆θ C C m m

Los parámetros a ajustar son , , , , , , , , ,  definidos anteriormente. Para poder buscar los parámetros que mejor se ajusten a los datos experimentales se ha utilizado el programa OriginPro8©, software de ajuste que permite realizar regresiones múltiples no lineales en base a los datos introducidos. Para hacer que el ajuste sea más realista y se acerque a las conclusiones mostradas en la  bibliografía se han impuesto una serie de restricciones para el ajuste de la ecuación anterior. Las restricciones y constantes que se establecen son las siguientes:

C  C  6,9  θ  θ  m, m   ≤ 10  β  β  1 

(6.62) (6.63) (6.64) (6.65)

Las ecuaciones 6.62 y 6.65 obligan a que la forma de las ecuaciones de ambas Vibes se acerque a las leyes de combustión de distribución normal desplazada a la derecha. La 207

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

Ec. 6.63 impone que la combustión debida a la premezcla y a la parte difusiva comiencen en el mismo ángulo. Por último, la Ec. 6.65 obliga que el balance entre las dos ecuaciones de Vibe sea igual a la unidad. El programa utilizado permite poner el número de restricciones que se desee y su naturaleza a los parámetros de la ecuación a ajustar y calcula los valores del resto de los  parámetros de la ecuación mediante técnicas de mínimos cuadrados aplicadas a ecuaciones multivariables de forma iterativa hasta que las diferencias entre la ecuación obtenida y los valores medidos sean mínimas. En el trabajo [2] se describe en detalle el  proceso seguido y el nivel de ajuste alcanzado para cada punto de funcionamiento del motor modelado.

6.7.  REFERENCIAS. [1]

J. A. Pagán et al, Proceso obtención medidas experimentales y tratamiento de datos para modelado motor diesel marino, IX Congreso Nacional de Ingeniería http://hdl.handle.net/10317/4709..  Termodinámica, 2015, URI: URI:  http://hdl.handle.net/10317/4709

[2]

J. Melgarejo, PCF Preparación de un modelo termodinámico de un motor generador diésel rápido - obtención de leyes de liberación de calor e implementación del modelo en AVL Boost, Ingeniería Industrial, Escuela Técnica Superior de Ingeniería Industrial; Universidad Politécnica de Cartagena, 2015.

[3]

J. Serra, Desarrollo de base de datos de parámetros de un motor diésel rápido marino auxiliar a partir de medidas de ensayos, válido para análisis de  prestaciones y diagnosis, TFG Grado en Arquitectura Naval e Ingeniería de Sistemas Marinos, Escuela Técnica Superior de ingeniería Naval y Oceánica, Universidad Politécnica de Cartagena, 2016.

[4]

ISO 3046-1:2002, Reciprocating internal combustion engines -- Performance -Part 1: Declarations of power, fuel and lubricating oil consumptions, and test methods -- Additional requirements for engines for general use.

[5]

MIL-F-16884J: Military specification fuel, naval distillate, F-76, 1995.

[6]

Woschni, G., A Universally Applicable Equation for the Instantaneous Instantaneous Heat Transfer Coefficient in the Internal Combustion Engine, SAE Technical Paper 670931, 1967, doi:10.4271/67093 doi:10.4271/670931. 1.

[7]

ISO 8178: 2006 Reciprocating internal combustion engines –  Exhaust  Exhaust emission measurement –  Part   Part 3: Definitions and methods of measurement of exhaust gas smoke under steady –  state  state conditions.

[8]

J. Brettschneide Brettschneider, r, Bosch technische Berichte, Vol 6 (1979) Nº. 4, Pgs 177-186.

[9]

J.Hernandez Grau, Tratamiento Señal de Presión en Cilindro de Motores Diesel Marinos de Media Velocidad Medidas desde Válvula de Purga. Informe Interno UPCT –  NAVANTIA  NAVANTIA 2007.

208

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

[10]

J.B. Heywood, Internal Combustion Engine Fundamentals. Fundamentals. McGraw - Hill Book Company, ISBN 0-07-100499-8, 1988. 386-388 pp.

[11]

J.Hernandez Grau, A. Muño Muñoz, z, IndicatorCal IndicatorCal - Software de Ad Adquisición quisición y Tratamiento de Señales de Presión en Cilindro de Motores de Combustión Interna Alternativos, 2012, Trabajo no publicado.

[12]

Peter Obrecht, Diagnosis at marine marine die diesel sel eng engines ines based on ind indicator icator cock  pressure data, data, CIMAC World Congres Congresss on Combustion En Engine, gine, 2010.

[13]

AVL BOOST Theory Reference, v2013.1.

[14]

Zhu Jian et al, Simulation Research on EGR Reducing NOX Emission of Dies Diesel el Engine, International Journal of Energy and Power Engineering, 2015; 4(5): pp. 275-279. Doi: 10.11648/j.ijepe.20150405.1 10.11648/j.ijepe.20150405.16. 6.

[15]

C. IIclodean, clodean, N. Bu Burnete, rnete, Computer Computer ssimulation imulation of CI engines fuelled with  biofuels by modelling injection irate law, Research Journal of Agricultural Science, 44 (1), 22012, 012, pp. 249-25 249-257. 7.

[16]

Teuku Firsa et al, AVL Boost Simulation of Engine Performance and Emission for Compressed Natural Gas Direct Injection Engine, Journal of Energy &

[17]

Environment, 6 (1), 2014, pp. 1-3. ISSN 1985-7462. J. Muño Muñozz et al, Ajuste de un modelo termodinámico unidimensional para simulación de fallos de motor diésel marino, IV Congreso nacional de I+D en defensa y seguridad, DESEID-2016-057, 2016, http://www.deseid.org/sites/default/files/documen ts/DESEID2016_LIBRO_AC RO_AC http://www.deseid.org/sites/default/files/documents/DESEID2016_LIB TAS.pdf . 

[18]

AVL, BOOST: User’s Guide v2013.1.

[19]

J1826_199503 Standard, Turbocharger Gas Stand Test Code, SAE International, 1995.

[20]

I.I. Vibe, Rate of heat release in cy cyclic clic proc process ess of intern internal al combustion combustion engines (Brennverlauf und Kreisprozeß von Verbrennungsmotoren), Verlag Technik, Berlin, 1970.

[21]

G. Woschni, A Universally Applicable Equation for the Instantaneous Heat Transfer Coefficient in the Internal Combustion Engine, Society of Automotive Engineers Trans., Vol. 76, SAE paper 670931, 1967, pp. 3065.

[22]

Silvis, W., An Algorithm for Calculating the Air/Fuel Ratio Ratio fro from m Exhaust Exhaust Emissions, SAE Technica Technicall Paper 970514, 1997, doi:10.4271/970514.

209

 

Capítulo 6: Modelo termodinámico unidimensional de motor diesel marino

210

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

CAPÍTULO 7 Simulación de fallos en modelo termodinámico unidimensional INDICE 7.1 7.2 7.2.1 7.2.2 7.2.3 7.2.4

Introducción Simulación de fallos Caída de presión excesiva en filtro de aire (F1) Reducción de eficiencia en enfriador de aire (F2) Caída de presión excesiva en enfriador de aire (F3) Fallo en el compresor de aire (F4) Fallo

213 213 214 215 215 215

7.2.5 7.2.6 7.2.7 7.2.8 7.2.9 7.2.10 7.2.11 7.2.12 7.2.13 7.2.14 7.2.15 7.3 7.3.1 7.3.2 7.3.3

Fuga de aire en colector de admisión (F5) Mal asiento de válvula de admisión (F6) Misfiring (F7) Pérdida de relación de compresión (F8) Pérdida Fallo de regulación huelgo de válvulas - menor huelgo - (F9) Fallo regulación huelgo de válvulas - mayor mayor huelgo - (F10) Fallo timing de inyección - adelanto de la inyección - (F11) Fallo timing inyección - retraso de inyección - (F12) Fallo en turbina (F13) Fuga de carga en colector de escape (F14) Caída de presión excesiva en conductos escape (F15) Análisis de los síntomas producidos por los fallos Comportamiento presión aire de carga ante fallos (Padm) Comportamiento temperatura aire de carga ante fallos (Tadm) Comportamiento temperatura gases salida de cilindro ante fallos (Tscil) Comportamiento gasto másico de aire ante fallos ( ̇  ) Comportamiento presión media indicada ante fallos (IMEP) Comportamiento velocidad turbocompresor ante fallos (n turbo) Comportamiento temperatura aire salida del compresor ante fallos (Tsc) Comportamiento presión del colector de escape ante fallos (Pesc) Comportamiento temperatura gases entrada turbina ante fallos (Tet) Comportamiento temperatura gases salida turbina ante fallos (Tst) Análisis preliminar de los resultados del modelado de fallos ante los  parámetros monitorizados Referencias

216 216 217 217 217 218 218 218 218 219 219 219 220 221 222

7.3.4 7.3.5 7.3.6 7.3.7 7.3.8 7.3.9 7.3.10 7.4 7.5

223 224 225 226 227 228 229 230 231

211

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

LISTA DE TABLAS 7.1

Recopilación del efecto sobre los parámetros monitorizados en el motor

231

LISTA DE FIGURAS 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 7.10

Comportamiento presión aire de carga ante fallos Comportamiento temperatura aire de carga ante fallos Comportamiento temperatura salida gases cilindro ante fallos Comportamiento gasto másico de aire ante fallos Comportamiento presión media indicada ante fallos Comportamiento velocidad turbocompresor ante fallos Comportamiento temperatura aire salida del compresor ante fallos fallos Comportamiento presión del colector de escape ante fallos Comportamiento temperatura gases entrada turbina ante fallos Comportamiento temperatura gases salida turbina ante fallos

221 222 223 224 225 226 227 228 229 230

212

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

7.1.  INTRODUCCIÓN. El principal motivo por el que se ha construido el modelo termodinámico explicado en el Capítulo 6 es servir de plataforma virtual de fallos, de forma que se pueda inseminar los modos de fallo típicos de un motor diesel marino y observar cómo responden los  parámetros operativos y de prestaciones prestac iones ante los mismos. Se simulan los modos de fa fallo llo más típicos de motor diesel que pueden ser detectados por parámetros termodinámicos ter modinámicos y que, por lo tanto, puede conocerse su respuesta ante fallos introducidos en el modelo  por su naturaleza física termodinámica. Así, por ejemplo, un fallo en el sistema de distribución debido a cualquier causa, dará como respuesta un cambio en la relación de compresión, en la temperatura y en la presión alcanzada en el cilindro, pero el fallo raíz  puede ser debido a un u n mal asiento asie nto en las válvulas, a una deriva en el ángulo de giro del de l árbol de levas o cualquier otra razón. Con el modelo se puede detectar la respuesta de los parámetros termodinámicos del motor a un posible fallo y las diferencias que se tendrá ante fallos de diferente origen y/o naturaleza. Varias son las ventajas de utilizar un modelo para este tipo de estudios, la principal ventaja es no necesitar de inseminar el fallo en el motor real con las consecuencias que  podrían acarrear. Además, otra ventaja es que se puede introducir un fallo desde su origen y observar la tendencia de los parámetros del motor cuando este fallo aún no es detectable en el funcionamiento real del motor. En este capítulo se explica el proceso seguido para introducir los diferentes fallos en el modelo de motor y la respuesta que da este modelo a variables termodinámicas. Dentro del gran número de variables que puede proporcionar el modelo, se ha centrado el estudio en las variables monitorizadas en los motores a bordo del buque, de esta forma se hace posible la temprana detección de un fallo y la posibilidad de solucionar el  problema antes de que sea visible, costoso y/o catastrófico ca tastrófico para el funcionamiento funcionamiento del motor. Además, de las variables monitorizadas, se ha añadido al estudio algunas variables que no suelen monitorizarse en la actualidad pero que son de gran interés por resultar buenos indicadores indicadores de cómo está funcionando el m motor otor y se podrían utilizar  para diagnosis si s i se añaden al a l sistema de monitorización, monitorización, tal y como se concluye de los resultados obtenidos en el modelo.

7.2.  SIMULACIÓN DE FALLOS. Una vez se ha ajustado y validado el modelo, se inseminan los fallos de uno en uno utilizando como referencia la forma utilizada en [1] y [2], que muestran un ejemplo de simulador de fallos de motor diesel marino de 2 tiempos y una guía de cómo simular fallos en motores diesel respectivamente. En el presente trabajo los fallos se simulan de forma similar a cómo se realiza en las citadas referencias, teniendo la precaución de  provocar un rango de variación razonable y realista del parámetro que define el fallo, además de las diferencia existentes entre los tipos de motores que se utilizan en las referencias y el motor sujeto a estudio. Otra peculiaridad importante entre el trabajo realizado en las referencias y el presente radica en la naturaleza del modelo utilizado, en este trabajo se ha utilizado un modelo unidimensional de los conductos del motor y, por lo tanto, tiene en cuenta la dinámica de ondas y su influencia en la renovación de la carga del motor cuando está funcionando de forma normal o cuando se ha introducido algún fallo.

213

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

A continuación, se describe como se reproduce cada uno de los fallos, representados en la Tabla 5.5 del Capítulo 5 con el código F1 código  F1 a  a F15  F15.. Entre paréntesis se indica el código del fallo en la base de datos dato s de fallos completa incluida en el Anexo A del Capít Capítulo ulo 5:

             









 F1 (56A1) caída de presión excesiva en filtro de aire.  F1 (56A1)  F2 (44A1)  F2  (44A1) reducción de eficiencia en enfriador de aire.  F3 (44A3)  F3  (44A3) caída de presión excesiva en enfriador de aire.  F4 (57B2)  F4  (57B2) fallo en compresor de aire.



 

               



 





  

 F5  F5 (52A1) fugaasiento de aire de en válvula colectordedeadmisión. admisión. admisión.  F6  (52A1)  (1B21) mal  (1B21)  F7  (6A1)   (6A1) Reducción parcial de la cantidad de combustible inyectado / quemado en un cilindro, misfiring .  F8 (1B9)  F8  (1B9) y (1B10) pérdida de relación de compresión co mpresión del cilindro.  F9 (1B20)  F9  (1B20) fallo de regulación del huelgo de válvulas (menor huelgo).  F10 (1B1)  F10  (1B1) y (1B14) fallo de regulación del huelgo de válvulas (mayor huelgo).  F11 (1B16)  F11  (1B16) fallo timing  inyección  inyección (adelanto de inyección).  (1B16) fallo timing  inyección  inyección (retraso de la inyección).  F12 (1B16)  F12  F13 (57B2)  F13  (57B2) fallo en turbina.  F14 (54A1)  F14  (54A1) fuga de carga en colector colect or de escape.  F15 (1B17)  F15  (1B17) y (1B18) caída de presión excesiva en conductos escape.

Hay que tener en cuenta que los fallos descritos están si simulados mulados en un solo elemento del motor, es decir, en un filtro, en un compresor, en una turbina, en un semicolector o en un cilindro. Se ha procedido de esta forma porque es como suele suceder en la realidad. El comportamiento del motor en el caso de que el fallo se produzca en todos los elementos del mismo tipo sería distinto, aproximadamente cabe esperar que el orden de magnitud del efecto se vería amplificado por doce si se produce en todos los cilindros o  por dos si es en los sistemas s istemas de turbosobrealimentación. t urbosobrealimentación. La aparición del de l mismo tipo de fallo simultáneamente es poco probable y lo que suele suceder es que aparezca primero en uno y que éste dé lugar a otro tipo de fallo o, se transmita por sobreesfuerzo a otros elementos similares u otros sistemas produciendo otro fallo. Si se detecta el fallo inicial a tiempo es muy probable que el fallo no se propague, así mejora la fiabilidad y se reduce el mantenimiento del motor durante su vida útil. Para todos los modos de fallo se han usado al menos dos niveles (a veces tres) de severidad en el fallo. De esta forma, se  puede evaluar el efecto que produce el fallo sobre los parámetros evaluados en el modelo y también sobre los monitorizados en el motor real. Con varios niveles de severidad modelados es posible estar seguro que se trata de ese tipo de fallo y no debido a otro fallo similar u otra circunstancia de funcionamiento y/u operación del motor en funcionamiento real. En los siguientes apartados se describe de forma detallada cual ha sido el procedimiento usado para la introducción de cada modo de fallo en la plataforma p lataforma de modelo utilizada.

7.2.1. Caída de presión excesiva en filtro de aire (F1). La caída de presión debida al filtro de aire es función cuadrática del gasto que lo atraviesa. El valor de la constante que multiplica esta relación cuadrática para la caída de presión en el filtro de aire en condiciones normales de funcionamiento es constante y se considera con un valor nominal a1,nom. Para la simulación en condiciones de 214

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

obstrucción excesiva el valor nominal es multiplicado por K, donde toma el valor 5 y 10  para simular una u na pequeña obstrucción o una severa se vera respectivamente. Así el valor de la constante de la ecuación quedará a1,f   = K * a1,nom  (K=5, 10). De esta forma la curva cuadrática de caída de presión pres ión se reajusta según el nuevo valor a 1,f . Para la inseminación de este fallo se simula solamente en el filtro de aire del lado A del motor, “AIR FILTER –   BANK BANK A” de la Fig. 6.7 del Capítulo 6. Este fallo está originado  por suciedad acumulada en el filtro de aire por polvo y otras partículas del aire de aspiración. Aunque la acumulación de polvo y otras partículas será similar en ambos filtros hemos de entender un fallo como un cambio extremo en las condiciones “normales” de operación, así, en este caso sería, por ejemplo, la falta de recambio o limpieza del filtro en operaciones de mantenimiento programadas, o la obstrucción del filtro por algún agente externo no previsto.

7.2.2. Reducción de eficiencia en enfriador de aire (F2). La eficacia del enfriador de aire se simula mediante un valor que multiplica a la ecuación de eficiencia en función del gasto aire y la temperatura de entrada al enfriador, siendo el valor distinto de gasto y temperatura para cada carga del motor. Se ha ajustado la ecuación a una función mediante una constante a2,nom, según se ha descrito en el modelo descrito en el capítulo 6. En condiciones de fallo el valor de la eficiencia es multiplicado por una constante, K, que toma en este caso el valor 0.5 y 0.75, según se quiera reducir la eficacia del enfriador a un 50% o un 75% respectivamente del valor calculado por la ecuación ajustada. Así, el valor queda afectado según la ecuación a 2,f  = K * a2,nom (K=0.5, 0.75). Se simula en el único enfriador de aire que existe en el motor, “AIR COOLER” de la Fig. 6.7 del Capítulo 6. Este fallo puede estar originado por varias razones, como  pueden ser la reducción reducc ión del área de intercambio, corrosión u otras razones razo nes similares que  produzcan una reducción de d e la capacidad c apacidad de d e enfriamiento. enfriamiento . Es importante remarcar r emarcar que qu e un fallo de este tipo viene acompañad aco mpañado o del fallo descrito descr ito en el siguiente apartado.

7.2.3. Caída de presión excesiva en enfriador de aire (F3).  De manera similar al caso de caída en el filtro se simula la ecuación que define la caída de presiónque normal el constante enfriador, a ajustada en el punto nominal en condiciones normales, es un en valor 3,nom. En condiciones de obstrucción excesiva el valor nominal es a3,f  = K * a 3,nom (K=5, 10). De esta forma la curva cuadrática de caída de presión se reajusta según el nuevo valor a 3,f . Al igual que F2, se simula en el único enfriador de aire del motor, “AIR COOLER”  de la Fig. 6.7 del Capítulo 6. Este fallo está originado por obstrucción de conductos de la parte del aire por depósito de sólidos u otros agentes de obstrucción.

7.2.4. Fallo en el compresor de aire (F4). Típicamente este fallo se considera por una reducción del rendimiento isentrópico del compresor tal y como reflejan las referencias [1] y [2]. En el presente trabajo, además de considerar la pérdida de rendimiento también se considera una reducción del gasto másico de aire debido a que tiene gran influencia en el comportamiento del motor. Los valores de rendimiento isentrópico del compresor y de gasto másico de aire en 215

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

condiciones normales es a 4a,nom.y a4b,nom  respectivamente. Se simula solamente en el compresor del lado A del motor, “TURBO COMPRESSOR –   BANK BANK A”  de la Fig. 6.7 del Capítulo 6. En condiciones de fallo los valores del rendimiento isentrópico y del gasto másico son a4a,f   = K * a4a,nom  (K=0.5, 0.75) y a4b,f   = K * a4b,nom  (K=0.5, 0.75) respectivamente. Este fallo está originado por acumulación de polvo y otros residuos en el rodete y difusor así como daños que produzcan cambios en la geometría. La experiencia de los autores en históricos de averías de compresor indica que daños geométricos suelen ir acompañados y debidos a la acumulación de suciedad en la entrada, esto produce una pérdida en el gasto y en el rendimiento del compresor casi de forma independiente. Por esta razón se ha añadido la reducción del gasto másico. La simulación descrita en las referencias [1] y [2] es más apropiada sólo si el daño en la geometría del compresor no viene acompañado por acumulación de suciedad en la entrada a este. Aunque la suciedad se puede ir acumulando en ambos compresores a la vez, esta se suele retirar en campañas habituales de mantenimiento, en este estudio, se ha decidido simular el fallo sólo en uno de ellos para que sea detectable las diferencias entre colectores cuando este tipo de fallo ocurre.

7.2.5. Fuga d dee aire en col colector ector de adm admisión isión (F5). Para simular este fallo, se crea un tubo de 5 mm de diámetro abierto a la atmósfera en el modelo del colector de admisión. El valor del coeficiente de descarga de dicho tubo en condiciones normales es a 5,nom = 0, es decir, no existe fuga y además no afecta a la dinámica de ondas del colector. En condiciones de fallo el coeficiente de descarga es a 5,f   = a 5,nom + K (K=0.5, 1). No existen referencias de simulación de este modo de fallo. No obstante se simula una pequeña pérdida que se considera realista. Se reproduce solamente en el semi colector de aire del lado A del motor, “INLET MANIFOLD –    BANK A” de la Fig. 6.7 del Capítulo 6, debido a que no es habitual que el fallo ocurra simultáneamente en ambos colectores. Este fallo está originado por falta de estanqueidad por grietas en material o/y en uniones de tubos conectados al colector de aire en admisión.

7.2.6. Mal asiento de válvula de admisión (F6). Este fallo se modela modificando la curva de levantamiento de una de las dos válvulas de admisión del cilindro 1A, “CYL.1A”  de la Fig. 6.7 del Capítulo 6. En condiciones normales, el de valor de el levantamiento cuando la válvula estádebería cerradade es estar a 6,nomteóricamente = 0 mm. En condiciones fallo levantamiento cuando la válvula cerrada es a6,f   = a6,nom  + K (con K=0.5, 1). Como ocurre con  F5  F5,, tampoco existen referencias de simulación de este modo de fallo, se considera razonable un levantamiento como máximo de 1 mm. Este levantamiento está originado por acumulación de hollín en zona de asiento de válvulas de admisión, típico en esta zona donde la diferencia térmica es mayor y en motores marinos que funcionen mucho tiempo a baja carga. Se considera como escenario más realista la simulación del fallo en una sola válvula de admisión, aunque es posible que el fallo se tenga en las dos, es muy  probable que comience por una y después el hollín se pueda acumular en la segunda válvula. Para comprobar la capacidad de detección del fallo se ha optado por poner sólo en una válvula.

216

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

7.2.7. Misfiring (F7). El valor de gasto másico de combustible en condiciones normales se considera que es a7,nom, variable según la carga. En condiciones de fallo el gasto másico de combustible es a7,f  = K * a 7,nom (con K=0.5, 0.75). Es decir, se simula solamente misfiring parcial del 25% y del 50% menos de combustible en el cilindro 1A, “CYL.1A”  de la Fig. 6.7 del Capítulo 6, debido a que la mayoría de las ocasiones se detecta y repara/sustituye antes de llegar a misfiring completo. Este fallo puede estar originado por varias razones, como puede ser obstrucción de orificios de tobera del inyector, reducción de la presión de inyección, inyección de combustible de baja calidad u otros fallos del sistema de combustible que reduzca la cantidad y/o calidad del combustible que llega al cilindro.

7.2.8. Pérdida de rel relación ación de compresión (F8). La pérdida en la relación de compresión en el cilindro es debido sobre todo por la holgura entre aros o segmentos segmentos y camisa, definida como a8,nom. Este valor determina la sección de paso de pérdidas de gases debidas al blow-by blow-by en  en condiciones normales. En condiciones de fallo el valor de holgura entre aros y camisa se ha incrementado en 0.05 y 0.1 milímetro, de forma que queda como a8,f  = K + a8,nom (con K=0.05, 0.1 mm). Se simula solamente pérdida de compresión por blow-by excesivo en el cilindro 1A, “CYL.1A” de la Fig. 6.7 del Capítulo 6. Este fallo puede estar originado por desgaste anómalo de los segmentos de pistón y/o por un desgaste excesivo de la camisa de cilindro. Hay que tener en cuenta que en el caso de que este fallo se produzca en todos los cilindros aproximadamente con la misma intensidad, caso de no realizar la sustitución de aros cuando corresponda por número de horas de funcionamiento, la intensidad de los síntomas sería mucho mayor. Se ha preferido simular en un solo cilindro porque es mucho más sencillo extrapolar el efecto e fecto aproximadamente doce veces (12 cilindros) que hacerlo al revés, además nos proporciona la posibilidad de detectar el efecto si sólo en uno de los cilindros se produjera un fallo fortuito de los segmentos.

7.2.9. Fallo de regulación huelgo de válvulas - m menor enor huelgo - (F9). En condiciones normales a 9a,nom y a9b,nom se definen como la holgura entre balancín y las válvulas de admisión, y entre balancín y las válvulas de escape. En condiciones de fallo los valores de holgura son a 9a,f  = K * a9a,nom (K=0, 0.5) y a 9b,f  = K * a9b,nom (K=0, 0.5) respectivamente para el caso de la admisión y el escape. El efecto que nos da este  parámetro es un ligero aumento del tiempo de apertura apert ura de válvulas debido a que el valor la holgura entre el balancín y las válvulas se reduce hasta desaparecer por lo que el  balancín empujaría a las válvulas antes a ntes de lo que marca el diagrama de distribución. distr ibución. Se simula solamente válvulas del cilindro 1A, “CYL.1A” de la Fig. 6.7 del Capítulo 6. Este fallo puede estar originado por error humano en el ajuste o por no realizarlo cuando corresponde según las horas de funcionamiento del motor.

217

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

7.2.10.

Fallo regulación huelgo de válvulas - mayor huelgo - (F10).

De forma análoga al caso anterior, F9 anterior,  F9,, en condiciones normales a 10a,nom  y a 10b,nom son la holgura entre balancín y válvulas de admisión, y entre balancín y válvulas de escape. En condiciones de fallo los valores de holgura son a10a,f  = K * a10a,nom (K=1.5, 2) y a10b,f  = K * a10b,nom  (K=1.5, 2) respectivamente. El efecto es una ligera reducción del tiempo de apertura de válvulas, ya que estas serían empujadas más tarde de lo que marca el diagrama de distribución. Se simula solamente válvulas del cilindro 1A, “CYL.1A”   de la Fig. 6.7 del Capítulo 6. Este fallo puede estar originado por error humano en eell ajuste,  por no realizarlo cuando corresponde según horas de funcionamiento o por desgastes de elementos del tren de válvulas.

7.2.11.

Fallo timing  de  de inyección - adelanto de la inyección - (F11). ( F11).

Para este caso se define el parámetro a 11,nom como el ángulo de inicio de la combustión definido en ley de doble vibe trabajando en condiciones normales. En condiciones de fallo de adelanto de la inyección se modifica el parámetro a 11,nom en 2º y 4º, así queda a11,f  = a 11,nom  –  –  K  K (valiendo K=2, 4). Se realiza la aproximación de que el adelanto de la inyección supone un adelanto similar en el inicio de la combustión. Se simula el fallo a sólo un cilindro, cilindro 1A, “CYL.1A” de la Fig. 6.7 del Capítulo 6, ya que este fallo suele estar originado por un desajuste mecánico en el elemento de la bomba de inyección en línea que produce la alta presión en el cilindro donde se produce el fallo. La opción alternativa de simulación de fallo de timing habría sido provocarlo en todos los cilindros a la vez. Este fallo de timing conjunto se produciría si el error de ajuste mecánico se produce en el ángulo relativo entre eje de bomba de inyección en línea la rueda intermedia que engrana con el cigüeñal. Al igual que en  F8  F8,, se considera más  probable el fallo en un solo cilindro. cilindro.

7.2.12.

Fallo timing inyección - retraso de inyección - (F12).

De forma similar al caso anterior, se define a 12,nom como el ángulo de inicio de la combustión definido en ley de doble vibe en condiciones normales. En condiciones de fallo de retraso en el ángulo de inyección es a 12,f   = a 11,nom + K (valiendo K=2, 4).   Fallo análogo a  F11,  F11,   pero en este caso el ángulo de la inyección se retrasa entre 2 y 4º. Se separan fallos  F11  F11   y  F12  F12 debido  debido a que es de esperar síntomas distintos. Lo normal es que las leyes de combustión sean distintas tanto cuando se atrasa como cuando se adelanta la inyección de combustible pero, en este estudio de simulación, se mantienen las mismas leyes de combustión debido a que el motor no ha sido ensayado en estas condiciones ni, por lo tanto, se ha obtenido el efecto sobre la combus co mbustión. tión.

7.2.13.

Fallo en turbina (F13).

Al igual que en el fallo del compresor  F4  F4,, se considera una reducción del rendimiento isentrópico y del gasto másico de la turbina. Los valores de rendimiento isentrópico y de gasto másico en condiciones normales son a 13a,nom.y a 13b,nom  respectivamente. Se simula el fallo solamente en la turbina del lado A del motor, “TURBO COMPRESSOR –  BANK  BANK  A”  de la Fig. 6.7 del Capítulo 6. En condiciones de fallo los valores del rendimiento isentrópico y del gasto másico son a 13a,f   = K * a13a,nom  (K=0.5, 0.75) y a13b,f   = K * a13b,nom  (K=0.5, 0.75) respectivamente. Este fallo está originado por acumulación de 218

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

suciedad y otros residuos en tobera y el rodete así como daños que produzcan cambios en la geometría. El fallo en turbina es más frecuente que en el compresor, debido a la mayor suciedad de los gases de escape.

7.2.14.

Fuga de carga en colector de escape (F14).

Para simular este fallo se crea un pequeño tubo de 5 mm de diámetro en el colector de escape abierto a la atmósfera, de forma análoga al fallo de estanqueidad el colector de aire F5 aire  F5.. El valor del coeficiente de descarga de dicho tubo en condiciones normales es a14,nom = 0, es decir, no existe fuga. En condiciones de fallo el coeficiente de descarga es a11,f  = a11,nom + K (siendo K=0.5, 1). No existen referencias de simulación de este modo de fallo. No obstante se simula una pequeña pérdida que se considera realista. Solamente en el semi-colector de escape de la línea A del motor, “EXHAUST  MANIFOLD –   BANK BANK A” de la Fig. 6.7 del Capítulo 6. Este fallo está originado por falta de estanqueidad por grietas en material o/y en uniones de tubos conectados al colector de escape.

7.2.15.

Caída de presión excesiva en conductos escape (F15).

Para simular este fallo, en primer lugar se ajusta la caída de presión del colector de escape a una función que depende del gasto de gases de escape de forma cuadrática. El valor de caída de presión nominal en condiciones normales responde a esta función en  base a una constante e igual a a15,nom. En condiciones de obstrucción excesiva aumentará esta constante y se define al valor nominal de a15,f  = K * a 15,nom (siendo K=5, 10). De esta forma la curva cuadrática de caída de presión se reajusta según el nuevo valor a15,f . Este fallo está originado por suciedad acumulada después de la turbina en conductos escape u otros elementos como el silenciador.

7.3.  ANÁLISIS DE LOS SÍNTOMAS PRODUCIDOS POR LOS FALLOS. Se realiza la simulación de fallos según se describe en apartado 7.2 en los mismos  puntos de carga ensayados en banco de pruebas, 25%, 50%, 75% y 100%. 100%. Las Fig. 7.1 a 7.10 muestran el efecto que produce cada fallo en diez parámetros termodinámicos de interés, que son o pueden ser síntomas potenciales de los fallos según sea su comportamiento cuando el fallo se produce. Es importante recordar que la principal razón por la que se han elegido estos parámetros es porque son los parámetros que están monitorizados, de una u otra forma, en los motores montados en buque. Además, se han añadido otros parámetros termodinámicos que el modelo proporciona sin ninguna dificultad, son representativos de las prestaciones y estado de funcionamiento del motor y se podrían obtener por medida directa o indirecta si se añaden algunas señales a la cadena de medida de la instalación a bordo en el caso de que sean buenos indicadores. El objetivo es que estos parámetros sean entrada para la base de datos FMECA y mejoren la diagnosis de fallos on-board . Como parámetro que representa las prestaciones se ha seleccionado la presión media indicada (IMEP), que al ser un motor de velocidad constante es equivalente a  proporcionar la potencia indicada. Se considera que el consumo específico no aporta información nueva respecto a la IMEP porque la cantidad de combustible está definida 219

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

 por el punto de carga. El resto de parámetros son operacionales. Al contrario que en [1], donde se hace un análisis por fallo, aquí se realiza un análisis de la variación que sufre cada parámetro en los quince fallos para poder comparar fácilmente su potencial como síntoma que alimente a la base de datos de fallos. Esto es así porque el sistema de diagnosis de fallos propuesto detecta síntomas potenciales que son entradas de la base de datos, sin saber a priori que fallo está provocando los síntomas activos. Se presentan los resultados como variación en % respecto a su valor en condiciones normales de funcionamiento en su punto análogo sin fallo. De esta forma los resultados están normalizados y se pueden comparar su efecto para cada fallo de forma directa. La simulación no sólo aporta valor respecto a qué parámetros de interés están afectados ante cada fallo, sino también cuánto influye en cada uno de ellos. Además, la simulación nos da la posibilidad de valorar si es necesaria la introducción de algún  parámetro nuevo nuevo en la monitorización monitorización debido a que es muy representativo para la detección de uno o varios fallos. En las figuras 7.1 a 7.2 se muestra el efecto que tiene cada fallo para cada grado de carga y para, al menos, dos grados de severidad en el fallo introducido. Para hacer más fácil la lectura de los gráficos, en azul se muestra el efecto ante un fallo leve y en rojo cuando el fallo es más grande. Para distinguir el punto de funcionamiento en que se ha realizado la simulación se usa el siguiente código, círculos ( ) para el 25%, aspas ( )  para el 50%, cruces () para el 75% y cuadrados () para el 100% de la carga del motor. En las siguientes secciones se hace una discusión de los resultados obtenidos para cada uno de los parámetros de funcionamiento considerados.

7.3.1. Comportamiento presión aire de carga ante ffallos allos (Padm) (S4). En la Fig. 7.1 se muestra el comportamiento de la presión de aire de carga, síntoma S4 (PT36-A) de (PT36-A)  de la base de datos dat os FMECA mostrada en la Tabla 5.5 ante cada modo de fallo. Se puede observar que este parámetro es sensible a casi todos los fallos, excepto a los fallos debidos a la regulación de válvulas F9 válvulas  F9 y  y F10  F10 donde  donde el efecto es casi nulo. La presión de admisión sube ligeramente ante un fallo de eficiencia del enfriador  F2  F2   y al aumentar timing   deeninyección  F12. Porenfriador otro lado,F3, baja formade importante si hay fallo de obstrucción el lado  F12 aire .del de de asiento una válvula de admisión F6  admisión  F6 , misfiring   F7  F7 , excesivo blow-by blow-by   F8, F8, en una turbina  F13  F13 o  o sobre todo ante fallo en un compresor  F4  F4,, como cabía esperar al reducirse la capacidad de sobrealimentación. Aunque no tanto, también baja ligeramente ante suciedad del filtro aire F1 aire  F1,, fuga en colector de aire F5 aire  F5 y  y de escape F14 escape  F14,, reducción timing inyección F11 inyección  F11   y suciedad en silenciador o conducto escape F15 escape  F15.. La sensibilidad ante casi todos los fallos lo hace un indicador ideal de detección de fallos, pero a su vez, se hace difícil distinguir a que fallo puede ser debido el cambio en el parámetro cuando está en funcionamiento. Para distinguir entre uno u otro fallo se hace necesaria la correspondencia en al menos otro parámetro que se vea afectado a la vez. Este análisis se hace más adelante.

220

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

fa llos. Fig. 7.1. Comportamiento presión aire de carga ante fallos.

7.3.2. Comportamiento temperatura aire de carga an ante te fallos (Tadm) (S5). En la Fig. 7.2 se muestra la variación de la temperatura de aire de carga S5 S5 (  (TT31-A TT31-A)) de la base de datos FMECA Tabla 5.5 ante cada modo de fallo. En este caso, no existe  prácticamente variación en la mayoría de los fallos. Este parámetro es principalmente sensible a un fallo de eficiencia del enfriador  F2  F2   y a un fallo o defecto de asiento en válvula de admisión  F6 , subiendo de forma importante en ambos casos como cabía esperar. Destaca la fuerte subida que se produce cuando por depósitos de hollín se produce un defecto de asiento en una sola válvula de admisión. Para el resto de fallos, este parámetro no parece poder ser utilizado como indicador directo, pero podrá ser utilizado como indicador excluyente, es decir, si ocurriera un fallo de otra índole diferente al fallo  F6 , y se ve afectada la presión de admisión, indicador anterior, pero la temperatura de admisión se mantuviera constante (o varía  poco) podemos excluir el fallo F6 dentro de las posibilidades de fallo. Este razonamiento se puede hacer con todos los indicadores en los que su efecto e fecto es pequeño.

221

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

Fig. 7.2. Comportamiento temperatura aire de carga ante fallos. 7.3.3. Comportamiento temperatura gases salida de cilindro ante fallos (Tscil) (S6). En la Fig. 7.3 se muestra el comportamiento de la temperatura de gases a la salida del cilindro 1A S6   (TT50-1A) (TT50-1A)   de la base de datos FMECA Tabla 5.5 ante cada modo de fallo. Se puede observar que este parámetro aumenta de forma importante ante un fallo del compresor  F4  F4,, de asiento válvula de admisión  F6 , excesivo blow-by blow-by   F8  F8   y de turbina  F13,, aumenta ligeramente ante un fallo de eficiencia del enfriador  F2  F13  F2   y suciedad conducto escape  F15  F15   y baja de forma importante si se produce misfiring   F7 . En este último caso hay que tener en cuenta que en la realidad, a veces sube la temperatura cuando se produce misfiring   parcial si el combustible no quemado en la cámara de combustión se quema en el conducto de escape cerca del sensor de temperatura. El misfiring    produce una bajada temperatura debida una mala pulverización del combustible en el cilindro y unade mala combustión en el ainterior de este. En el caso que el fallo persista el inyector llega a gotear combustible sin pulverizar y, este combustible  puede quemarse que marse en el colector de escape, sólo só lo en este caso la temperatura te mperatura en el escape esc ape aumentará en el colector. Este fenómeno aunque se puede simular en el modelo, se ha optado por no hacerlo por el coste computacional excesivo que acarrea debido a la convergencia en el modelo. Si el fallo es detectado antes del “goteo” no será necesario incorporar este indicador en la base de datos FMECA. Si se detecta una subida brusca de temperatura en el colector de escape podemos considerar este fallo diferente al misfiring   por un goteo de inyector y se tendrá que tener en cuenta al analizar los resultados y a la hora de ponerlos en la base de datos FMECA de decisión. Este parámetro es en general un buen indicador de fallo para problemas en turbosobrealimentación y en el cilindro, a excepción de desajustes en regulación de válvulas F9, válvulas  F9, F10 y F10 y pequeños cambios en timing de inyección F11, inyección  F11, F12. F12. 222

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

Al igual que en el caso anterior, el efecto de este parámetro en combinación con el efecto sobre los demás puede identificar y/o excluir uno u otro tipo de fallo.

Fig. 7.3. Comportamiento temperatura salida gases cilindro ante fallos. 7.3.4. Comportamiento g gasto asto másico de aire ante ffallos allos (̇ ).  En la Fig. 7.4 se muestra la variación del gasto másico de aire trasegado por el compresor ante cada modo de fallo. Se puede observar que este parámetro cae de forma muy pronunciada ante un fallo en el compresor F4 compresor  F4,, de asiento válvula de admisión F6  admisión  F6 , misfiring  F7 , blow-by excesivo  F8  F8   o fallo de turbina  F13  F13   y ligeramente cuando se  produce suciedad en el filtro aire a ire F1  F1,, fallo de eficiencia del enfriador F2 enfriador  F2,, obstrucción de enfriador  F3  F3,, fuga en colector de escape  F14  F14   o suciedad conducto escape  F15  F15.. Es remarcable que las grandes caídas, superiores al 20-25% suceden sólo a altas cargas excepto ante F4 ante F4 y  y F6   F6 , donde baja mucho incluso a cargas parciales. No es prácticamente sensible al resto de fallos, incluido retraso en el timing  de  de inyección F12 inyección  F12 que  que es el único caso en el que sube, aunque de forma casi inapreciable. El gran efecto de caída que tienen F6  tienen  F6  y F8  y F8 demuestra la importancia de ausencia de fugas en el cilindro. Este parámetro, además de fugas en cilindro, es un buen indicador de problemas en turbocompresor y de misfiring . El gasto másico no está est á identificado como un síntoma de ningún modo de fallo en la base de datos FMECA creada por la experiencia, Tabla 5.5. Por lo tanto, a la vista de los resultados, el gasto másico en admisión sería un indicador candidato a ser monitorizado en el motor para la mejora de la predicción de fallos. Esta monitorización puede ser indirecta, mediante parámetro calculado a partir de la medida directa de la presión y la temperatura en admisión, o directa, midiendo el gasto másico. La monitorización directa del gasto es difícilmente viable por razones económicas y de calibración de los sensores de caudal en los buques, por lo tanto la solución más eficaz sería realizar esta medida directa de forma periódica con equipo portátil. Una buena estrategia sería la monitorización on-line indirecta más la off-line directa que sirva de comprobación de que la estimación indirecta es correcta comprobando con más 223

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

 precisión el correcto funcionamiento del sistema siste ma de renovación de la carga car ga del motor de forma periódica.

Fig. 7.4. Comportamiento gasto másico de aire ante fallos. 7.3.5. Comportamiento presión medi mediaa indicada ante fallos (IMEP). En la Fig. 7.5 se muestra el comportamiento de la presión media indicada ante cada modo de fallo. Este parámetro, equivalente a representar el efecto en la potencia indicada, tiene una reacción similar al gasto másico de aire, si bien la potencia media indicada desciende de forma bastante más suave ante fallo en el compresor  F4  F4   o de turbina  F13  F13.. La caída cuando se produce un fallo de asiento válvula de admisión  F6 , misfiring   F7  F7  o   o excesivo blow-by blow-by   F8 es F8 es también muy parecida entre ambos parámetros, sin embargo es más acentuada a cargas parciales en la IMEP. Esta similitud indica la fuerte influencia que tiene el gasto másico en la potencia del motor, como es lógico. El resto de fallos no producen una alteración sensible en la presión media indicada, estando entre el ± 0-3%, por lo que este parámetro no sería un buen indicador de fallo para esos casos. La presión media indicada tampoco está identificada como un síntoma de ningún modo de fallo en la base de datos FMECA creada por la experiencia, Tabla 5.5. Para incluir este parámetro sería necesaria la medida del par motor o la presión en cilindro. En el  primer caso se utilizaría conjuntamente con un valor estimado del rendimiento mecánico obtenido en banco de pruebas y utilizado para el ajuste del modelo. En el segundo caso, se realizaría el procesado y análisis de la presión en cilindro para la obtención de los parámetros indicados y de aquí la IMEP. Actualmente existen sistemas de adquisición de presión en cilindro en tiempo real, aunque el coste es elevado y sólo  para motores propulsores de elevada potencia es rápidamente amortizable. Por ello, es una opción razonable realizar una campaña de medidas a realizar periódicamente en el 224

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

 buque, de forma similar a como co mo se realiza la campaña de toma de datos para el análisis de vibraciones. De la misma forma que se ha comentado para el indicador de gasto másico, la medida de presión en cilindro en buque de forma periódica sería de gran ayuda para la predicción de fallos. Con la medida de presión instantánea en cilindro se  puede detectar gran variedad de indicaciones de posibles fallos, o detección temprana de fallos, relacionados con el proceso de inyección y de combustión en el motor.

Fig. 7.5. Comportamiento presión media indicada ante fallos. 7.3.6. Comportamiento velocidad turbocompresor ante ffallos allos (nturbo).  En la Fig. 7.6 se muestra la variación de la velocidad del turbocompresor ante cada modo de fallo. Se puede observar que este parámetro cae de forma importante cuando se  produce un fallo en e n el compresor co mpresor F4  F4 o  o en la turbina F13 turbina  F13 y  y desciende suavemente a baja carga para luego subir a mayor carga en los casos de fallo de asiento válvula de admisión F6  admisión  F6 , misfiring   F7  F7  o   o excesivo blow-by blow-by   F8. F8. Este efecto se debe sobre todo a la  pérdida de de energía tiene la turbina al producirse este tipo ya sea por reducción caudalque (escapes  F8   F8   y/o reflujos en admisión  F6 )deo fallos, por reducción de energía térmica en el escape, (reducción de combustible inyectado  F7 ). ). También desciende suavemente cuando existe fuga en colector de escape  F14  F14   o suciedad conducto escape  F15  F15,, debido a la misma razón anteriormente explicada, reducción de energía disponible en el escape. Este parámetro es poco sensible al resto de fallos, aunque no se queda totalmente fijo debido a que cualquier fallo sobre el motor se va a traducir en un cambio en la distribución de la energía en este y el parámetro de régimen del turbogrupo es un buen indicador de cuanta energía está disponible para la turbina y, por lo tanto, para el compresor destinado a alimentar de aire al motor.

225

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

Fig. 7.6. Com Comportamiento portamiento velocidad turbocom t urbocompresor presor ante fallos. 

7.3.7. Comportamiento temperatura aire salida del compresor ante fallos (Tsc). En la Fig. 7.7 se muestra el comportamiento de la temperatura del aire a la salida del compresor ante cada modo de fallo. Este parámetro sube bruscamente cuando se produce un fallo del compresor compresor F4  F4 debido  debido a la pérdida de rendimiento isentrópico de este. También es muy sensible a un fallo en el asiento de la válvula de admisión F6  admisión F6   debido debido a los reflujos que el cilindro producirá en el colector de admisión. En cambio, sube ligeramente cuando se produce suciedad en el filtro aire  F1  F1,, fallo de eficiencia del enfriador  F2  F2   o retraso en el timing   de inyección  F12.. El parámetro baja de forma importante si ocurre misfiring   F7   F12 F7 , excesivo blow-by blow-by   F8  F8  o fallo de turbina F13 turbina  F13 y  y baja suavemente cuando existe fuga en colector de aire F5 aire  F5,, fuga en colector de escape  F14  F14   o suciedad conducto escape  F15  F15.. Para el resto de fallos, aunque se aprecia una ligera variación en la mayoría de ellos, es muy pequeña como  para utilizarla como indicador de fallo. Al igual que el gasto másico del motor o la presión en cilindro, la temperatura de aire de salida del compresor no está identificada como un síntoma de ningún modo de fallo en la base de datos FMECA creada por la experiencia, Tabla 5.5. Pero, a la vista de los resultados, se trata de un parámetro que puede dar mucha información de los posibles fallos que puedan ocurrir en el motor en combinación con el efecto que se producen en el resto de parámetros. Por lo tanto, es una señal que sería interesante añadir a la cadena de medida del motor en el buque para mejorar la capacidad capac idad de diagnosis.

226

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

Fig. 7.7. Com Comportamiento portamiento temperatura aire salida del compresor ante fallos. 7.3.8. Comportamiento presión del colector de escape ante fall fallos os (Pesc).  En la Fig. 7.8 se muestra la variación de la presión de gases en el colector de escape ante cada modo de fallo. Se puede observar que este parámetro se dispara al doble de su valor normal cuando existe un fallo en la turbina  F13  F13   debido a su relación directa en el coeficiente de descarga de esta y/o su rendimiento. En cambio la presión en el escape crece ligeramente si hay suciedad en conductos de escape F15 escape  F15 debido  debido a que este fallo afectará más a una reducción en la energía en la turbina. Por supuesto, y debido a la reducción en el caudal trasegado por el motor, la presión en el escape desciende de forma importante cuando se produce un fallo del compresor  F4  F4,, de asiento válvula de admisión F6  admisión  F6 , misfiring   F7  F7  o   o excesivo blow-by blow-by   F8  F8.. En cambio, la presión en el escape desciende ligeramente si hay fallo de obstrucción de enfriador  F3  F3 o  o fuga en colector de escape F14 escape  F14 debido  debido a que su efecto sobre el caudal trasegado por el motor es menor. Este parámetro, al igual que la presión en admisión es muy sensible a gran parte de los fallos, aunque gráficamente no parezca muy sensible al resto de los fallos debido al significativo efecto cuando se produce un fallo en la turbina  F13  F13,, hasta un 120% respecto al valor nominal. Es necesario remarcar que un fallo en la turbina se ha modelado como una reducción en dos coeficientes, uno que afecta al rendimiento y otro que afecta al coeficiente de descarga de esta, este último hace que su efecto sobre la  presión de escape sea muy importante.

227

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

Fig. 7.8. Comportamiento presión del colector de escape ante fallos. 7.3.9. Comportamiento temperatura gases entrada turbina ante fallos (Tet) (S18) En la Fig. 7.9 se muestra el comportamiento de la temperatura de gases a la entrada de la turbina lado A S18 S18  (TT51-A1) (TT51-A1) de  de la base de datos FMECA Tabla 5.5 ante cada modo de fallo. Se puede observar que este parámetro sube de forma importante cuando se produce un fallo del compresor F4 compresor F4,, de asiento válvula de admisión F6  admisión  F6  o  o fallo turbina F13 turbina F13.. El efecto es más ligero si sucede un fallo de eficiencia del enfriador  F2  F2 o  o excesivo blow-by blow-by   F8. F8. Además de los casos anteriores, es apreciable una bajada muy suave ante misfiring  F7   F7   y y subida muy suave si hay suciedad en conductos de escape F15 escape  F15,, no obstante la variación máxima de estos dos casos no llega al ± 0-4%, que no se considera suficiente para considerarlo un indicador robusto para estos dos fallos, pero si se puede utilizar como indicador complementario ante respuesta de otros indicadores para estos fallos. No es muy sensible al resto de fallos.

228

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

Fig. 7.9. Comportamiento temperatura gases entrada turbina ante fallos. 7.3.10. (Tst) (S20). Comportamiento temperatura gases salida turbina ante fallos En la Fig. 7.10 se muestra el e l comportamiento de la temperatura de gases a la salida de la turbina lado A S20 (TT52-A) de (TT52-A) de la base de datos FMECA Tabla 5.5 ante cada modo de fallo. Se puede observar que este parámetro tiene un comportamiento casi idéntico a la temperatura de gases antes de turbina S18 S18   para fallos similares La única pequeña diferencia entre ambas es que la temperatura a la salida de la turbina S20 S20   aumenta relativamente al nominal con un ligero mayor porcentaje en los fallos en los que ambas reaccionan de forma importante, como son: fallo del compresor  F4  F4,, de asiento válvula de admisión F6  admisión  F6 , excesivo blow-by blow-by   F8 o F8 o fallo turbina F13 turbina  F13.. Esto es debido a que el valor nominal de esta temperatura es sensiblemente menor y por lo tanto su valor relativo ante fallos se ve incrementado. Este efecto lo hace más sensible y útil a la hora de detectar fallos, siempre que se constate esta relación en el motor estudiado.

229

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

Fig. 7.10. Comportamiento temperatura gases salida turbina ante fallos.

7.4.  ANÁLISIS PRELIMINAR DE LOS RESULTADOS DEL MODELADO DE FALLOS ANTE LOS PARÁMETROS MONITORIZADOS. En la Tabla 7.1 se muestra un resumen de los efectos relativos sobre el valor de los  parámetros monitorizados (o propuestos a monitorizar) monitorizar) en este est estudio udio que produce cada uno de los 15 fallos simulados con el modelo. En la tabla se utiliza los signos  –  o  o + para indicar cuando un parámetro baja o sube respecto a su valor en condiciones normales de funcionamiento. Además, se muestra la intensidad del efecto que los fallos tienen sobre los parámetros de la siguiente forma: for ma: - / + pequeño, -- / ++ medio o --- / +++ alto. Se observa en la Tabla 7.1 que los fallos estarían representados por uno o varios indicadores para detectarlos, a excepción de los fallos F9 y F10. Esto se debe a que el valor introducido en el parámetro de regula el fallo es muy bajo y no tiene casi efecto sobre el diagrama de distribución y, por lo tanto, sobre el levantamiento de las válvulas, ya que se tiene un levantamiento muy suave en estas. Se podría hacer mayores que los  parámetros utilizados para simular este est e t ipo de fallos, a 9a,f   y a10a,f , pero no sería realista debido al control que se lleva en los mantenimientos periódicos del huelgo entre  balancines y válvulas. Por lo tanto, un fallo típico en regulación de válvulas no tiene efecto sensible en parámetros termodinámicos t ermodinámicos y, por lo tanto, no es detectable. En cambio, el modelo muestra que el resto de fallos sí que produce efectos termodinámicos con variaciones detectables que pueden detectarse utilizando los indicadores apropiados. Un indicador/parámetro por sí solo suele ser síntoma de varios  posibles fallos, sin embargo, si se utilizan todos los indicadores al mismo tiempo, se observa que cada fallo tiene una única combinación de síntomas que permite su identificación inequívoca respecto al resto.

230

 

Capítulo 7: Simulación de fallos en modelo te rmodinámico rmodinámico unidimensional

Tabla 7.1. Recopilación del efecto sobre los parámetros parámetro s monitorizados monitorizados en el motor.

El Capítulo 8 muestra cómo se optimiza la base de datos de fallos FMECA utilizando los síntomas de fallo que proporciona el modelo y resumidos resumido s en la Tabla 7.1. El enfoque utilizado es utilizar un % mínimo de variación a partir del cual se considera que un  parámetro es alterado por un fallo y por po r lo tanto t anto se activa como síntoma. Teniendo en cuenta este criterio, se mostrará cómo queda la base de datos de fallos respecto a la original y cómo mejora la capacidad de diagnosticar fallos del motor diesel estudiado.

7.5.  REFERENCIAS [1]

D.T. Hountalas, Prediction of marine diesel engine performance under fault conditions, Applied Thermal Engineering 20, 2000, pp. 1753-1783.

[2]

H.M. Nahim et al, Oriented review to potential simulator for faults modeling in diesel engine, JASNAOE, Journal of Marine Science and Technology, 2015. DOI: 10.1007/s00773-015-0358-6. 10.1007/s00773-015-0358-6.

231

 

Capítulo 7: Simulación de fallos en modelo termodinámico termodinámico unidimensional

232

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

CAPÍTULO 8 Optimización la base de datos de fallos de motordediesel marino INDICE 8.1 8.2 8.2.1 8.2.2 8.2.3 8.2.4 8.2.5 8.2.6 8.2.7 8.2.8 8.2.9 8.2.10 8.3 8.4 8.4.1 8.4.1.1 8.4.1.2 8.4.1.3 8.4.1.4 8.4.1.5 8.4.1.6 8.4.1.7

Introducción Determinación de valores límite de síntomas de fallo Activación de presión aire de carga como síntoma de fallos Activación de temperatura aire de carga como síntoma de fallos Activación de temperatura gases salida de cilindro como síntoma de fallos Activación de gasto másico de aire como síntoma de fallos Activación de presión media indicada como síntoma de fallos Activación de velocidad turbocompresor como síntoma de fallos Activación de temperatura aire salida del compresor como síntoma de fallos Activación de presión del colector de escape como síntoma de fallos Activación de temperatura gases entrada turbina como síntoma de fallos Activación de temperatura gases salida turbina como síntoma de fallos Optimización de la base de datos de fallos fallos Validación de la mejora de la base de datos. Ejemplo de detección de fallos

237 237 238 238 239

Validación 1del  –  Alimentación  Alimentación de base de datos de fallos fallos con datos dato s  procedentes modelo Alimentación de base de datos de fallos con fallo F1 simulado en el modelo Alimentación de base de datos de fallos con fallo F2 simulado en el modelo Alimentación de base de datos de fallos con fallo F3 simulado en el modelo Alimentación de base de datos de fallos con fallo F4 simulado en el modelo Alimentación de base de datos de fallos con fallo F5 simulado en el modelo Alimentación de base de datos de fallos con fallo F6 simulado en el modelo Alimentación de base de datos de fallos con fallo F7 simulado en el

251

240 241 242 243 244 245 246 247 250

252 254 255 256 257 258 259 233

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8.4.1.8 8.4.1.9 8.4.1.10 8.4.1.11 8.4.1.12 8.4.1.13 8.4.1.14 8.4.1.15 8.4.1.16 8.4.2 8.5

modelo Alimentación de base de datos de fallos con fallo F8 simulado en el modelo Alimentación de base de datos de fallos con fallo F9 simulado en el modelo Alimentación de base base de datos de fallos con fallo fallo F10 simulado en el modelo Alimentación de base base de datos de fallos con fallo fallo F11 simulado en el modelo Alimentación de base base de datos de fallos con fallo fallo F12 simulado en el modelo Alimentación de base base de datos de fallos con fallo fallo F13 simulado en el modelo Alimentación de base base de datos de fallos con fallo fallo F14 simulado en el modelo Alimentación de base base de datos de fallos con fallo fallo F15 simulado en el modelo Resumen de resultados ofrecidos por base de datos de fallos Validación 2 –  Alimentación  Alimentación de base de datos de fallos fallos con datos dato s monitorizados en el motor real Referencias

260 261 262 262 263 264 266 267 268 269 271

LISTA DE TABLAS 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 8.10 8.11 8.12 8.13 8.14 8.15 8.16

Activación de presión aire de carga como síntoma de fallos Activación de temperatura aire de carga como síntoma de fallos Activación de temperatura gases salida de cilindro como síntoma de fallos Activación de gasto másico de aire como síntoma de fallos Activación de presión media indicada como síntoma de fallos Activación de velocidad turbocompresor como síntoma de fallos Activación de temperatura aire salida del compresor como síntoma de fallos Activación de presión del colector de escape como síntoma de fallos Activación de temperatura gases entrada turbina como síntoma de fallos Activación de temperatura gases salida turbina como síntoma de fallos Comparativa base de datos de fallos original (a) y optimizada (b) Comparativa diagnóstico base de datos original vs. optimizada ante fallo F1 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F2 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F3 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F4 simulado Comparativa diagnóstico base de datos original vs optimizada ante

238 239 239 240 241 242 243 244 245 246 248 253 254 255 256 257

fallo F5 simulado 234

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8.17 8.18 8.19 8.20 8.21 8.22 8.23 8.24 8.25 8.26 8.27 8.28

Comparativa diagnóstico base de datos original vs optimizada ante fallo F6 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F7 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F8 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F9 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F10 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F11 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F12 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F13 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F14 simulado Comparativa diagnóstico base de datos original vs optimizada ante fallo F15 simulado Resumen validación comparativa entre base de datos original vs optimizada ante simulaciones de fallo

258

Comparativa diagnóstico base de datos original vs optimizada ante fallo F7 real

269

259 260 261 262 263 264 265 266 267 268

LISTA DE FIGURAS 8.1

Esquema validación comparativa base de datos de fallos

251

235

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8.1.  INTRODUCCIÓN. La forma habitual de definir síntomas de una base de datos de fallos es utilizar la experiencia. Así lo indica la metodología RCM [1] utilizada para realizar la base de fallos de partida, Tabla 5.5 del Capítulo 5. Aunque el RCM ha demostrado desde su nacimiento ser una metodología eficaz para definir modos de fallo de una forma fiable, si se aplica correctamente y el grupo tiene un conocimiento amplio sobre cómo se opera y mantiene el equipo, es posible mejorar el e l resultado con la metodología propuesta. Como se ha explicado en el capítulo anterior, la mejora propuesta consiste en provocar fallos en un simulador del motor diésel marino construido en AVL Boost© [2] y analizar los síntomas sobre los parámetros monitorizados para corregir o complementar los registrados en la base de datos de fallos FMECA original realizada en base a la experiencia e historia del funcionamiento de este tipo de motores. Esta mejora es  posible porque a pesar de disponer de amplia experiencia sobre el motor, nunca nunca se podrá llegar a la precisión de un modelo físico bien ajustado capaz de reproducir el comportamiento del equipo en caso de fallo. De esta forma se produce una simbiosis entre la experiencia y la información objetiva del comportamiento térmico del motor que nos proporciona la simulación.

8.2.  DETERMINACIÓN DE VALORES LÍMITE DE SÍNTOMAS DE FALLO. En primer lugar se tienen que identificar cuáles son los síntomas que nos indica que se está produciendo un fallo o un fallo incipiente. Estos síntomas, cómo se ha comentado en la introducción, tradicionalmente vienen dados por la experiencia. Además, de la identificación de los síntomas de fallo, también se utiliza, frecuentemente, la experiencia para establecer el límite de variación de dichos síntomas respecto a su valor normal que establece que se está iniciando el fallo [3]. En esta tesis doctoral se propone utilizar la variación de los parámetros de motor que  produce la simulación de fallos para determinar deter minar los síntomas, fijando un umbral mínimo a partir del cual el valor de uno o varios parámetros se considera como síntoma. Aunque la experiencia puede ser suficiente para proponer variaciones aproximadas para cada modo de fallo, disponer de un simulador de fallos permite conocer la variación de cada  parámetro ante cada fallo con mucha mayor mayor exactitud tal y como se ha puesto de manifiesto en las Fig.7.1 a 7.10 del capítulo anterior. anterior . En este trabajo se considera co nsidera que el valor de un parámetro est estáá siendo síntoma de un fallo cuando su variación es superior a un 5% respecto a su valor cuando el motor está funcionando en condiciones normales. Se establece este límite como un compromiso entre robustez y capacidad de diagnosis. Robustez porque es susceptiblemente superior a la precisión de la cadena de medida de la instrumentación que suele tener un motor diesel marino (ver precisión de la instrumentación en Tabla 6.3 del Capítulo 6) y capacidad de diagnosis porque al conocer con detalle det alle la variación de los parámetros ante un fallo, es suficiente una variación del +/-5% para diagnosticar casi todos los fallos típicos del motor debidos a factores termodinámicos. Sería posible reducir ligeramente el límite hasta un valor igual a la precisión de cada sensor más un pequeño margen, por lo que habría un límite distinto para cada parámetro. Sin embargo, la capacidad de detección no mejoraría significativamente y sin embargo aumentaría el riesgo de 237

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 producir falsos positivos pos itivos al estar est ar cerca de la precisión de la instrumentación. Utilizando el criterio indicado anteriormente de variación mínima del +/-5%, los siguientes apartados muestran cuándo un parámetro es un síntoma / indicador de un fallo según su respuesta ante los quince fallos producidos pro ducidos por simulación. simulación.

8.2.1. Activación de presión aire de carga com como o síntoma de fallos. La Tabla 8.1 muestra cuando la presión de aire de carga, síntoma S4 (PT36-A)  (PT36-A)  de la  base FMECA Tabla 5.5,relativa puede del ser valor utilizada como indicador de que fallo. En en la tabla de 8.1datos se muestra la variación de  PT36-A  PT36-A respecto  respecto al tiene funcionamiento normal para cada grado de carga del motor estudiado. est udiado.

Tabla 8.1. Activación de presión aire de carga como síntoma de fallos.

La presión de admisión, S4 S4,, es un indicador de que se está produciendo alguno de estos fallos F1, fallos  F1, F3, F4, F5, F6, F7; F8, F13, F14 o F14 o F15  F15 cuando  cuando es inferior a su valor normal, mientras es indicador del fallo  F2  F2   o  F12  F12 si  si es superior. Como se puede observar es un síntoma común a muchos de los fallos termodinámicos típicos. Su combinación con otros síntomas determinará cual es el fallo que se produce en cada caso. En la Tabla 8.11 que se muestra en el Apartado 8.3 del presente Capítulo se muestra la combinación de síntomas que tiene cada modo de fallo. Es posible aumentar aún más la capacidad de diagnosis de este parámetro reduciendo el límite de variación, establecido en +/-5%. En tal caso se podría detectar fallos F11, fallos  F11, F12  F12  y  F14  F14,, asumiendo que se pueden producir también falsos positivos al estar cerca de la  precisión de la cadena de medida. En E n este estudio est udio no se ha considerado esta posibilidad debido a que se tienen otros indicadores que pueden utilizarse para estos fallos de una manera más segura, tal y como se muestra en los siguientes apartados.

8.2.2. Activación de temperatura aire de carga como sín síntoma toma de ffallos. allos. De manera similar al caso anterior, la Tabla 8.2 indica cuando la temperatura de aire de carga, síntoma S5 (TT31-A) de (TT31-A) de la base de datos FMECA Tabla 5.5, puede ser utilizada como indicador de fallo.

238

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

Tabla 8.2. Activación de temperatura aire de carga como síntoma de fallos.

S5 S5 es  es un indicador de que se está produciendo el fallo  F2  F2 o  o  F6  cuando   cuando es superior a su valor normal. Se observa que para el resto de fallos este parámetro indicador no se ve afectado casi nada.

8.2.3. Activación de temperatura gases salid salidaa de cilindro como síntoma de fallos. La Tabla 8.3 muestra cuando la temperatura de gases a la salida de cada cilindro, síntoma S6   a S17   (TT50-1A TT50-1A   a TT50-6B TT50-6B)) de la base de datos FMECA Tabla 5.5, puede ser utilizada como indicador de fallo.

Tabla 8.3. Activación de temperatura gases salida de cilindro como síntoma de fallos.

S6 a S17  pueden   pueden ser indicadores de que se está produciendo el fallo  F4, F6, F8  F8  o  F13  F13   cuando es superior a su valor normal, mientras es indicador del fallo de de F7   F7  si  si es inferior. En este caso, cuando se trate de los fallos  F6 ,  F7 y  F8  F8   (mal asiento de las válvulas, reducción de la cantidad de combustible inyectado y pérdida de compresión en el cilindro respectivamente) se trata de fallos típicos que suelen aparecer solamente en un cilindro, por lo tanto, el indicador debe tener una diferencia notable en el valor respecto al resto de cilindros. Se puede decir que esta diferencia también puede utilizarse como indicador de fallo, indicando a su vez en que cilindro o cilindros se está iniciando este fallo. 239

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

Así, el aumento de la temperatura de cualquier cilindro, o de todos a la vez puede ser síntoma de varios de los fallos termodinámicos típicos, por el contrario la disminución sólo puede ser F7  ser  F7 . Hay que tener cuenta que en este caso, los fallos  F1, F2, F3, F5  F5  y sobre todo F15 todo  F15,, sí que tienen un efecto sobre la temperatura de cilindros, aunque sería necesario reducir el límite establecido de +/-5% de variación para activar este parámetro como síntoma, con el consiguiente riesgo de que se produzcan falsos positivos en algunos casos.

8.2.4. Activación de gasto másico de aire como como síntoma de ffallos. allos. Es importante recordar que el gasto de aire en la admisión es un parámetro que no está monitorizado en la gran mayoría de los motores montados en buque. Debido a la importancia de esta variable que ha revelado el estudio de simulación y la experiencia de expertos a la hora de la diagnosis del estado del motor, se considera que es un  parámetro que debería de obtenerse de forma indirecta a través de la medida de presión y temperatura del aire del colector de admisión en tiempo real y/o medir de forma directa de forma periódica para todos los motores. La Tabla 8.4 indica cuando el gasto másico de aire puede ser utilizado como indicador de fallo. Este parámetro no está identificado como síntoma de la base de datos de fallos FMECA original, Tabla 5.5.

Tabla 8.4. Activación de gasto másico de aire como síntoma s íntoma de fallos.

El gasto másico (S37) másico  (S37) puede  puede ser un indicador de que se está produciendo produciendo el fallo fallo F1,  F1, F3,  F4, F6, F7, F8, F8,  F13 o F15  F15  cuando es inferior a su valor normal. Como se puede observar todos los fallos hacen bajar el caudal másico de aire, excepto  F12  F12,, debido a que este fallo se trata de un retraso en el timing   de inyección lo que suele venir acompañado de mayor energía en los gases de escape y por lo tanto mayor energía en el turbocompresor. Es de remarcar que el efecto sobre este indicador es importante en casi todos los casos.  F2, F3, F11, F12 y F12 y F14  F14 podrían  podrían ser añadidos como fallos detectables por este parámetro si se disminuye el límite de variación que lo activa como síntoma. Cómo en el caso anterior, el inconveniente sería aumentar de forma importante el riesgo de falsos  positivos.

240

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8.2.5. Activación de presión m media edia indicada como síntoma de fallos. Igual que en el caso del gasto de aire, la presión media indicada no es un parámetro que se monitorice mediante el sistema de medida y control on-board  del  del motor. Debido a su importancia para la detección de fallos se propone este indicador para su monitoriazación en tiempo real, que se podría obtener de forma indirecta mediante medida del par y aplicación del rendimiento mecánico obtenido en banco de pruebas o  bien mediante la medida directa de la potencia eléctrica y aplicación de rendimientos del alternador y mecánico del motor. Además, se propone la inclusión de campañas periódicas para la medida de presión instantánea en cilindro. Esta medida analizada correctamente es muy útil para detectar  posibles derivas en los parámetros importantes de funcionamiento en lazo cerrado del cilindro que son muy útiles para la detección temprana de fallos e incluso para la  predicción de estos est os antes de que se produzcan. pr oduzcan. Son varias las referencias que se pueden puede n encontrar en la bibliografía que prestan atención a las posibilidades de encontrar fallos gracias al análisis de la presión instantánea en el cilindro [4-8]. El estudio de la respuesta de la presión instantánea en cilindro ante fallos queda fuera de los objetivos de este trabajo, pero es un tema que se propone como trabajo futuro aunque actualmente ya se está trabajando. La Tabla 8.5 muestra cuando la presión media indicada puede ser utilizada como indicador de fallo. Cómo ya se ha comentado, esta variable no está identificada como síntoma de la base de datos de fallos FMECA original, Tabla 5.5.

Tabla 8.5. Activación de presión media indicada como síntoma de fallos.

La presión media indicada (S34) ( S34) puede  puede ser un indicador de que se está produciendo el fallo F6, fallo  F6, F7, F8  F8  o  F13 cuando es inferior a su valor normal. De forma similar al gasto másico, la presión media indicada baja ante casi cualquier fallo que afecta a parámetros termodinámicos. En este caso también podría aumentarse el número de fallos detectables reduciendo el límite de variación, llegando a ser un indicador de  F11, F12 y F12 y sobre todo de  F4  F4.. En tal caso se asumiría el riesgo ya comentado de que se puedan  producir falsos positivos. Estas variaciones se pueden tener en cuenta cuando el resultado que ofrece la base de datos esté entre dos fallos en un porcentaje parecido, entonces se pueden considerar las variables cuyos efectos son relativamente pequeños. 241

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

En este caso de aplicación no es necesario reducir el límite de variación ya que la base de datos diagnostica inequívocamente los fallos como se muestra en el apartado 8.3, ya que cada fallo tiene una única combinación de síntomas. No obstante la aplicación de esta metodología en otro tipo de motor podría añadir esta segunda iteración en la diagnosis si hubiera duda entre varios posibles fallos fallo s en algún caso.

8.2.6. Activación de velocidad turbocompresor como síntom síntomaa de fall fallos. os. Aunque el régimen de los turbogrupos sí se suelen monitorizar a bordo en muchos tipos de motores marinos, no es el caso del motor diésel estudiado. Por esta razón no se han tenido en cuenta como síntomas de la base de datos de fallos FMECA original, Tabla 5.5, y por lo tanto no ayudan a la detección de fallos. Los resultados que aporta el modelo y que se muestran a continuación demuestran la conveniencia de monitorizar éste parámetro. Del mismo modo que los apartados anteriores, la Tabla 8.6 indica cuando la velocidad de los turbocompresores A y B (S35) ( S35) y  y (S36) ( S36) pueden  pueden ser utilizadas como indicadores de fallo.

Tabla 8.6. Activación de velocidad turbocompresor como síntoma de fallos.

La velocidad media de cada turbogrupo,  turbogrupo,   S35 y S36   pueden ser indicadores de que se está produciendo el fallo F4, fallo F4, F8 o F8 o F13  F13 cuando  cuando es inferior a su valor normal, mientras es indicador del fallo de F6 o F7  o  F7  si   si es inferior. Como en el resto de parámetros, se podría aumentar el número de fallos a detectar si se reduce el límite de variación, pudiendo ser en tal caso síntoma s íntoma también de F3, de F3, F5, F11, F12, F12, F14 y F15  F15.. En este caso se asumiría el riesgo de que se produzcan falsos positivos. Debemos distinguir entre la monitorización del régimen medio de los turbogrupos, indicador que se analiza en este apartado, a la medida de régimen instantáneo de turbogrupo, con una frecuencia de medida superior a los 100 Hz. La medida de régimen instantáneo de los turbogrupos aporta otras posibilidades de detectar fallos en el motor, aparte de las que proporciona la velocidad media. Son varias las publicaciones que exponen la influencia del régimen instantáneo del turbo ante cambios en el motor y/o  posibles fallos en la co mbustión o en proceso de renovación de la carga. Por ejemplo en [9] se muestra una técnica para utilizar la medida instántanea del régimen de turbo para determinar fallos en la inyección de combustible del motor en alguno de los cilindros, y en [10] se expone la influencia que tiene las diferentes técnicas de turbosobrealimentación sobre el funcionamiento del motor. 242

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

La medida del régimen instantáneo del turbogrupo no está contemplada como medida de monitorización on-board   del motor porque es difícil su implementación de forma continua debido a la gran cantidad y el tamaño de los ficheros que generaría. De todos modos, se puede recomendar de forma complementaria hacer campañas periódicas de medida de régimen instantáneo de los turbogrupos para su posterior análisis y detección de posibles fallos. Esta campaña podría hacerse conjuntamente con medidas de presión instantánea en el cilindro y gasto másico como se propone en los apartados anteriores  para su posterior análisis. La medida de régimen instantáneo de turbogrupo es mucho menos intrusiva la medida de presión en cilindro, en contrapartida conclusiones y laque detección de fallos que se instantánea pueden obtener de esta medida son menoslas y con menor fiabilidad.

8.2.7. Activación de ttemperatura emperatura aire salida del compresor compresor como síntoma de fallos. Al igual que el régimen de los turbogrupos estas variables no se usan en la base de datos como síntomas útiles para diagnosis e identificación de fallos actual, FMECA, Tabla 5.5. Los resultados que se muestran a continuación y la sencillez de incorporar este  parámetro hace recomendable incorporarlo como señal media a bordo. La Tabla 8.7 muestra cuando la temperatura de aire de salida de compresor A y B (S31) ( S31) y (S32)  (S32)    pueden ser utilizadas como indicador de fallo. fallo. de l compresor como síntoma de fallos. Tabla 8.7. Activación de temperatura aire salida del

La temperatura de salida de cada compresor, S31 y S32 pueden S32 pueden ser indicadores de que se está produciendo el fallo F5, fallo  F5, F6, F7, F8, F13, F14 o F14 o  F15  F15 cuando  cuando es inferior a su valor normal, mientras es indicador del fallo de  F4, F6 o F12 si es superior. Al igual que la  presión de aire de carga, la temperatura de salida de aire del compresor puede ser indicador de gran número de fallos termodinámicos. Además, si se reduce el límite de variación para activarlo como síntoma, se podrían detectar además  F1, F2  F2  y  F11  F11   asumiendo el riesgo de producir falsos positivos. La variación de estas variables se debe sobre todo al efecto que producen los fallos relacionados con la renovación de la carga del motor. Por ejemplo si la turbina tiene un fallo, la energía disponible para el compresor se reducirá, por lo tanto, este comprimirá menos el aire de admisión y, consecuentemente, la temperatura de salida del compresor se reducirá. De manera similar se puede explicar la respuesta de estos indicadores ante 243

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

otros fallos. La combinación de este nuevo indicador de síntomas con los que anteriormente se tenían y con los nuevos que se han introducido en la base de datos FMECA mejorada nos dará mayor seguridad en la definición del posible fallo que se  pueda producir en el motor. motor.

8.2.8. Activación de presión del colector de escape como síntoma de fallos. Del mismo modo que la señal anterior, la presión del colector de escape no suele monitorizarse en la mayoría de motores diésel marinos, incluido el motor estudiado, y  por ello no está identificada como síntoma s íntoma de la base de datos de fallos FMECA, Tabla 5.5. La Tabla 8.8 muestra cuando la presión del colector de escape (S33) (S33)   puede ser utilizada como indicador de fallo debido a que se producen variaciones importantes cuando se produce determinados tipos de fallos. Por esta razón este parámetro sería recomendable incorporarlo como una señal a monitorizar a bordo al igual que otros como se ha indicado en apartados anteriores.

Tabla 8.8. Activación de presión del colector de escape como co mo sín síntoma toma de fallos.

La presión en el colector de escape, S33 S33,, puede ser un indicador de que se está  produciendo el fallo  F3, F4, F6, F7,  F7,  F8, o  F14  F14   cuando es inferior a su valor normal, mientras es indicador del fallo de F13 de F13 o  o F15  F15 si  si es superior. A este número importante de fallos, se podría añadir  F1, F2,fiabilidad F5, F11  F11 aly  F12  F12    si seconsiderablemente reduce el límite de establecido, aunque se perdería aumentar el detección riesgo de  producción de falsos positivos. Se observa que la presión de escape está influenciada ante fallos relacionados con la renovación de la carga del motor, en la admisión,  F3 y F6, o en el escape, F14 escape,  F14 y  y F15  F15 y de los grupos de turbosobrealimentación , F4 o F4  o  F13  F13,, así como ante fallos en la cantidad de combustible inyectado en el motor,  motor,   F7 , o pérdida de relación de compresión en el cilindro, F8 cilindro,  F8.. Siendo, como es de esperar, el fallo en la turbina,  F13,  F13, el  el que más influye en la variación de este síntoma.

244

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8.2.9. Activación de tem temperatura peratura gases entrada turbina como síntoma síntoma de fallos. La temperatura de entrada a cada una de las turbinas ya se tenían en cuenta en la base de datos original, síntomas S18 S18   y S19 (TT51-A1 TT51-A1   y TT51-B1 TT51-B1)) de la base de datos FMECA Tabla 5.5. Con la ayuda de las simulaciones realizadas, este síntoma puede ser utilizado como indicador de más tipos de fallos y además existe mayor seguridad en los resultados de la matriz de decisión ante uno u otro tipo de fallos relacionados con los  procesos termodinámicos del motor. La Tabla 8.9 muestra cuando la temperatura de gases de entrada a turbinas turbinas A y B, puede ser utilizada como como indicador de cada tipo de fallo. En la matriz de la base de datos original, este parámetro está como síntoma de todos los fallos analizados, haciendo imposible distinguir entre un tipo de fallo y otro. Gracias a la simulación estos parámetros, S18 S18   y S19 S19,, se pueden ser indicadores de que se está  produciendo el fallo F4, fallo F4, F6, F8 o F8 o F13  F13 cuando  cuando es superior a su valor normal. Obteniendo de esta forma una base de datos más específica y fiable a la hora de distinguir o prever un tipo u otro de fallo. Aunque, se espera que la temperatura en el escape esté relacionada con el síntoma de presión en el escape, se observa que la temperatura es sensible en el sentido contrario ante, por ejemplo, una reducción de la relación de compresión en el cilindro, fallo del compresor o fallo en la turbina, mientras que son sensibles en el mismo sentido cuando se produce un fallo de mal asiento de válvula de admisión del cilindro. t urbina como síntoma de fall fallos. os. Tabla 8.9. Activación de temperatura gases entrada turbina

La mayoría de fallos produce un efecto de subida de la temperatura de entrada de gases a la turbina, excepto los fallos en la reducción de cantidad de combustible inyectado y adelanto del timing   en los cilindros. Aunque habría que reducir el límite de variación establecido, también se podría detectar  F2, F3, F7 y  F15, F15, aunque, como en todos los casos, existiendo el riesgo de producirse falsos positivos.

245

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8.2.10. de fallos.

Activación de temperatura gases salida turbina como síntoma

Este es un caso análogo al anterior, en el que las temperaturas de entrada a la turbina se consideraban síntoma de todos los posibles fallos en la base de datos de fallos original. Aquí, las temperaturas de salida de la turbina se consideraban que eran síntoma de sólo un tipo de fallo en la base de datos de fallos original, fallo en la turbina ( F13)  F13).. Con los resultados obtenidos en el trabajo de simulación se amplía el número de fallos en los que este parámetro puede ser síntoma, en vez de reducirlos. La Tabla 8.10 muestra cuando la temperatura de gases de salida de turbinas A y B, síntomas S20 S20 y  y S21 (TT52 A y TT52-B) TT52- B) de  de la base de datos FMECA Tabla 5.5, puede ser utilizada como indicador de fallo, siendo de cuatro tipos de fallo fa llo más que en la base datos de fallos original. En la tabla 8.10 se observa que las temperaturas a la salida de la turbina, S20 S20   y S21 S21   suben de forma importante cuando produce un fallo en la turbina,  F13  F13,, como era de esperar, y como ya que se tenían en cuenta como indicadores en la base de datos original realizada por expertos. Ahora, estas variables se muestran también como síntoma de los fallos F4, fallos  F4, F6, F8 y  F15  F15 cuando  cuando es superior a su valor normal. Al igual que en S18 S18 y  y S19 S19,, la mayoría de fallos produce un efecto de subida de la temperatura de salida de gases de la turbina. Reduciendo el límite de variación establecido, S20 y  S21  S21   podrían ser además síntoma s íntoma de los fallos  F2, F3, F5 y F7 , aunque con riesgo de que se  produzcan falsos positivos.

Tabla 8.10. Activación de temperatura gases salida turbina t urbina como síntoma de fall fallos. os.

Es destacable que la temperatura de salida de las turbinas puede detectar un aumento en la contrapresión de escape tras la turbina,  F15  F15,, mientras que la temperatura de entrada de las turbinas no es capaz de detectar este fallo debido a que la variación este último  parámetros es menor a la variación mínima del 5% impuesta para ser relevante. La mayor influencia como indicador a los fallos que tiene la temperatura de salida en comparación a la temperatura de entrada de turbina es debida sobre todo a que el valor de la temperatura de salida es bastante menor que su valor a la entrada de la turbina, por lo tanto, cualquier aumento en su valor hace que su valor porcentual relativo respecto a su valor nominal sea mayor. Esto tiene una consecuencia positiva, en el sentido de que es más fácil detectar el síntoma, y negativas, en el sentido de que pequeñas variaciones debidas a factores ajenos a un fallo puedan confundirse con uno y dar falsos positivos.

246

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

 No obstante, manteniendo el e l criterio de que sólo se active act ive como síntoma cuando supere el 5% del valor normal, no deben producirse falsos positivos.

8.3.  OPTIMIZACIÓN DE LA BASE DE DATOS DE FALLOS. Una vez determinado parámetro a parámetro, qué síntomas identificados por simulación tiene cada uno de los fallos introducidos, es posible realizar una actualización de la base de datos original FMECA para mejorarla. La Tabla 8.11 muestra a la izquierda la matriz de la base de datos de fallos original FMECA, Tabla 8.11 (a) y a la derecha la base de datos de fallos optimizada Tabla 8.11 (b). Se recuerda que se tiene en cuenta el criterio de activación de un síntoma cuando la variación sea igual o superior al 5%. De la misma forma que en la Tabla 5.5 del Capítulo 5, los valores H- “ High  High”” y LL - “ Low  Low”” que aparecen en la Tabla 8.11, indican si el valor del síntoma es alto o bajo respectivamente para el modo de fallo donde aparece. En la Tabla 8.11 (b) se marcan en color verde más el índice 1 las casillas de los síntomas que han cambiado respecto a la  base de datos original, y en color azul más el e l índice 2, a los síntomas que se han añadido respecto a la base de datos original y que antes no se tenían en cuenta. Todas las casillas coloreadas en verde suponen una mejora en la base de datos original. Unas veces es por corrección respecto al valor original y otras porque se activa un síntoma cuando antes 1 no lo hacía. Las casillas en verde con el índice  solamente sin que esté indicado ningún valor “ H ” o “ L”  L” es porque antes la casilla activaba un síntoma y la simulación ha evidenciado que la variación no es significativa para que así sea, por lo tanto el  parámetro de la columna correspondiente a esa casilla deja de ser un síntoma para el fallo de la fila correspondiente a dicha casilla. Es importante tener en cuenta que la base de datos original está realizada en base a la experiencia y consideración de expertos en operación y mantenimiento de este tipo de motor guiados por la metodología sistemática RCM. Sin embargo sin realizar una evaluación de la evolución de los parámetros monitorizados ante fallos reales o simulados.

247

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

Tabla 8.11. Comparativa base de datos de fallos original (a) y optimizada (b).

a

248

 

 b

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

Básicamente, los síntomas definidos en la base de datos optimizada son similares a los de la base de datos original. No obstante se mejora en tres sentidos, en primer lugar aumenta el número de parámetros que se utilizan como síntomas potenciales (S31, S32, S33, S34, S35, S36 y S37). En segundo segundo lugar aumenta en general el número de síntomas  por cada fallo, haciendo más fácil su detección. En tercer y último ú ltimo lugar, desaparecen algunos síntomas que, a priori, se habían establecido por experiencia pero que la simulación de fallos indica que no varían lo suficiente como para poder detectarlo de forma robusta. Todos estos cambios se pueden observar en la Tabla 8.11, donde las filas F1 a F15potenciales. corresponden a los fallos simulados y las columnas desde S1 a S37 los síntomas Lo primero que se observa es que la base de datos optimizada (b) tiene siete columnas más, que corresponden a nuevos síntomas. Los nuevos síntomas son S31 S31   y S32 S32   temperatura de aire de salida del compresor lado A y lado B respectivamente, S33 S33    presión en colector de escape, S34 S34   presión media indicada, S35 S35   y S36   velocidad turbocompresor A y B respectivamente, y S37   caudal másico de aire. El resto de síntomas son los mismos de la base de datos de fallos FMECA original, Tabla 5.5 del Capítulo 5. La existencia de nuevos síntomas permite identificar con mayor precisión muchos de los fallos. El caso más llamativo es el conjunto de fallos  F6, F9, F11, F12  F12  y  F15,, que en la base de datos original compartían síntomas, mientras que en la  F15 optimizada pueden ser distinguidos unos de otros. También hay casos de síntomas que existían y han sido actualizados, en concreto activación de síntomas que antes no lo estaban, como por ejemplo alta presión en colector de admisión S4 S4 para  para la detección del fallo de eficiencia en el enfriador de aire  F2,, o por el contrario, desactivación de síntomas, como es el caso de la desaparición de  F2 la temperatura de salida de gases de cilindros S6   a S17  como   como síntoma en los fallos  F1,  F2, F3, F5, F9, F10, F11, F12, F14 y  F15. F15. En el primer caso, algunos síntomas son  pasados por alto por la experiencia, en e n el segundo, los síntomas estimados est imados también por experiencia no tienen la magnitud suficiente para poder ser detectados con fiabilidad. En definitiva, la base de datos original, no es capaz en varios casos de diferenciar entre un fallo u otro por coincidencia de los síntomas, sin embargo, la base de datos optimizada consigue diagnosticar de forma unívoca todos los modos de fallo estudiados. Existe unacomparten excepciónlos a la afirmación anterior, los fallos de regulación de válvulas  F9   y  F9  F10  F10, , que síntomas de reducción de velocidad S1 S1 y  y potencia S2 S2 y  y aumento de consumo de combustible S3 S3.. El simulador indica que el resto de parámetros termodinámicos sufre una variación muy inferior al 5%. Para estos dos fallos tampoco valdría la reducción del límite de detección hasta acercarlo de forma razonable a la  precisión de la instrumentación instru mentación (aprox. un 3%), debido a que existe una variación de los síntomas inferior al 1%. En este caso concreto, sólo quedan dos opciones, renunciar a la detección de este tipo de fallo de regulación o ampliar el sistema de detección añadiendo otra segunda fase que se ejecute cuando se llegue a este punto de indefinición. Esta ampliación tendría que explotar de otra forma la información detallada sobre la respuesta del motor diésel marino que ofrece el simulador de fallos. Como se puede comprobar el resultado de la metodología propuesta es un sistema de diagnosis de motor diésel marino que consigue detectar y diagnosticar fallos de una forma fiable y robusta. 249

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8.4.  VALIDACIÓN DE LA MEJORA DE LA BASE DE DATOS. EJEMPLO DE DETECCIÓN DE FALLOS. En este apartado se realiza una comparativa entre la base de datos de fallos mejorada gracias a la simulación de fallos, siendo este uno de los resultados más relevantes del trabajo realizado en esta tesis doctoral y la base de datos de fallos original, siguiendo la metodología de mantenimiento basado en la fiabilidad RCM. El objetivo es comparar el resultado que ofrecen la base de datos de fallos FMECA original y la base de datos de fallos optimizada cuando ambas se alimentan con los mismos datos de entrada y comparar la fiabilidad de cada una de las bases de datos. Como es de imaginar, imaginar, no se dispone de datos reales históricos de fallos en el motor en los que se haya producido los 15 fallos termodinámicos más típicos, esto se debe a dos razones principalmente, en primer lugar, el número de unidades de este tipo de motor que se monitorizan y a los que el autor tiene acceso es limitado y, en segundo lugar, se está monitorizando el comportamiento de los motores desde hace relativamente poco tiempo, menos de 5 años. Entre todos los datos monitorizados, se tienen datos del fallo  F7 , misfiring   o fallo en el sistema de suministro de combustible, identificado y verificado. Este tipo de fallo se manifiesta de forma similar cuando falla la bomba de circulación, de inyección, el inyector o el pirómetro, pirómetro , con la salvedad de que cuando es la  bomba de circulación el problema suele ser en todos los cilindros, si es la bomba de inyección puede ser en todos o en uno solo, y si es el inyector o el pirómetro suele ser sólo un cilindro. En el caso de fallo de un pirómetro se trata de un fallo real en la combustión si no del sistema de monitorización. Los datos reales con este fallo también fueron utilizados para validación del sistema de detección de fallos mediante técnicas de inteligencia artificial descrito en el Capítulo 4. Se decide realizar una validación de la base de datos de fallos completa de los 15 fallos estudiados. Primero se utiliza el modelo termodinámico como simulador del motor diésel con fallo, y en una segunda validación, se utilizan los datos reales de un motor del mismo modelo al estudiado y modelado que tuvo el fallo F7  fallo  F7  a  a bordo. Ambas validaciones se realizan de forma ciega, es decir, el simulador del motor con el fallo introducido o el motor con el fallo real alimentan las bases de datos sin que éstas sepan, a priori, el fallo que tiene el motor. En ambos casos, la entrada a las bases de datos son los síntomas activos en cada momento. Para la validación las dos bases de datos se colocan en paralelo y se alimentan con los mismos datos de entrada en cada momento, ver Fig. 8.1, ya sea para el caso de validación de detección de fallos simulados o para la validación de fallos reales.

250

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

Fig. 8.1. Esquema validación comparativa base de datos de fallos. Según se indica en la Fig. 8.1, un comportamiento con fallo real o simulado puede  producir uno o varios síntomas activos, que serán parámetros cuyo valor alcanza al menos un 5% de variación respecto a su valor normal. Los parámetros que cumplen ese criterio serán etiquetados con el valor alto “H” o bajo “L” en función de que el valor sea mayor o menor que el valor normal respectivamente. Como se indicó en los capítulos 6 y 7, el valor normal está establecido por el valor del parámetro funcionando en condiciones normales, sin fallo, para diferentes puntos de funcionamiento. Las dos  bases de datos de fallos que qu e se comparan son las que se muestran en la Tabla 8.11, por lo tanto ambas son estáticas, es decir, no cambian según la carga del motor. La base de datos de fallos fallos optimizada podría podría adaptar la activación de síntomas síntomas según el punto de funcionamiento del motor. No obstante, se consigue un sistema más sencillo e igualmente eficaz siendo estática la base de datos. A continuación se describen los dos procesos de validación de la base de datos optimizada. Validación 1 con parámetros monitorizados en el modelo y Validación 2 con datos procedentes de la monitorización de un motor real. r eal.

8.4.1. Validación 1  –   Alimentación de base de datos de fallos con datos  procedentes del modelo. El modelo termodinámico unidimensional está construido y validado según se indica en el Capítulo 6, y es capaz de simular fallos termodinámicos según se muestra en el Capítulo 7. Por lo tanto, es posible introducir los 15 fallos termodinámicos más típicos uno a uno sin que las bases de datos conozcan que fallo se está simulando e introducir los resultados del modelo para alimentar a la base de datos. La base de datos interpretará los parámetros como síntomas según la variación de los datos monitorizados respecto al valor normal, y estos síntomas relacionados entre sí en función de los que están activos en cada momento nos indican el tipo de fallo que se está produciendo en el motor. Para la validación se simula un perfil operativo típico en el que el motor en primer lugar arranca, estando en vacío se conecta a la red eléctrica del buque, y posteriormente se van produciendo saltos de carga ascendentes hasta llegar a la carga nominal. Se establecen los saltos de carga del 25%, 50%, 75% y 100%, para después, reducir la carga hasta parar. En la realidad, no es habitual superar el 80% de carga, ya que automáticamente se conecta otro grupo a la red para repartir la carga. Sin embargo, se ha preferido llegar a la máxima carga para conocer el resultado que producen las bases 251

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

de datos de fallo en todo t odo el rango de operación del motor. Aunque Aunque no sea habitual que el motor alcance el 100% de carga, sí es posible que los motores lleguen a ese punto de forma ocasional. En la interpretación interpretación de esta simulación, simulación, se toma la premisa premisa de que el fallo fallo ya existe existe antes de arrancar el motor o se produce antes de dar el primer salto de carga. De esta forma, se puede comprobar la precisión en el diagnóstico en cada punto de funcionamiento del motor simulado. Teniendo en cuenta la descripción del ensayo anterior, se procede a introducir los 15 fallos uno a uno en el modelo termodinámico construido en AVLboost©. Cada fallo se simula en las cargas y en el orden establecido, 25%, 50%, 75% y 100%. A continuación se muestra desde la Tabla 8.12 a Tabla 8.26 los resultados de la simulación de cada fallo. Se muestra el diagnóstico que producen ambas bases de datos en cada punto de carga, resaltando en fondo de color rojo cuando no hay ningún diagnóstico, en color naranja cuando no se cumple la combinación exacta de síntomas existiendo diagnostico múltiple con varios posibles fallos y en color verde cuando el diagnóstico es inequívoco  porque se cumple una combinaci co mbinación ón de síntomas única en la base de datos. Para realizar una mejor validación comparativa, se ofrece el diagnóstico utilizando solamente los  parámetros simulados por el modelo termodinámico, sin tener en cuenta el resto de  parámetros que están est án como síntomas en las bases base s de datos de fallos. La razón razó n de haber dejado fuera el resto de síntomas es porque son activados por parámetros que no pueden ser simulados y además son los mismos en las dos bases de datos. Por lo tanto, se considera que la validación comparativa es más exacta de la forma plantada. No obstante, en los casos en los que la utilización del resto de síntomas no simulados modifica el resultado del diagnóstico, se indica qué diagnostico habría teniendo en cuenta todos los síntomas de las bases de datos asumiendo la premisa de que los síntomas no simulados se activan cuando se produce el fallo simulado, tal y como establecen ambas bases de datos dato s por expertos en mantenimiento y operación.

8. 8.4. 4.1. 1.1. 1. A lilime mentaci ntación ón de ba base se d de e da dato toss de fallos con ffallo allo F 1 si simulado mulado en el m mod odelo elo..  En primer lugar se realiza la simulación de un fallo por caída de presión excesiva en filtro lado A (F1) (F1),, como se describe en Apartado 7.2.1 del Capítulo 7.

252

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

Tabla 8.12. Comparativa diagnóstico base de datos original vs. optimizada ante fallo F1 simulado.

La Tabla 8.12 muestra los resultados de la simulación, indicando los síntomas que identifica la base de datos de fallos original a) y la base de datos optimizada b) en cada  punto de funcionamiento funcionamiento y el diagnóstico correspondiente. Se observa que el sistema sist ema sólo detecta síntomas cuando el motor alcanza plena carga, antes no detecta nada. En ese momento la base de datos original ofrece como diagnóstico seis (6) posibles fallos, caída de presión excesiva en filtro de aire (F1) (F1),, reducción de eficiencia en enfriador de aire (F2) (F2),, caída de presión excesiva en enfriador de aire (F3) (F3),, fallo en compresor de aire (F4),, fuga de aire en colector de admisión (F5) (F4) (F5),, fallo en turbina (F13) (F13) o  o fuga de carga en colector de escape (F15) (F15).. Por su parte, la base de datos optimizada diagnostica de forma inequívoca el fallo que se está produciendo en realidad, caída de presión excesiva en filtro de aire (F1). En este caso la diferencia fundamental es la identificación del síntoma de bajo gasto másico de aire (S37) (S37).. Por lo tanto es necesario monitorizarlo como se recomienda en apartados anteriores. El otro síntoma que detectan ambas bases de datos es el de baja presión de aire a ire de carga (S4) (S4).. En el caso de que se tuviera en cuenta todos los síntomas de la base de datos, incluidos los no simulados, la diferencia es que se habría detectado que existe un problema desde el principio, aunque sin saber cuál de los 15 fallos sería el que se está produciendo, ya que los síntomas de baja potencia (S2 (S2)) y alto consumo (S3 (S3)) se activarían en principio según indicación de expertos en todos ellos. El síntoma de baja velocidad ( S1 S1)) se activaría sólo a plena carga, por no poder el motor satisfacer el 100% de la potencia demandada. A plena carga, el diagnóstico sería el mismo que el indicado teniendo en cuenta sólo los parámetros simulados, con lo que no se aporta nada nuevo salvo mayor calidad de diagnóstico al haber más síntomas que identifican el fallo.

253

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8. 8.4. 4.1. 1.2. 2. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F F2 2 si simulado mulado en el m mod ode elo.  En segundo lugar se realiza la simulación de un fallo por reducción de eficiencia en enfriador de aire (F2) (F2),, como se describe en Apartado 7.2.2 del Capítulo 7.

Tabla 8.13. Comparativa diagnóstico base de datos original vs optimizada ante fallo F2 simulado.

La Tabla 8.13 muestra los resultados de la simulación del fallo (F2) (F2),, de forma similar al caso anterior de (F1) (F1).. Se observa que el sistema comienza a detectar síntomas a partir del 75% de carga. En ese momento, ambas bases de datos de fallos ofrecen como diagnóstico dos opciones, reducción de eficiencia en enfriador de aire (F2) (F2),, y otra más. El otro fallo posible según la base de datos de fallos original es caída de presión excesiva en enfriador de aire (F3) (F3),, mientras que la base de datos optimizada ofrece como segunda opción el fallo de mal asiento de válvula de admisión (F6) (F6).. Hay que llegar a plena carga para que la base de datos de fallos optimizada diagnostique de forma inequívoca el fallo real que se está produciendo, (F2) (F2).. Si se tienen en cuenta todos los síntomas de la base de datos, incluidos los no simulados, ambas bases diagnostican desde primer momento el fallo (F2) (F2) de  de, forma inequívoca. Esto de es datos debido a que aunque loselsíntomas de baja velocidad (S1), (S1)  baja potencia pot encia (S2) (S2) y  y alto consumo (S3) (S3) se  se producen en los 15 fallos, el síntoma de baja  presión de agua de refrigeración (S22 ( S22)) sólo se produce en (F2) (F2).. No obstante, no siempre que se produce F2 produce  F2 tiene  tiene porqué detectarse una baja presión de agua, solamente cuando el fallo es importante, en cambio con la base de datos optimizada se detecta el fallo antes de que se convierta en fallo importante, realizando así la función de predicción del fallo.

254

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8. 8.4. 4.1. 1.3. 3. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F F3 3 si simulado mulado en el m mod odelo elo..  A continuación se realiza la simulación de un fallo por caída de presión excesiva en enfriador de aire (F3) (F3),, como se describe en Apartado 7.2.3 del Capítulo 7.

Tabla 8.14. Comparativa diagnóstico base de datos original vs optimizada ante fallo F3 simulado.

La Tabla 8.14 muestra los resultados de la simulación del fallo ( F3 ( F3)) de la misma forma que en los fallos simulados anteriormente. Se puede observar que el sistema detecta síntomas desde el principio, cuando el motor funciona a baja carga. No obstante tanto la  base de datos original co mo la optimizada o frecen como co mo diagnóstico seis (6) ( 6) opciones. La base de datos original indica que puede estar produciéndose caída de presión excesiva en filtro de aire (F1), (F1), caída  caída de presión excesiva en enfriador de aire (F3) (F3),, fallo en compresor de aire (F4) (F4),, fuga de aire en colector de admisión (F5) (F5),, fallo en turbina (F13) o fuga de carga en colector de escape (F14) (F14),, y la base de datos optimizada (F3), (F4), (F14) y (F14) y además mal asiento de válvula de admisión (F6) (F6),, misfiring  (F7) (F7) o  o pérdida de relación de compresión del cilindro (F8) (F8).. Ambas bases de datos detectan como síntoma baja presión de aire en colector de admisión (S4) (S4),, la base de datos optimizada, además bajadatos presión en colector de escape el (S33). (S33) . Cuando se alcanza la mitad de, carga, ladetecta base de optimizada diagnostica fallo de forma inequívoca, (F3), (F3) gracias a la detección de un tercer síntoma, bajo gasto másico (S37) (S37).. Para llegar a este diagnóstico es necesario monitorizar en el motor real los parámetros (S33) (S33) y  y (S37), (S37), que  que no se hace actualmente. Tener en cuenta los síntomas no simulados que están en ambas bases de datos no cambia en este caso el resultado del diagnóstico.

255

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8. 8.4. 4.1. 1.4. 4. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F 4 si simulado mulado en el m mod odelo elo..  En este apartado se realiza la simulación de un fallo en compresor de aire A (F4) (F4),, como se describe en Apartado 7.2.4 del Capítulo Capítulo 7.

Tabla 8.15. Comparativa diagnóstico base de datos original vs optimizada ante fallo F4 simulado.

La Tabla 8.15 muestra los resultados de la simulación del fallo ( F4  F4). ). Se observa que el sistema detecta síntomas desde el principio, cuando el motor funciona a baja carga. La  base de datos original ofrece como diagnóstico seis (6) opciones, caída de presión excesiva en filtro de aire (F1), (F1), caída  caída de presión excesiva en enfriador de aire (F3) (F3),, fallo en compresor de aire (F4) (F4),, fuga de aire en colector de admisión (F5) (F5),, fallo en turbina (F13) o fuga de carga en colector de escape (F14) (F14),, mientras que la base de datos optimizada identifica desde el principio de forma inequívoca el fallo real, ( F4  F4). ). Ambas  bases de datos detectan como síntomas baja presión de aire en colector de admisión (S4),, alta temperatura de gases de escape en salida de cilindro A1 (S6) (S4) (S6) y  y en entrada de turbina A (S18). (S18). Además,  Además, la base de datos optimizada, detecta alta temperatura de gases salida de turbina A (S20) (S20),, baja presión en colector de escape A (S33) (S33),, baja velocidad media de turbocompresor A (S35) (S35) y  y bajo gasto másico de aire (S37) (S37).. Si se añaden los síntomas no simulados que están en ambas bases de datos, el resultado del diagnóstico no cambia.

256

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8. 8.4. 4.1. 1.5. 5. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F F5 5 si simulado mulado en el m mod odelo elo..  A continuación se realiza la simulación de un fallo por fuga de aire en colector de admisión (F5) (F5),, como se describe en Apartado 7.2.5 del Capítulo Capítulo 7.

Tabla 8.16. Comparativa diagnóstico base de datos original vs optimizada ante fallo F5 simulado.

La Tabla 8.16 muestra los resultados de la simulación del fallo ( F5 ( F5). ). El sistema detecta síntomas desde el principio, sin embargo la base de datos original ofrece como diagnóstico (6) posibles fallos y la optimizada ofrece (11). El síntoma detectado por ambas bases de datos es el mismo, baja presión de aire de carga ( S4 S4), ), pero en el segundo caso la respuesta del motor según indica el simulador en el Capítulo 7 manifiesta que hay más fallos que afectan a este parámetro. La base de datos original indica que puede estar produciéndose caída de presión excesiva en filtro de aire (F1), (F1),   caída de presión excesiva en enfriador de aire (F3) (F3),, fallo en compresor de aire (F4) (F4),, fuga de aire en colector de admisión (F5) (F5),, fallo en turbina (F13) o fuga de carga en colector de escape (F14),, y la base de datos optimizada (F1), (F3), (F4), ( (F14) (F4), ( F5), (F13), (F14) y (F14) y además mal asiento de válvula de admisión (F6) (F6),, misfiring (F7) (F7),, pérdida de relación de compresión del cilindro (F8 (F8), ), adelanto de inyección (F11) inyección (F11) o caída de presión excesiva en conductos de escape (F15) (F15).. Cuando el motor llega al 50% de carga, la base de datos optimizada detecta un nuevo síntoma, baja temperatura de aire de salida del compresor (S31). (S31). Este  Este nuevo síntoma hace que se diagnostique el fallo real, rea l, (F5) de forma unívoca. unívoca. El resto de síntomas no simulados con el modelo no modifican el diagnóstico realizado solamente con los síntomas simulados.

257

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8. 8.4. 4.1. 1.6. 6. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F 6 si simulado mulado en el m mod odelo elo..  A continuación se realiza la simulación de un fallo por mal asiento de válvula de admisión (F6) (F6),, como se describe en Apartado 7.2.6 del Capítulo Capítulo 7.

Tabla 8.17. Comparativa diagnóstico base de datos original vs optimizada ante fallo F6 simulado.

La Tabla 8.17 muestra los resultados de la simulación del fallo ( F6   F6 ). ). Se puede observar que el sistema detecta síntomas desde el primer momento. La base de datos original ofrece como diagnóstico siete (7) opciones, mientras que la base de datos optimizada diagnostica el fallo real de forma unívoca desde el principio, (F6) (F6).. La base de datos original ofrece como posibles fallos, ( F6)  F6),, misfiring (F7) (F7),, pérdida de relación de compresión del cilindro (F8 (F8), ), bajo huelgo de regulación de válvulas (F9), adelanto de inyección (F11), inyección  (F11), retraso de inyección (F12) inyección (F12) o caída de presión excesiva en conductos de escape (F15) (F15),, mientras que la base de datos optimizada identifica desde el principio de forma inequívoca el fallo real, ( F6  ( F6 ). ). Ambas bases de datos detectan como síntomas alta temperatura de gases de escape en salida de cilindro A1 (S6) (S6) y  y en entrada de turbina A (S18). Además, (S18).  Además, la base de datosde optimizada, detecta baja presión de aire temperatura en colector de admisión (S4),, alta (S4) temperatura gases salida de turbina A (S20) (S20), , alta de aire después del compresor (S31) (S31),, baja presión en colector de escape A (S33) (S33),, baja  presión media indicada (S34), (S34), baja  baja velocidad media de turbocompresor A (S35) (S35)   y bajo gasto másico de aire (S37) (S37).. La combinación de este número elevado de síntomas  produce un diagnóstico diagnóstico único y robusto por parte de la base de datos optimizad optimizada. a. El diagnóstico no cambia al añadir los síntomas no simulados.

258

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8. 8.4. 4.1. 1.7. 7. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F 7 si simulado mulado en el m mod odelo elo..  En este apartado se realiza la simulación de misfiring parcial en cilindro 1A (F7) (F7),, como se describe en Apartado 7.2.7 del Capítulo 7.

Tabla 8.18. Comparativa diagnóstico base de datos original vs optimizada ante fallo F7 simulado.

La Tabla 8.18 muestra los resultados de la simulación del fallo ( F7 ). ). Se observa que el sistema detecta síntomas desde el principio, cuando el motor funciona a baja carga. La  base de datos dato s original ofrece como co mo diagnóstico tres tr es (3) opciones, misfiring parcial (F7), (F7),    pérdida de relación de compresión del cilindro (F8) (F8)   o mayor huelgo de regulación de válvulas (F10), (F10), mientras  mientras que la base de datos optimizada identifica desde el principio de forma inequívoca el fallo real, ( F7  ( F7 ). ). Las dos bases de datos detectan como síntoma baja temperatura de gases de escape en salida de cilindro A1 (S6). (S6). Además,  Además, la base de datos optimizada, detecta baja presión de aire de carga (S4) (S4),, baja presión en colector de escape A (S33) (S33),, baja presión media indicada (S34) (S34),, alta velocidad media de turbocompresor A (S35) (S35) y  y bajo gasto másico de aire (S37) (S37).. Si se tienen en cuenta todos los síntomas de la base de datos, incluidos los no simulados, ambas bases de datos diagnostican desde el primer momento el fallo (F7) (F7) de  de forma inequívoca. Esto es debido a que aunque los síntomas de baja velocidad (S1) (S1),,  baja potencia pot encia (S2) (S2) y  y alto consumo (S3) (S3) se  se producen en los 15 fallos, el síntoma de baja  presión de aceite de lubricación (S23) (S23)   y de contaminación del aceite por combustible (S30)   sólo se produce en (F2) (S30) (F2).. No obstante, sólo se podría detectar (S23) y (S30) cuando la anomalía se está produciendo durante un tiempo y ya es importante. Además sería necesario tener los resultados de los análisis de la contaminación del aceite por combustible para poder asegurar el fallo de tipo ( F7  ( F7 ) en el caso de utilizar sólo la base de datos original. Con la base de datos optimizada el fallo está diagnosticado sólo a  partir de los datos monitor monitorizados izados en continuo, lo que hace que sea posible predecir el fallo antes de que llegue a ser importante en el funcionamiento del motor.

259

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8. 8.4. 4.1. 1.8. 8. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F 8 si simulado mulado en el m mod odelo elo..  En este apartado se realiza la simulación de baja compresión en cilindro 1A (F8) (F8),, como se describe en Apartado 7.2.8 del Capítulo 7.

Tabla 8.19. Comparativa diagnóstico base de datos original vs optimizada ante fallo F8 simulado.

La Tabla 8.19 muestra los resultados de la simulación del fallo ( F8).  F8). Se puede observar que el sistema detecta síntomas desde el principio, cuando el motor funciona a baja carga. La base de datos original ofrece como diagnóstico los (15) fallos termodinámicos simulados, mientras que la base de datos optimizada diagnostica de forma inequívoca el fallo real, ( F8  F8). ). A valores superiores de carga, la base de datos original reduce el número de posibles fallos que ofrece, aun así se queda en siete (7) opciones, mal asiento de válvula de admisión (F6), (F6), misfiring  misfiring parcial (F7), (F7), pérdida  pérdida de relación de compresión del cilindro (F8), (F8),   bajo huelgo de regulación de válvulas (F9) (F9),, adelanto de inyección (F11), retraso de la inyección  inyección  (F12) o (F12) o fuga de carga en colector de escape (F15) (F15).. Las dos bases de datos detectan como síntomas alta temperatura de gases en salida de cilindro A1 (S6) (S6) y  y alta temperatura de entrada turbina A (S18). (S18). Además,  Además, la base de datos optimizada, detecta baja presión de aire de carga (S4) (S4),, alta temperatura de salida de turbina A (S20), (S20), baja  baja temperatura de aire en salida de compresor (S31), (S31), baja  baja presión en colector de escape A (S33) (S33),, baja presión media indicada (S34) (S34),, baja velocidad media de turbocompresor A (S35) (S35) y  y bajo gasto másico de aire (S37) (S37).. Si se tienen en cuenta todos los síntomas de la base de datos, incluidos los no simulados, ambas bases de datos diagnostican desde el primer momento el fallo (F8) (F8) de  de forma inequívoca. Esto es debido a que aunque los síntomas de baja velocidad (S1) (S1),,  baja potencia (S2) (S2)   y alto consumo (S3) (S3)   se producen en los 15 fallos, los síntomas de  baja presión de aceite de lubricación (S23) (S23)   y de contaminación del aceite por Cromo (S24) , (S24)  , Cobre (S25), (S25), Hierro  Hierro (S26), (S26), Manganeso  Manganeso (S27) (S27) y  y Silicio (S28) (S28) sólo  sólo se producen en (F8).. Los síntomas de contenido de metales en aceite irán apareciendo y aumentando su (F8) valor conforme va aumentando el desgaste. Los indicadores de contenido de partículas metálicas en aceite suelen aparecer desde una fase inicial, por lo que se espera aparezcan desde el principio. Para disponer de ellos es necesario realizar análisis 260

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

 periódicos con co n la frecuencia apropiada o tener un sistema de monitorización del aceite on-line.

8. 8.4. 4.1. 1.9. 9. A lilime mentaci ntación ón de ba base se d de e da datos tos d de e fallos con ffallo allo F F9 9 si simulado mulado en el m mod odelo elo..  En este apartado se realiza la simulación de un fallo por bajo huelgo de regulación de válvulas (F9) (F9),, como se describe en Apartado Apart ado 7.2.9 del Capítulo Capítulo 7. de datos original vs optimizada ante fallo F9 Tabla 8.20. Comparativa diagnóstico base simulado.

La Tabla 8.20 muestra los resultados de la simulación del fallo ( F9 ( F9)) de la misma forma que en los fallos simulados anteriormente. Lo primero que se observa es que el sistema no detecta ningún síntoma en ninguna carga, ni la base de datos original, ni la base de datos optimizada. Esto es así porque aunque existen síntomas, varían muy poco, por debajo del nivel de variación mínimo establecido en un 5% respecto al valor cuando funciona normalmente. En el caso de que se tuviera en cuenta todos los síntomas de la base de datos, incluidos los no simulados, la diferencia es que se habría detectado que existe un problema desde el principio, aunque sin saber cuál de los (15) fallos sería el que se está produciendo, ya que los síntomas de baja velocidad (S1), baja potencia (S2) y alto consumo (S3) se activarían en principio según indicación de expertos en todos ellos. Como conclusión a los resultados de este fallo, se debe decir que sería necesario la inspección periódica del huelgo para comprobar que la holgura entre válvulas de admisión / escape y balancín está dentro de su tolerancia de diseño y ajústalo en caso contrario.

261

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8. 8.4. 4.1. 1.10. 10. A lilime menta ntaci ción ón d de e b base ase de da dato toss de fallos co con n ffallo allo F F10 10 si simulad mulado o e en n el modelo.  En este apartado se realiza la simulación de un fallo por huelgo alto de regulación de válvulas (F10) (F10),, como se describe en Apartado 7.2.10 del Capítulo Capítulo 7.

Tabla 8.21. Comparativa diagnóstico base de datos original vs optimizada opt imizada ante fallo F10 simulado.

La Tabla 8.21 muestra los resultados de la simulación del fallo ( F10  F10). ). El resultado es exactamente el mismo que en la simulación anterior del fallo de bajo huelgo de regulación de válvulas (F9). Las mismas conclusiones al caso anterior son aplicables a este fallo.

8. 8.4. 4.1. 1.11. 11. A lilime menta ntaci ción ón d de e b base ase de da dato toss de fallos co con n ffallo allo F 11 simulad si mulado o e en n el modelo.  Se realiza la simulación del fallo por adelanto de timing de inyección en cilindro 1A (F11),, como se describe en Apartado (F11) Apart ado 7.2.11 del Capítulo Capítulo 7.

262

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

Tabla 8.22. Comparativa diagnóstico base de datos original vs optimizada ante fallo F11 simulado.

La Tabla 8.22 muestra los resultados de la simulación, indicando los síntomas y el diagnóstico correspondiente que identifican tanto la base de datos de fallos original a) como la base de datos optimizada b) en cada punto de funcionamiento. Se puede observar que el sistema comienza a detectar síntomas cuando el motor alcanza el 75% de carga. En ese momento la base de datos original sigue sin detect detectar ar nada, mientras que la base de datos optimizada detecta un síntoma, baja presión de aire de carga (S4), siendo suficiente para diagnosticar el fallo real ( F11 ( F11)) que se está simulando de forma unívoca, debido a que es el único que tiene solamente este síntoma. Otros fallos lo tienen, pero combinado con otros síntomas que no aparecen en este caso. Si se hubiera tenido en cuenta todos los síntomas de la base de datos, incluidos los no simulados, se habría detectado desde el principio que existe un problema, aunque sin saber cuál de los (15) fallos sería el que se está produciendo.

8. 8.4. 4.1. 1.12. 12. A lilime menta ntaci ción ón d de e b base ase de da dato toss de fallos co con n ffallo allo F 12 simulad si mulado o e en n el modelo.  Se realiza la simulación del fallo por retraso de timing   de inyección en cilindro 1A (F12),, como se describe en Apartado (F12) Apart ado 7.2.12 del Capítulo Capítulo 7.

263

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

Tabla 8.23. Comparativa diagnóstico base de datos original vs optimizada ante fallo F12 simulado.

La Tabla 8.23 muestra los resultados de la simulación, indicando los síntomas y el diagnóstico correspondiente que identifican las dos bases de datos de fallos en cada  punto de funcionamiento. funcionamiento. El sistema comienza a detectar síntomas cuando el motor alcanza media carga. En ese momento, como sucede en el fallo de adelanto de timing   (F11),, la base de datos original sigue sin detectar nada, mientras que la base de datos (F11) optimizada detecta dos síntomas, alta presión de aire de carga (S4) y alta temperatura de aire a la salida del compresor  (S31),  (S31), siendo esta combinación la que identifica de forma inequívoca el (F12) (F12)   que se está simulando. Cuando el motor sube de carga al 75% el diagnóstico no es tan eficiente debido a que el valor porcentual de la variación es menor del impuesto al 5%. Por otra parte, la base de datos original sigue sin detectar nada, la  base de datos dat os optimizada deja de detectar el síntoma (S4), ofreciendo o freciendo como diagnóstico dos opciones, baja eficiencia del compresor de aire (F2) o (F12). En términos generales, la base de datos optimizada, diagnostica el fallo que se está produciendo si se tiene en cuenta el ciclo completo en el que el motor moto r pasa por todo su rango de funcionamiento. Si se consideran todos los síntomas de la base de datos, incluidos los no simulados, se habría detectado desde el principio que existe un fallo, aunque sin saber cuál de los (15) fallos sería el que se está produciendo. Al llegar al 50% de carga, el diagnóstico sería el mismo que el indicado teniendo en cuenta sólo los parámetros simulados, con lo que los síntomas no incluidos no aportan nada nuevo a lo anteriormente explicado.

8. 8.4. 4.1. 1.13. 13. A lilime menta ntaci ción ón d de e b base ase de da dato toss de fallos co con n ffallo allo F 13 si simulad mulado o e en n el modelo.  En este apartado se realiza la simulación de fallo en turbina A (F13) (F13),, como se describe en Apartado 7.2.13 del Capítulo 7.

264

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

Tabla 8.24. Comparativa diagnóstico base de datos original vs optimizada ante fallo F13 simulado.

La Tabla 8.24 muestra los resultados de la simulación del fallo ( F13  F13). ). El sistema detecta síntomas desde el primer momento, cuando el motor está a baja carga. Tanto la base de datos original como la optimizada ofrecen como diagnóstico el fallo (F13) de forma inequívoca. El diagnóstico se mantiene durante todo el rango de carga. Las dos bases de datos detectan como síntoma baja presión de aire en colector de admisión (S4) (S4)   y alta temperatura de gases de escape en salida de cilindro A1 (S6), (S6), en  en entrada de turbina A (S18) y (S18)  y en salida de turbina A (S20). (S20). Además,  Además, la base de datos optimizada detecta baja temperatura de salida de aire del compresor (S31) (S31),, alta presión en colector de escape A (S33),, baja presión media indicada (S34) (S33) (S34),, baja velocidad media de turbocompresor A (S35)   y bajo gasto másico de aire (S37) (S35) (S37).. En este caso la capacidad de diagnosis es la misma para las dos bases de datos, aunque la base de datos optimizada ofrece mayor fiabilidad de diagnóstico al estar compuesto por una combinación de mayor número de síntomas. Si se añaden los síntomas no simulados que están en ambas bases de datos, el resultado del diagnóstico no cambia.

265

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8. 8.4. 4.1. 1.14. 14. A lilime menta ntaci ción ón d de e b base ase de da dato toss de fallos co con n fallo F F14 14 si simulad mulado o e en n el modelo.  A continuación se realiza la simulación de una fuga de carga en el colector de escape (F14),, como se describe en Apartado (F14) Apart ado 7.2.14 del Capítulo Capítulo 7.

Tabla 8.25. Comparativa diagnóstico base de datos original vs optimizada ante fallo F14 simulado.

La Tabla 8.25 muestra los resultados de la simulación del fallo ( F14  F14)) de forma similar a los fallos simulados anteriormente. Se puede observar que la base de datos optimizada detecta síntomas desde el principio, mientras que la base de datos original lo hace sólo a media carga. A baja carga, la base de datos optimizada ofrece como diagnóstico (4)  posibles fallos, mal asiento de válvula de admisión (F6) (F6),, misfiring parcial (F7) (F7),, pérdida de relación de compresión del cilindro (F8) o fuga de carga en colector de escape (F14) (F14).. Cuando el motor alcanza media carga, entonces es capaz de diagnosticar unívocamente el fallo (F14) (F14).. Por su parte, la base de datos original, que no detecta nada a baja carga, cuando llega a media carga ofrece como diagnóstico seis (6) opciones, caída de presión excesiva en filtro de aire (F1), (F1), caída  caída de presión excesiva en enfriador de aire (F3) (F3),, fallo en compresor de aire (F4) (F4),, fuga de aire en colector de admisión (F5) (F5),, fallo en turbina (F13) o (F14). Cuando el motor sube a cargas altas, la base de datos original vuelve a no detectar nada, mientras que la optimizada reduce su efectividad, ofreciendo como diagnóstico (7) posibles fallos, (F3), (F4), (F6), (F8) o (F8) o (F14) (F14).. La base de datos original y la optimizada detectan un mismo síntoma, baja presión de aire de carga (S4), sin embargo, la base de datos optimizada detecta también los síntomas de baja temperatura de salida de aire del compresor (S31) (S31)   y  baja presión en colector de escape (S33) (S33) cuya  cuya combinación producen el diagnóstico inequívoco inequívoco del fallo (F14) a media carga. Tener en cuenta los síntomas no simulados que están en ambas bases de datos no cambia el resultado del diagnóstico en la base de datos optimizada. En cambio sí que detecta que existe una anomalía aunque no sepa qué tipo de fallo se está produciendo, mientras que con la base de datos dat os original no detecta nada.

266

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8. 8.4. 4.1. 1.15. 15. A lilime menta ntaci ción ón d de e b base ase de da dato toss de fallos co con n fallo F F15 15 si simulad mulado o e en n el modelo.  En último lugar, se realiza la simulación de una caída de presión excesiva en conductos de escape (F15) (F15),, como se describe en Apartado 7.2.15 del Capítulo 7.

Tabla 8.26. Comparativa diagnóstico base de datos original vs optimizada ante a nte fallo F15 simulado.

La Tabla 8.26 muestra los resultados de la simulación del fallo (F15) (F15),, de la misma forma que en los fallos anteriores. Se observa que la base de datos de fallos original no detecta nada en ningún momento. Mientras, la base de datos optimizada detecta síntomas desde el principio, si bien a baja y media carga ofrece como diagnóstico (2)  posibles fallos, fallo en turbina (F13) o  caída de presión excesiva en conductos de escape (F15) (F15) y  y a partir del 75% de carga es cuando identifica de forma inequívoca el fallo (F15). (F15).   La base de datos optimizada, para ofrecer su diagnóstico a baja y media carga identifica como síntomas alta presión en colector de escape A (S33) primero, y más adelante baja presión de aire en colector de admisión (S4) y baja temperatura de aire de salida del compresor (S31). Cuando llega a cargas altas, detecta también los síntomas de bajo gasto másico de aire (S37) y alta temperatura de gases salida de turbina A (S20), que es cuando diagnostica el fallo de forma inequívoca. inequívoca. Si se tienen en cuenta todos los síntomas de la base de datos, incluidos los no simulados, el diagnóstico de la base de datos optimizada es el mismo. En cambio, sí que mejora el de la base de datos original, que pasa de no detectar nada a alertar de que existe una anomalía, aunque no puede distinguir que fallo de los 15 es el que se está  produciendo.

267

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

8. 8.4. 4.1. 1.16. 16. R esume sumen n de r esul sultad tados os of ofr ecido ci doss po porr ba base se de da datos tos d de e fallos.  Los diagnósticos producidos por las dos bases de datos de fallos en el proceso de validación comparativa se pueden resumir en la Tabla 8.27.

Tabla 8.27. Resumen validación comparativa entre base de datos dato s original vs optimizada ante simulaciones de fallo.

En la Tabla 8.27 se muestra el mejor diagnostico que es capaz de realizar cada una de las bases de datos cuando se produce cada uno de los fallos simulados. Este resumen muestra de una forma evidente que la base de datos de fallos optimizada utilizando la metodología propuesta en esta tesis consigue ofrecer un diagnóstico mucho más preciso en la mayoría de los fallos. Es importante recordar que para obtener esta mejora es necesario, aparte de disponer de la base de datos optimizada, monitorizar 5 parámetros que el motor estudiado no hace actualmente. Estas nuevas variables pueden ser realizadas por medida directa o calculada a partir de medidas existentes, como se indica en apartados anteriores. Como debilidad del sistema, no tiene la misma capacidad de diagnóstico en todos los  puntos de funcionamiento. Es decir, según la respuesta que tiene cada parámetro a cada fallo que se produce, existen momentos en los que el sistema es capaz de detectar mejor 268

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

el fallo. Esto se debe principalmente a que los valores utilizados para la diagnosis son valores relativos al valor normal de funcionamiento y cuando el valor normal de funcionamiento es alto y las variaciones pequeñas quedan por debajo del umbral del 5% de variación tomado para evitar falsos positivos. De este modo, el sistema ofrece un diagnóstico variable en cuanto a posibles fallos que puedan estar sucediendo hasta que llega al punto de funcionamiento en el que lo diagnostica de forma inequívoca. Aun teniendo esto en cuenta, se considera un sistema que mejora sustancialmente sistemas anteriores, y que en pocos minutos o a lo sumo en pocas horas, siempre será capaz de detectar los fallos que puedan producirse en el motor.

8.4.2. Validación 2  –   Alimentación de base de datos de fallos con datos monitorizados en el motor real. Se utilizan datos históricos reales de un motor diésel real funcionando en la instalación final, en el buque. Se dispone de 2 meses de datos reales de funcionamiento, enero y febrero de 2015, donde se registraron datos cada 1 minuto, haciendo un total de 17377 registros tras realizar un filtro en el que se eliminaron todos aquellos en los que el grupo no estaba funcionando. q Estos registros son los mismos que se utilizaron para validar el sistema de detección de anomalías descrito en el Capítulo 4. Entre todos los registros de funcionamiento, el sistema detección , identifica potenciales “outliers” y entre ellas determinadededetección, forma automática que7813anomalías son anomalías reales. Una vez identificados los   registros o comportamientos anómalos, es necesario etiquetar la anomalía, o lo que es lo mismo, diagnosticarla. Si no se dispone de base de datos de fallos, un experto debe hacerlo manualmente, observando los parámetros alterados en dichos registros. En este caso, el sistema de diagnosis planteado dispone de una base de datos de fallos que  puede realizar ese trabajo de forma automática. De forma análoga a como se ha realizado la validación de los 15 fallos típicos termodinámicos anteriormente mediante datos provenientes de las simulaciones, en este caso, se introducen en las dos bases de datos los síntomas activos que producen los registros históricos reales detectados como anomalías. La Tabla 8.28 muestra los resultados.

Tabla 8.28. Comparativa diagnóstico base de datos original vs optimizada ante fallo F7 real.

269

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

La Tabla 8.28 muestra los diagnósticos que ofrecen como resultado la base de datos de fallos FMECA original y la base de datos de fallos optimizada ante un fallo real de misfiring parcial (F7) (F7) sucedido  sucedido en un motor del mismo tipo que el estudiado. Se observa o bserva que ambas bases de datos detectan casi los mismos síntomas, en cambio existe una ligera diferencia que hace que la base de datos original ofrezca como diagnóstico 3  posibles fallos, misfiring   parcial (F7), (F7),   pérdida de relación de compresión del cilindro (F8)   o mayor huelgo de regulación de válvulas (F10), (F8) (F10),   mientras que la base de datos optimizada identifica de forma inequívoca el fallo real, ( F7 ). ). El único síntoma que detecta la base de datos optimizada y no lo hace la original es baja presión de aire de carga (S4) (S4),, que en este caso marca la diferencia entre aislar el fallo o no hacerlo. Este síntoma se añade en la base de datos optimizada gracias a la utilización del modelo ajustado del motor, que fue capaz de detectar que éste síntoma baja más de un 5% cuando se produce el fallo ( F7 ). ). En la base de datos de fallos original es un síntoma que no fue considerado por los expertos en operación y mantenimiento. El resultado de esta comparativa ante un fallo real ( F7  ( F7 ) tiene resultados similares en la comparativa de las dos bases de datos que el obtenido en la simulación del fallo ( F7  ( F7 ), ), es decir, que la respuesta de ambas bases de datos, tanto ante el fallo simulado como ante el fallo real, es la misma. La diferencia está en que en el caso simulado se tiene la  premisa de que el motor monitor monitoriza iza 5 parámetros más, recomendados para sacar el máximo partido de la base de datos optimizada, y en este caso no los tiene, ya que el motor real del que se extraen los datos no monitoriza aún estos 5 parámetros mencionados. En el caso de introducir los nuevos parámetros propuestos en la monitorización del motor, la respuesta de la base de datos FMECA optimizada sería más contundente. También existe otra diferencia sustancial entre el fallo simulado ( F7  ( F7 ) del apartado 8.4.1.7 y el fallo real ( F7 ) que se analiza aquí, en el caso simulado el fallo de misfiring    parcial se produce en un solo cilindro, c ilindro, Cil. 1A, 1 A, mientras que en el caso real r eal se produce en todos los cilindros. Los síntomas son los mismos, solo que en este caso real el efecto en el motor es mucho mayor, como es de esperar. Los resultados mostrados en los apartados anteriores demuestran que la base de datos FMECA optimizada mejora considerablemente la detección de fallos del motor. Siendo  posible la detección temprana de estos fallos fallos gracias a la conjunción de los datos  proporcionados por la modelización modelizac ión del motor y a la co mparación del comportamiento del motor en condiciones normales frente al comportamiento cuando está trabajando con un fallo o con el inicio de un fallo. Por otro lado la utilización de modelos bien ajustados y su comparación con el comportamiento real ha demostrado ser una herramienta robusta y objetiva que puede ser utilizada independientemente de la posible subjetividad de los expertos a la hora de realizar una base de datos FMECA. Esto, junto con otras conclusiones obtenidas en este trabajo de investigación, se expone en el siguiente capítulo.

270

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

 

8.5.  REFERENCIAS [1]

John Moubray, Moubra y, RCM2 –  RCM2 –  Reliability –   Reliability –  Centered –   Centered –  Maintenance.  Maintenance. Aladon, 2000.

[2]

AVL BOOST Theory Reference, v2013.1.

[3]

Oihane C. Basurko, Zigor Uriondo, Condition-Based Maintenance for medium speed diesel engines used in vessels in operation, Applied Thermal Engineering, 80 (2015) 404-412.

[4]

Lafossas, F.Alexandre, Development of a coupling approach between 0D D.I. diesel combustion and pollutant models: Application to a transient engine evolution, Oil and Gas Science and Technology, Rev. IFP Vol. 63, No. 4, pp. 479 –  479  –  494,  494, 2008.

[5]

V.T. Lamaris, D.T. Hountalas, A general purpose diagnostic technique for marine diesel engines –  engines  –  Application   Application on the main propulsion and auxiliary diesel units of a marine vessel,  Energy Conversion and Management, Vol. 51, Issue 4,  pp. 740 – 753, 753, 2010.

[6]

Koustav Dey, Characterization and rejection of noise from in-cylinder pressure traces in a diesel engine, Electronic Theses and Dissertations, 121, http://scholar.uwindsor.ca/etd/121, , 2012. http://scholar.uwindsor.ca/etd/121

[7]

F.F. Vacas et al, Diesel Engine Maintenance based on the Diagnosis of Operating Conditions, Seminario Mantenimiento de Motores Diesel UPCT, 2012.

[8]

Hou, J., Qiao, X., Wang, Z., Liu, W., & Huang, Z.. Characterization of knocking combustion in HCCI DME engine using wavelet packet transform. Applied Energy, 87(4), 1239-1246 (2010). doi:10.1016/j.apenergy.2009.06.014 doi:10.1016/j.apenergy.2009.06.014

[9]

Macián, V., Galindo, J., Luján, J. M., & Guardiola, C., Detection and correction of injection failures in diesel engines on the basis of turbocharger instantaneous speed frequency analysis, Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 219(5) (2005), 691-701. doi:10.1243/095440705X28312.

[10]

Perles, A., A., Guardiola, Guardiola, C., Yuste, P., & Ors, R., Real-time Real-time determination of the in-cycle evoluion of the turbocharger speed in the internal combustion engine, Experimental Techniques, 30(6) (2006), 44-50. doi:10.1111/j.17471567.2006.00106.x.

271

 

Capítulo 8: Optimización Optimización de la base de datos de fallos de motor diesel marino

272

 

Capítulo 9: Conclusiones y trabajo futuro

CAPÍTULO 9 Conclusiones y trabajo futuro INDICE 9.1 9.2 9.3

Conclusiones Trabajo futuro Referencias

275 281 283

LISTA DE TABLAS -

LISTA DE FIGURAS -

273

 

Capítulo 9: Conclusiones y trabajo futuro

9.1.  CONCLUSIONES. La disponibilidad que existe hoy en día de gran cantidad de datos que se monitorizan y almacenan de los equipos de la plataforma de un buque, incluidos los motores diésel de  propulsión y generación eléctrica, así como de una capacidad computacional muy superior que hace unos años, hace posible el desarrollo de sistemas de monitorización de la salud y eficiencia de los equipos que utilizan modelos físicos y de inteligencia artificial que funcionen en tiempo real. En este escenario, el autor de esta tesis doctoral presenta un sistema de diagnosis híbrido compuesto de un sistema de detección basado en inteligencia artificial y una  base de datos de fallos construida mediante la experiencia y optimizada con un simulador de fallos termodinámico. Para la construcción del sistema se ha realizado varias tareas que componen la metodología de trabajo y donde los resultados obtenidos de cada una de ellas permiten comenzar la siguiente hasta conseguir el objetivo final.

Conclusiones relativas relativas a la metodología empleada para la diagnosis El primer objetivo que se pretendía conseguir en esta tesis, expuesto en el Capítulo 2, es  plasmar la evolución de los sistemas tradicionales de monitor monitorización ización de la condición Condition Based Monitoring   (CBM) a un sistema mucho más completo CBM+, en el que se monitorizan e integran datos de diferente se utilizan herramientas de análisis de esos datos basadas en modelos físicosnaturaleza, y / o inteligencia artificial y se ofrece soporte a toma de decisiones. Como el objetivo principal de este trabajo es el desarrollo de un sistema de diagnosis para motor diésel marino, también se describe el concepto más completo que existe en la bibliografía de CBM+ para vehículos, el sistema  Integrated Vehicle Health Management   (IVHM) (IVHM) “sistema integrado de gestión de la salud para vehículos”  vehículos”  como el sistema integral “objetivo” para gestionar la salud de los equipos de la plataforma de un buque. Dentro de este tipo de sistemas, se muestra la importancia del módulo de diagnosis, que es uno de los elementos esenciales y la razón  por la que se decide dec ide desarrollar un sistema siste ma de diagnosis. Del estudio se concluye que un un sistema IVHM en un buque integrado en el sistema de diagnosis de motor diésel marino aporta la capacidad de diagnosticar fallos y facilita la información al módulo de soporte  para toma de decisiones para predecir posibles fallos y evitarlos mediante medidas de  prognosis.

Conclusiones relativas relativas al Estudio Bibliográfico realizado realizado.. Uno de los resultados más importantes de este trabajo ha sido la confección de una metodología para diseñar un sistema de diagnosis para un motor diésel marino. Las conclusiones que se pueden sacar respecto de esta metodología es que ha resultado muy satisfactoria en vista de los resultados finales que se muestran en el Capítulo 8. La metodología, descrita de forma esquemática en la Fig. 1.1 presentada en el Capítulo 1 se  podría resumir en: -  Analizar el estado del arte para identificar las mejores técnicas de detección y diagnosis de fallos, -  desarrollar y validar el sistema de detección basado en las herramientas de inteligencia artificial modelo físicoy más apropiado según se haya identificado en el estadoy/o del arte realizado, 275

 

Capítulo 9: Conclusiones y trabajo futuro

-  desarrollar una base de datos de fallos FMECA completa mediante metodología sistemática RCM y análisis de respuesta del motor en modelo físico termodinámico. El primer paso de la metodología, el estudio exhaustivo del estado del arte State of the  Art   (SoA) (SoA) sobre diagnosis de fallos, realizado en el Capítulo 3, ha permitido conocer las estrategias existentes en la bibliografía para diseñar sistemas de diagnosis de equipos, en concreto aquellas realizadas para motores diesel marinos o las que se pueden aplicar a éstos. Del SoA realizado se puede concluir que ha sido suficientemente exhaustivo, tal y como muestra, la cantidad de publicaciones analizadas, más de 500 artículos científicos de revistas, congresos y tesis doctorales de la que se seleccionan 364 trabajos sobre sistemas de monitorización de la condición, búsqueda de fallos, diagnosis y  prognosis de equipos El análisis estadístico, también realizado en el Capítulo 3, donde todos los trabajos seleccionados han sido clasificados por partida doble según el tipo de técnica y según los parámetros utilizados como indicadores de fallo también ha producido resultados de interés, por ejemplo ha puesto de manifiesto que existe un dominio equilibrado de los trabajos basados en modelos físicos y de aquellos basados en modelos de inteligencia artificial. El 74% de los trabajos utilizan una de estas dos tendencias. Otra de las conclusiones del análisis estadístico es que casi todos los trabajos son desarrollados utilizando como indicadores de fallo los parámetros operacionales y/o presión en cilindro. Aunque en una proporción significativamente menor, también se utiliza ut iliza mucho la vibración y por debajo de ésta el análisis de aceite y la variación de la velocidad del cigüeñal. Otro resultado que se puede extraer del Capítulo 3, es la evaluación de 16 trabajos seleccionados entre todos los encontrados en la bibliografía, representativos del resto. Para estos trabajos, se ha utilizado una ficha estándar indicando los pros/contras de cada uno según su aplicabilidad a motores diésel marinos, que es el tipo de equipo de interés en esta tesis. En base a la puntuación en la ficha estándar se ha podido realizar un estudio comparativo, cuyo objetivo es elegir el camino más apropiado a seguir para desarrollar un sistema de diagnosis para motor diésel marino, objetivo principal marcado por el autor en esta tesis doctoral. La conclusión principal basada en el resultado de la evaluación es idéntica a la tendencia del estado del arte, las estrategias  basadas en inteligencia artificial y en modelos físicos tienen prestaciones similares, si  bien cada una tiene sus ventajas y debilidades. Otra conclusión extraída de la revisión bibliográfica y desde el punto de vista de los  parámetros utilizados para diagnosticar es que los parámetros operacionales son los más interesantes para utilizar como indicadores del estado del motor diésel. Sin embargo, nuestro análisis comparativo muestra que el análisis de las vibraciones y los análisis de aceite adelantan en interés a la presión cilindro, muy utilizada en la bibliografía para la diagnosis. El factor que más pesa en contra de la utilización de la presión cilindro es la necesidad de modificar la culata, el coste y la aún no demasiada durabilidad de este tipo de instrumentación. No obstante la presión en cilindro es ya un indicador muy recomendable, como los anteriores mencionados, al ser el sensor que aporta la información más fiel de cómo se quema el combustible en el motor. La evolución de este tipo de sensores hace prever que en poco tiempo los inconvenientes serán mucho

276

 

Capítulo 9: Conclusiones y trabajo futuro

menores y sus virtudes hará de la presión cilindro probablemente el sensor más valioso como indicador de fallos. De manera global al análisis del estudio se puede concluir que aun siendo muchos los trabajos relacionados con el tema de diagnosis de motores, son pocas las técnicas desarrolladas de manera global para motores diésel destinados a buques. Se puede concluir también de este estudio que existen muchas técnicas que utilizan modelos estadísticos y de inteligencia artificial y varios autores aplican técnicas de modelado del motor para identificar fallos o pronosticarlos, pero pocos autores utilizan el modelado del motor para la mejora de bases de datos de expertos que permitan detectar fallos y objetivizar estas bases de datos, así como utilizar las ventajas de ambos tipos de modelos, estadísticos y termodinámicos, para la diagnosis del motor. A partir de la conclusión principal del SoA, se tiene la información adecuada para poder tomar la decisión de diseñar un sistema de diagnosis híbrido, en el que se opta por utilizar un subsistema de clasificación de comportamientos y detección de anomalías  basado en inteligencia artificial y un subsistema subsiste ma de diagnóstico de los comportamientos co mportamientos detectados como anómalos que utilice una base de datos de fallos creada en base a la experiencia y mejorada mediante simulación de fallos con un modelo físico termodinámico del motor.

Conclusiones relativas a la detección de anomalías en el sistema mediante monitorización monitorizac ión continua de parámetros. parámetros. Otra aportación importante de esta investigación es el subsistema de detección de anomalías, presentado presentado en el Capítulo Capítulo 4. Este subsistema subsistema está compuesto compuesto por una combinación de varios algoritmos de inteligencia artificial que proporcionan resultados muy positivos a la hora de detectar funcionamientos anómalos del motor mediante la identificación de parámetros que no están proporcionando valores “normales” de funcionamiento teniendo en cuenta el punto de funcionamiento y el historial de todos los parámetros medidos. La validación del sistema, utilizando un fallo real del motor diesel y un fallo real del alternador integrado junto con el motor en el grupo generador, indica que la precisión, sensibilidad y especificidad son globalmente superiores al 93%,  por lo que el subsistema limita con precisión las falsas anomalías, siendo un resultado r esultado muy satisfactorio. En la prueba, se han utilizado dos meses de datos históricos registrados de parámetros de funcionamiento del grupo diésel-alternador para entrenar y validar el subsistema de detección. Cada grupo de comportamiento o clúster tiene registros que son potenciales anomalías que se encuentran en los límites de pertenencia al grupo. La principal novedad del subsistema propuesto ha sido añadir al clustering un factor, que utiliza algoritmos de detección de anomalías basado en densidad local cuyo valor indica si es normal o un fallo. Esta capacidad ha permitido identificar de una forma automática los comportamientos que son realmente anómalos, entre los  potencialmente candidatos a serlo utilizando solamente clasificación por Clustering. Este subsistema, por lo tanto demuestra ser capaz de alertar de que existe un comportamiento anómalo no identificado. No obstante, no es capaz etiquetar o diagnosticar el fallo que se está produciendo. Para identificarlo o etiquetarlo, es necesario hacerlo manualmente por parte de un experto mediante el análisis de los  parámetros del comportamiento o utilizando otro subsistema de diagnosis de comportamientos detectados, como el que se desarrolla también en esta tesis doctoral. La conclusión más importante que se deriva de este sistema de detección de anomalías 277

 

Capítulo 9: Conclusiones y trabajo futuro

es la capacidad de detección de anomalías reales, descartando los falsos positivos de fallos e identificando los parámetros anómalos en el sistema motorgenerador.

Conclusiones relativas relativas a la confección de Base de Datos para diagnosis de fallos. La estrategia propuesta para realizar el diagnóstico es utilizar una base de datos de fallos  precisa y fiable del motor diesel marino. El procedimiento proced imiento o metodología seguida para la construcción de esta base de datos de fallos es uno de los mayores aportes innovadores que presenta esta tesis doctoral. La mejora obtenida en la base de datos de fallos final respeto a una base de datos de partida realizada por expertos es muy significativa. Primero, se ha confeccionado una base de datos inicial mediante un análisis FMECA con el aporte de experiencia y conocimientos técnicos del sistema analizado. Posteriormente se ha construido y validado un modelo termodinámico que se utiliza como simulador de fallos con el objetivo de simular los fallos termodinámicos típicos. Una vez simulados, se ha analizado el comportamiento del motor y optimizado la base de datos de fallos mediante los resultados obtenidos en la simulación de fallos mediantes el modelo anteriormente validado. Se confecciona una base de datos de fallos FMECA completa del motor diésel estudiado utilizando la metodología de “mantenimiento basado en la confiabilidad”  Reability Centred Maintenance  Maintenance  (RCM)  permitiendo así disponer d isponer de una muy buena base de datos de partida. part ida. En la industria y en la bibliografía no se ha encontrado el nivel de detalle alcanzado en este trabajo para definir todos los efectos que tiene cada modo de fallo, e incluso las tareas de inspección a realizar para descubrir el fallo que se está produciendo en el caso de que los síntomas activos ofrezcan como diagnóstico varios posibles modos de fallo. Este nivel de detalle hace de la base de datos FMECA construida un producto en sí mismo muy valioso. Para su construcción se ha necesitado de conocimiento de la metodología, experiencia en operación y mantenimiento de este tipo de motor diésel y sobre técnicas existentes de mantenimiento predictivo. El resultado obtenido es una base de datos de fallos FMECA de partida que contiene 209 modos de fallo. La principal conclusión que se obtiene de este trabajo es que la metodología descrita por el RCM es válida y valiosa para la realización de bases de datos FMECA que permiten la detección de fallos en este tipo de sistemas. En cuanto a las conclusiones obtenidas de la base de datos FMECA inicialmente obtenida se puede decir que 39 de los 209 posibles, no pueden ser detectados al no existir ningún indicador monitorizado monitorizado que pueda pueda detectar ese tipo de fallo fallo y/o la evolución del mismo. Otra de las conclusiones es que no se pueden predecir todos los fallos de un equipo, a no ser que se combine la monitorización con inspecciones y desmontajes periódicos, eso sí, a mayor número de fallos cubiertos, mayor fiabilidad y menor necesidad de realizar desmontajes, con lo que también se reduciría el coste del mantenimiento. Otro resultado significativo es que entre los 209 modos de fallo, 69 son de origen termodinámico, o mejor dicho, detectables o achacables a parámetros y variables de funcionamiento termodinámico del motor. Sobre éstos últimos, se han seleccionado 15, que son los más típicos que suelen producirse en un motor diésel marino. De esta forma se ha extraído una porción de la base de datos de fallos, que tiene un tamaño de 15 fallos x 30 síntomas potenciales, que corresponde a los fallos típicos termodinámicos y sobre los que se ha centrado el trabajo de optimización de la base de datos original dando lugar a la base de datos optimizada para la detección de fallos.

278

 

Capítulo 9: Conclusiones y trabajo futuro

Conclusiones relativas al modelo de motor y simulador de fallos desarrollado en esta tesis. Otro resultado en sí mismo de esta tesis es la construcción de un simulador del motor diésel basado en modelo termodinámico, realizado en el Capítulo 6. Para garantizar el  buen resultado del modelo, se ha utilizado la herramienta AVLBoost©, que ha demostrado su fiabilidad en muchos trabajos científicos tal y como se muestra en la  bibliografía. Se ha seguido un proceso de recolección de datos característicos, protocolo de medidas experimentales en banco de pruebas y análisis de los resultados que ha  permitido disponer de los datos necesarios tanto para el ajuste del modelo como para la validación del mismo. mismo. Como conclusiones conclusiones sobre el modelo construido construido se puede afirmar afirmar que el modelo representa de forma realista el comportamiento del motor. Los resultados se han obtenido mediante la validación del modelo utilizando medidas experimentales en banco de pruebas. Los resultados indican que el grado de ajuste entre modelo y realidad es bastante bueno. Se han fijado indicadores termodinámicos de presión, temperatura, caudal de aire y presión media indicada en diferentes puntos del modelo y se ha evaluado la precisión entre la simulación y los datos medidos. La desviación está normalmente entre el 2% y el 5%, aunque en algunos puntos se obtienen errores un  poco superiores al 5% en cargas concretas, se puede afirmar que el modelo está bien ajustado globalmente. También se ha realizado una comparativa entre los valores dinámicos de presión en cilindro reales y modelados, obteniéndose una alta concordancia entre ellas. Para la construcción del modelo se considera de interés la obtención de una base de datos detallada de los valores de todos los parámetros monitorizados que se ha utilizado  para ajustar y validar el modelo. Esta base de datos caracteriza el comportamiento del motor en funcionamiento estable y en buen estado con muchos más datos de los que se monitorizan a bordo, y que servirá de referencia en el futuro además de servir como  base para la construcción del modelo. La construcción de esta base de datos para el modelo se puede considerar también como un resultado en sí mismo. Otra de las conclusiones importantes de este trabajo, es que se ha conseguido que el modelo, además de reproducir el comportamiento del motor en condiciones normales, tenga la capacidad de hacerlo en caso de fallo, como se expone en el Capítulo 7. Gran  parte de las respuestas del motor ante fallos fallos simulados en el modelo han resultado coincidentes con las que establecen los expertos en la base de datos de fallos FMECA original. En cambio, hay ocasiones en las que la respuesta de un parámetro es superior o inferior a lo estimado por la experiencia de los expertos. Como ejemplo de ello está el resultado del análisis de la respuesta ante algunos de los fallos, como el fallo de regulación de válvulas, que es inferior al que se esperaba. De forma opuesta otros fallos como un pequeño defecto de asiento en válvula de admisión afecta de forma mucho más sensible a los parámetros del motor a lo supuesto por los expertos. La inseminación de fallos y análisis de la respuesta del motor a los mismos se ha realizado una vez validado el modelo termodinámico. Como conclusión conclusión principal del modelado de fallos se puede puede decir que esta plataforma plataforma de simulación ha permitido conocer con suficiente exactitud cómo afecta cada fallo al comportamiento del motor. En concreto, para conocer cómo afecta al motor se han seleccionado los parámetros representativos del comportamiento de este, entre los que

279

 

Capítulo 9: Conclusiones y trabajo futuro

están temperaturas y presiones en colectores, cilindros, turbina, gasto másico, presión media indicada entre otros.

Conclusiones relativas a la optimización de la base de datos FMECA original mediante la ayuda de un modelo. Uno de los resultados más importante que se derivan de esta tesis doctoral es la obtención de una base de datos de fallos FMECA optimizada, mostrada y validada su eficacia en el Capítulo 8. Gracias al modelo del motor desarrollado y la metodología impuesta ha sido posible la optimización tal y como demuestran los resultados mostrados en el capítulo anterior. La simulación de fallos en el modelo ha permitido corregir algunos síntomas asociados a los fallos en la base de datos FMECA original así como conocer qué parámetros adicionales habría que monitorizar e incluir como síntomas en la base de datos para obtener la mejor capacidad de diagnosis posible. El resultado final obtenido es que la base de datos de fallos optimizada identifica de forma unívoca casi todos los modos de fallo simulados, mientras que la base de datos original ofrece normalmente un diagnóstico con varias opciones, por lo que es necesario realizar inspecciones adicionales para averiguar cuál de las opciones es el fallo real que se está  produciendo. Estas conclusiones conclusiones se han obtenido tras realizar una validación validac ión comparativa entre las dos bases de datos. Se ha realizado una doble validación, en  primer lugar introduciendo fallos en e n el e l modelo y alimentando las bases de datos dat os de los  parámetros que proporcionaba proporcionaba el modelo y, en segundo lugar utilizando datos monitorizados de un motor en buque con un fallo real conocido y constatado por el servicio de mantenimiento. En ambos casos las conclusiones obtenidas son que la base de datos de fallos optimizada identifica de forma inequívoca los fallos, funcionando mucho mejor que la base de datos de fallos original o de partida. Todos los fallos son detectados, excepto los dos fallos de regulación de válvulas  F9 y  F10, los cuales  producen alteraciones en el comportamiento del motor inferiores al 3% y por po r lo tanto aun siendo detectables no se han incluido parámetros de detección suficiente en la base de datos por evitar falsos positivos. Por lo tanto se puede concluir que el resultado mejora ampliamente el de la base de datos original. Esto ha sido posible por tres razones principalmente, la mejora de la precisión de los síntomas incluidos en la base de datos original, la combinación de síntomas de un fallo más acorde con la reali realidad dad y la inclusión de nuevos síntomas revelados por por la simulación de estos fallos mediante el modelo. La combinación de las tres mejoras aumenta la capacidad de detección con la base de datos optimizada. Se demuestra que el modelado mejora la base de datos de fallos enriqueciéndola con nuevos síntomas no tenidos en cuenta en la versión inicial y corrigiendo o ajustando los límites de activación de los ya incluidos inicialmente. En definitiva se ha conseguido aumentar la capacidad de detección y diagnóstico de un fallo al ser detectado por más más síntomas y poder diferenciarlos de otros fallos con síntomas similares. La base de datos de fallos establece que un parámetro debe tener una variación superior al 5% respecto a su valor en situación normal para tenerlo en cuenta como síntoma de un fallo. Esta premisa es conservadora para evitar falsos  positivos. Con esta premisa, y ut utilizando ilizando la respuesta proporcionada proporcionada por el simulador se ha conseguido mejorar en gran medida la capacidad de diagnosis de la base de datos optimizada respecto a la original.

280

 

Capítulo 9: Conclusiones y trabajo futuro

La explotación de toda la capacidad de la nueva base de datos exige añadir nueva instrumentación no disponible en la instalación del buque del motor objeto de estudio  pero a su vez permite evaluar si la inclusión de estos nuevos nuevos parámetros a evaluar merecen la pena para la detección de fallos importantes en el motor. Las nuevas señales a monitorizar son la temperatura del aire de salida del compresor, presión en el colector de escape, presión en cilindro para obtener presión media indicada, velocidad de turbocompresor y caudal de aire. Por el coste y dificultad de medida de la presión en cilindro y del caudal de aire, pueden ser sustituidas por medidas calculadas en tiempo real. La presión media indicada a través de las medidas de par, velocidad y valor del rendimiento mecánico y el gasto másico a través de las medidas de temperatura y  presión de aire en la admisión. A mayor número de señales disponibles d isponibles entre las listadas anteriormente, más se aprovechará la capacidad de diagnosis que proporciona la base de datos de fallos optimizada. Una de las grandes ventajas del sistema de diagnosis propuesto es evitar la instalación de costosos sistemas de monitorización en tiempo real basados en incorporar nueva instrumentación de presión en cilindro, acelerómetros, etc. y nuevos sistemas de adquisición que son una barrera importante para que los armadores decidan monitorizar la condición de sus motores. El sistema propuesto supone aprovechar todas las variables que se suelen monitorizarse en los motores marinos y añadir solamente unas pocas señales de fácil instalación, permitiendo obtener una gran capacidad de diagnosis sin necesidad de realizar una gran inversión. En el futuro próximo, cuando la incorporación de medidas directas en tiempo real de presión cilindro, vibración y otras se pueda realizar a un coste asequible, el sistema propuesto se podrá actualizar para tener en cuenta nuevos indicadores y cubrir aún más modos de fall fallo. o. Parte del esfuerzo realizado en esta tesis doctoral se plasma en las distintas  publicaciones y comunicaci co municaciones ones de congresos que, por el momento han dado lugar [17].

9.2.  TRABAJO FUTURO. El trabajo realizado en esta tesis doctoral ha iniciado una línea de investigación en el Departamento de Ingeniería Térmica y de Fluidos de la Universidad Politécnica de Cartagena que se pretende consolidar mediante la realización de los siguientes trabajos futuros. El trabajo principal previsto es la construcción un simulador de motor diesel marino que funcione en tiempo real para ser instalado a bordo del buque. El simulador estará basado en un modelo termodinámico cerodimensional y construido en Matlab©, y deberá ser capaz de reproducir el comportamiento normal. El modelo físico termodinámico funcionaría como un segundo mecanismo de detección de anomalías, complementario al al que ya se ha diseñado en este trabajo t rabajo construido con algoritmos de inteligencia artificial. La idea es añadir la capacidad de adaptación a nuevas condiciones ambientales que  posee el modelo físico. De esta forma, la alta capacidad de detección de comportamientos anómalos que tiene la herramienta de inteligencia artificial, demostrada en este trabajo, estaría complementada con el modelo físico y permitiría aumentar la robustez del sistema conociendo si nuevos casos son nuevos escenarios ambientales en los que el equipo está funcionando correctamente o se trata de un fallo. 281

 

Capítulo 9: Conclusiones y trabajo futuro

Tras la detección de una anomalía, el fallo sería diagnosticado mediante una base de datos de fallos construida siguiendo la metodología propuesta en este trabajo. tr abajo. El simulador de fallos basado en modelo termodinámico unidimensional, construido en AVL Boost©, se ha utilizado hasta ahora para optimizar la base de datos de fallos. Sin embargo, tiene muchas posibles aplicaciones potenciales que exploten la capacidad de simular al motor diésel tanto en condiciones normales como de fallo. Este simulador tiene un coste computacional relativamente elevado, lo que no permite utilizarlo en tiempo real, no obstante tiene la ventaja de poder reproducir de forma fiable el comportamiento del motor en caso de fallo. Como trabajo futuro se pretende utilizar este simulador como substituto del motor diésel real, aportando datos de funcionamiento nuevos para entrenar el subsistema de detección de fallos de inteligencia artificial con datos en condiciones normales y de fallo nuevas que complete todos los escenarios no disponibles en datos históricos reales. Básicamente, se trata de condiciones ambientales extremas, aguas muy frías y muy cálidas, y condiciones de fallo típicas, todas ellas no disponibles con datos reales. Otro trabajo futuro a realizar sería aumentar la precisión de diagnóstico del sistema de diagnosis propuesto en este trabajo para permitir la detección de los fallos F9 fallos  F9 y F10  F10 de  de regulación de válvulas definidos en el Capítulo 8. La estrategia a seguir debería tener en cuenta la evolución de los síntomas respecto a la carga y/o el peso de cada síntoma de los que se ven afectados por cada fallo en función del % variación del síntoma para ese fallo. Esta información no utilizada por la metodología propuesta podría mejorar aún más la capacidad de diagnosis y permitir de este modo el diagnóstico de los fallos  F9  F9   y  F10   que son los únicos que no se podría detectar de forma fiable con el sistema  F10  propuesto. Esta mejora se centra en la utilización de la base de datos de fallos optimizada. El sistema propuesto se ha aplicado sobre un grupo auxiliar de generación eléctrica marino GENSET. Un trabajo a realizar es demostrar la aplicabilidad en un motor diésel  propulsor, de esta forma se cubrirían las dos grandes aplicaciones navales del motor diésel. La gran diferencia entre ambas a mbas aplicaciones es que en el caso de motor propulsor la velocidad del motor es variable, en aplicación GENSET GE NSET es constante para mantener la frecuencia eléctrica de la red. Utilizando la misma metodología propuesta, el sistema de diagnosis se podría ir nutriendo en el futuro de nuevos indicadores de fallo, cubriendo paulatinamente mayor número de modos de fallo y aumentando los síntomas de fallos ya cubiertos. Un posible trabajo futuro sería actualizar la base de datos de fallos añadiendo nuevos síntomas que  permitan ser detectados con sistemas de monitorización monitorización de vibraciones y de presión cilindro. De esta forma se reduciría el número de fallos no detectables, aumentando aún más la fiabilidad del equipo. Finalmente, está también previsto aumentar las funcionalidades más allá de detección y diagnosis, realizando un soporte a toma de decisiones aún de mayor valor añadido si la  base de datos de fallos fallos incluye datos dat os como el riesgo (función de probabilidad de fallo  por la criticidad de este fallo, Pf   x Cr ff ),   inspección/es a realizar para comprobar causa raíz de fallo entre las causas posibles (los fallos comparten a menudo el mismo síntoma) y nivel de mantenimiento del personal necesario para inspección y/o reparación de la

282

 

Capítulo 9: Conclusiones y trabajo futuro

avería. Esta nueva funcionalidad del sistema de diagnosis resultaría muy útil para que el usuario pueda tomar las decisiones adecuadas en el menor tiempo posible. Todos los trabajos futuros propuestos van en la línea de mejora continua de la diagnosis de motor diésel marino, basándose en inteligencia artificial, modelo físico termodinámico, y las capacidades actuales de instrumentación, comunicaciones y  procesamiento computacional, computacional, con el objetivo de operar los sistemas de propulsión y energía en buques de la forma más eficiente y limpia así como segura, optimizando la fiabilidad y en consecuencia la disponibilidad y el coste co ste durante todo el ciclo de vida del de l  buque. 

9.3.  REFERENCIAS [1]

A. Díez et al, Data-driven Prognostics Using a Combination of Constrained Kmeans Clustering, Fuzzy Modeling and LOF-Based Score, Neurocomputing, 2017, http://dx.doi.org/10.1016/j.neucom.20 http://dx.doi.org/10.1016/j.neucom.2017.02.02. 17.02.02.

[2]

J.A. Pagán et al, Proceso obtención medidas experimentales y tratamiento de datos para modelado motor diesel marino, IX Congreso Nacional De Ingeniería Termodinámica, 2015. ISBN: 978-84-606-8931-7, URI: 10.1007/s00773-0150358-6. http://hdl.handle.net/10317/4709. http://hdl.handle.net/10317/4709. 

[3]

A. Díez et al, Sistema integral para la caracterización caracter ización y prognosis de modos de fallo en motores marinos, XVII Congreso de Confiabilidad, 2015. URI:  http://www.aec.es/c/document_library/get_file?p_l_id=4299037&folderId=4507445& name=DLFE-23174.pdf .  

[4]

A. Díez et al, A machine learning based methodology for automated fault  prediction in monitoring sensor data, UPM Industriales Research Meeting, Meet ing, 2016. http://oa.upm.es/40073/   URI: http://oa.upm.es/40073/

[5]

J. Muñoz et al, Aplicación del modelado de motores diésel a un sistema de dignosis en tiempo real, III Encuentro ingeniería de la energia Mare Nostrum, URI: 10.1007/s00773-015-0358-6.  http://hdl.handle.net/10317/4709 http://hdl.handle.net/10317/4709..  http://congresos.um.es/iecmn/iecmn2016/schedConf/presentations/..   http://congresos.um.es/iecmn/iecmn2016/schedConf/presentations/

[6]

J.A. Pagán et al, Ajuste de un modelo termodinámico unidimensional para simulación de fallos de motor diésel marino, IV Congreso nacional de I+D en defensa y seguridad, 2016. DESEID-2016-057, URI: http://www.deseid.org/sites/default/files/documents/DESEID2016_LIBRO_AC TAS.pdf . 

[7]

J. Muñoz et al, Desarrollo de un modelo termodinámico cerodimensional para determinación en tiempo real de las prestaciones de motor diesel marino, IV Congreso nacional de I+D en defensa y seguridad, 2016. DESEID-2016-072, URI: http://www.deseid.org/sites/default/files/documents/DESEID2016_LIBRO_AC TAS.pdf  

283

 

Capítulo 9: Conclusiones y trabajo futuro

284

 

Referencias

REFERENCIAS

•

•

•

•

•

•

•

•

•

•

•

•

A.Coraddu, L. Oneto, A. Ghio, S. Savio, M. Figari, D. Anguita, Machine learning for wear International forecasting ofConference naval assets condition-based maintenance applications, in: 2015 on for Electrical Systems for Aircraft, Railway, Ship Propulsion and Road Vehicles (ESARS), 425 IEEE, 2015, pp. 1–5. Citado en cap. 2 como [114]. A.Diez-Olivan, JA Pagan, N. Lu Dang,R. Sanz, A machine learning based  methodology for automated fault prediction in monitoring sensor data, UPM Industriales Research Meeting 2016, 2016. Citado en cap. 3 como [360] y en cap. 9 como [4]. A.Diez-Olivan, J.A. Pagan, R. Sanz, B.Sierra, Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF-based  score, Neurocomputing (2017), http://dx.doi.org/10.1016/j.neucom.2017.02.024. Citado en cap. 3 como [366] en cap. 4 como [1] y en cap. 9 como [1]. A.Diez-Olivan, JA Pagan, R. Sanz, I. Lazkanotegi, Sistema integral para la caracterización y prognosis de modos de fallo en motores marinos, Congreso  Nacional de Confiabilidad, 2016. Citado en cap. 3 como [359] y en cap cap.. 9 como [3]. A.Rosato, S. Sibilio, Calibration and validation of a model for simulating thermal and electric performance of an internal combustion engine-based microcogeneration device, Applied Thermal Engineering, 2012. Citado en cap. 3 como [317]. A.S. Shui, S. Q. Zhou, S. L Li, R. Deng, The development of diagnosis expert system for long transport pipeline, Oil & Gas Storage and Transportation, Vol.21,  No.4, 1-3, 2002. 2002. Citado en cap. 2 como [68]. A.Siddique, G.S. Yadava, B. Singh, Applications of artificial intelligence intell igence techniques for induction machine stator fault diagnostics: Review, in: Proceedings of the IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, New York, 2003, pp. 29–34. Citado en cap. 2 como [92]. A.J. Miller, A new wavelet basis for the decomposition of gear motion error signals and its application to gearbox diagnostics, M.Sc. Thesis, Graduate Program in Acoustics, The Pennsylvania State University, State College, PA, 1999. Citado en cap. 2 como [34]. A.J. Murphy, A.J. Norman, K. Pazouki, D.G. Trodden, Thermodynamic simulation for the investigation of marine Diesel engines, Ocean Engineering, 2015. Citado en cap. 3 como [352]. A.J.Bayba et al, Application of Autoassociative Neural Networks to Health Monitoring of the CAT 7 Diesel Engine, US Army Research Laboratory, ARL-TN0472, 2012. Citado en cap. 3 como [10]. [ 10]. A.J.C. Sharkey, G.O. Chandroth, N.E. Sharkey, A multi-net system for the fault diagnosis of a diesel engine, Neural Comput. Appl. 9 (2000) 152-160. Citado en cap. 2 como [93]. A.K. Garga, K.T. McClintic, R.L. Campbell, C.C. Yang, M.S. Lebold, T.A. Hay, C.S. Byington, Hybrid reasoning for prognostic learning in CBM systems, in: 2001 285

 

Referencias  

IEEE Aerospace Conference Proceedings, vols. 1–7, New York, 2001, pp. 2957–  2969. Citado en cap. 2 como [107]. [107].   A.K.S. Jardine, Optimizing condition based maintenance decisions, in: Proceedings of the Annual Reliability and Maintainability Symposium, 2002, pp. 90–97. Citado en cap. 2 como [62].   A.K.S. Jardine, P.M. Anderson, D.S. Mann, Application of the Weibull proportional hazard model to aircraft and marine engine failure data, Quality and Reliability Engineering International 3 (1987) 77–82. Citado en cap. 2 como [59].

•

•

  A.S. Sekhar, Model-based identification of two cracks in a rotor system, Mechanical

•

Systems and Signal Processing Processi ng 18 (2004) 977–983. Citado en cap. 2 como [[76]. 76].   Aaseng, G. B. Blueprint for an integrated vehicle health management system. In Proceedings of the 20th Digital Avionics Systems Conference, Daytona Beach, Florida, USA, 14–18 October 2001, vol. 1, pp. 3.C.1-1–3.C.1-11. Citado en cap. 2 como [7].

•

  Adnan Parlak, Application of artificial neural network to predict specific fuel

•

consumption and exhaust temperature for a Diesel engine, Applied Thermal Engineering, 2006. Citado en cap. 3 como [136]. [ 136].   Albarbar, A., Diesel engine fuel injection monitoring using acoustic measurements and independent component analysis, Measurement: Journal of the International Measurement Confederation, 2010. Citado en cap. 3 como [231].   Al-Durra, A., A real-time pressure estimation algorithm for closed-loop combustion

•

•

 

•

 

•

 

•

 

•

control, Mechanical Systems and Signal Processing, 2013. Citado en cap. 3 como [330]. Amin Maghbouli, An advanced combustion model coupled with detailed chemical reaction mechanism for D.I diesel engine simulation, Applied Energy, 2013. Citado en cap. 3 como [331]. Andrew J. Bayba, David N. Siegel, and Kwok Tom, Application of Autoassociative  Neural Networks to Health Monitoring of the CAT 7 Diesel Engine, Florida, USA, 22–25 Army Research Laboratory, ARL-TN-0472, 2012. Citado en cap. 1 como [7]. Andrew K.S. Jardine, A review on machinery diagnostics and prognostics implementing condition-based maintenance, Mechanical Systems and Signal Processing, 2006. Citado en cap. 3 como [134]. Antonello Sala, Francesco De Carlo, Gabriele Buglioni, Alessandro Lucchetti, Energy performance evaluation of fishing vessels by fuel mass flow measuring

system, Ocean Engineering, 2011. en cap. 3 G. como [293].   Antory D, Kruger U, Irwin G,Citado McCullough Fault diagnosis in internal

•

combustion engines using non-linear multivariate statistics. Proc IMechE, Part I: J Syst Control Eng 2005;219(4):243–58. Citado en cap. 2 como [134].   Antory, A., Fault diagnosis application in an automotive diesel engine using autoassociative neural networks, Computational Intelligence for Modelling, Control and Automation, 2005. Citado en cap. 3 como [107]. [ 107].   Antory, D., Fault diagnosis in internal combustion engines using non-linear multivariate statistics, Proceedings of the Institution of Mechanical Engineer, 2005. Citado en cap. 3 como [109].   Anupam Das, J. Maiti and R.N. Banerjee, Process monitoring and fault detection strategies: a review. International Journal of Quality & Reliability Management Vol. 29 No. 7, 2012 pp. 720-752. Citado en cap. 1 como [5].

•

•

•

286

 

Referencias

 

  Armas, Octavio, Thermodynamic diagnosis of diesel and biodiesel combustion

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 processes during load-increase transient sequences, Applied Energy, 2012. Citado en cap. 3 como [305]. Arrègle, J., Development of a mixing and combustion zero-dimensional model for diesel engines, SAE International, 2006. Citado en cap. 3 como [128]. Arroyo, Jorge, Diagnostic method based on the analysis of the vibration and acoustic emission energy for emergency diesel generators in nuclear plants, Applied Acoustics, 2013. Citado en cap. 3 como [329]. Asad, Usman, Advanced diagnostics, control and testing of diesel low temperature combustion, ProQuest Dissertations and Thesis, 2009. Citado en cap. 3 como [200]. Asay, Richard J., Condition based monitoring for industrial engines, SAE International, 2004. Citado en cap. 3 como [94]. Ascanio, G.M., Turbocharged diesel engine performance monitoring and diagnosis using system identification techniques, Proceedings of the IASTED International Conference on Modelling, Identification, and Control, MIC, 2008. Citado en cap. 3 como [180]. Asiedu,Y. and Gu,P. Product life cycle cost analysis: state of the art review. Int. J. Prod. Res., 1998, 36(N4), 883–908. Citado en cap. 2 como [14]. AVL BOOST Theory Reference, v2013.1. Citado en cap. 6 como [13] y en cap. 8 como [2]. AVL, BOOST: User’s Guide v2013.1. Citado en cap. 6 como [18].

  Ayadi, M., Polynomial control of nonlinear turbocharged diesel engine model,

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

Industrial Technology, 2004. Citado en cap. 3 como co mo [85]. B. Samanta, K.R. Al-Balushi, Artificial neural network based fault diagnostics of rolling element bearings using time-domain features, Mechanical Systems and Signal Processing 17 (2003) 317–328. Citado en cap. 2 como [96]. B.E. Parker, H.A. Ware, D.P. Wipf, W.R. Tompkins, B.R. Clark, E.C. Larson, H.V. Poor, Fault diagnostics using statistical change detection in the bispectral domain, Mechanical Systems and Signal Processing 14 (2000) 561–570. Citado en cap. 2 como [44]. Badawy, Tamer H., Ionization in diesel combustion for on-board diagnostics and engine control, ProQuest Dissertations and Thesis, 2013. Citado en cap. 3 como [328]. Banks, J., Failure Modes and Predictive Diagnostics Considerations for Diesel

Engines, Pennsylvania State Univ., State College. Applied Research Lab., 2001. Citado en cap. 3 como [69]. Baroth, E., Powers, W. T., Fox J., Prosser, B., Pallix, J., Schweikard, K., and Zakrajsek, J. IVHM (Integrated Vehicle Health Management) techniques for future space vehicles. In Proceedings of the 37th AIAA/ASME/SAE/ASEE Joint Propulsion Conference Citado en cap. 2 como [11]. Bayba, A. J., Application of Autoassociative Neural Networks to Health Monitoring of the CAT 7 Diesel Engine, Army Research Lab., Adelphi, MD., 2012. Citado en cap. 3 como [302]. Bell, J. E., Assessment of Diesel Engine Condition Using Time Resolved Measurements and Signal Processing, Naval Postgraduate School, Monterey, 1996. Citado en cap. 3 como [48]. Bernard, Guillaume, A 0D phenomenological model using detailed tabulated chemistry methods to predict diesel combustion heat[285]. release and pollutant emissions, SAE International, 2011. Citado en cap. 3 como 287

 

Referencias  

  Bidarvatan, M., Thakkar, V., Shahbakhti, M., Bahri, B., Abdul Aziz, A., Grey-box

•

 

•

 

•

 

•

 

•

 

•

 

•

modeling of HCCI engines, Applied Thermal Engineering, 2014. Citado en cap. 3 como [338]. Bilal Youssef, Individual Cylinder IMEP Estimation Based on Two-Dimensional Graphical Signature Using Crankshaft Angular Velocity Measurements, 18th IEEE International Conference on Control Applications, 2009. Citado en cap. 3 como [208]. Bing Li, Classification of time-frequency representations using improved morphological pattern spectrum for engine fault diagnosis, Journal of Sound and Vibration, 2013. Citado en cap. 3 como [324]. Bo Liu, An Expert System for Fault Diagnosis in Diesel Engine Based on Wavelet Packet Analysis and Hybrid PSO-DV Based Neural Network, Intelligent Computing and Cognitive Informatics (ICICCI), 2010. Citado en cap. 3 como [219]. Bonissone, P. P., DELTA: An Expert System for Diesel Electric Locomotive Repair, General Electric Corporate Research and Development, Schenectady, 1984. Citado en cap. 3 como [27]. Bordet, Nicolas, A physical 0D combustion model using tabulated chemistry with  presumed probability density function approach for multi-injection diesel engines, SAE International, 2010. Citado en cap. 3 como [233]. Brahma, Indranil, Data driven system level modeling for diesel engines, Dissertations and Theses (Base de datos), datos ), 2005. Citado en cap. 3 como [99].

Brezonick, Mike, New condition monitoring system for diesel engines, Diesel    progress engines & drives, 1994. Citado en cap. cap. 3 como [42].

•

  Brunt, M. and Pond, C., Evaluation of Techniques for Absolute Cylinder Pressure

•

Correction, SAE International, 1997. Citado en cap. 3 como [51].   Bu-Geun Paik, Seong-Rak Cho, Beom-Jin Park, Dongkon Lee, Byung-Dueg Bae, Development of real-time monitoring system using wired and wireless networks in a full-scale ship, International Journal of Naval Architecture and Ocean Engineering, 2010. Citado en cap. 3 como [239].   C. Bunks, D. McCarthy, T. Al-Ani, Condition-based maintenance of machines using hidden Markov models, Mechanical Systems and Signal Processing 14 (2000) 597–  612. Citado en cap. 2 como [90].   C. C. Aggarwal, Proximity-based outlier detection, in: Outlier Analysis, 460 Springer, 2013, pp. 101–133. Citado en cap. 2 como [81].

•

•

•

•

C. Davies, R.M. Greenough, The use of information systems in fault diagnosis, in:   Proceedings of the 16th National Conference on Manufacturing Research,

 

•

 

•

 

•

 

•

University of East London, UK, 2000. Citado en cap. 2 como [21]. C. Ellwein, S. Danaher, U. Jager, Identifying regions of interest in spectra for classification purposes, Mechanical Systems and Signal Processing 16 (2002) 211–  222. Citado en cap. 2 como [27]. C. Guardiola, J.J. López, J. Martín, D. García-Sarmiento, Semiempirical in-cylinder  pressure based model for NOX prediction oriented to control applications, applic ations, Applied Thermal Engineering, 2011. Citado en cap. 3 como [292]. C. H Liu, D H Zhou, An Adaptive Threshold Selection Method in the Fault Detection, Journal of Shanghai Maritime University, Vol.22, No.3, 46-50, 2001. Citado en cap. 2 como [67]. C. Iclodean, N. Burnete, Computer simulation of CI engines fuelled with biofuels by modelling injection irate law, Research Journal of Agricultural Science, 44 (1), 2012, pp. 249-257. 249-257. Citado en cap. 6 como [15].

288

 

Referencias

 

  C. James Li, S. Li, Acoustic emission analysis for bearing condition monitoring,

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

Wear 185 (1) (1995) 67–74. Citado en cap. 2 como [19]. C. Milkie, A. N. Perakis, Statistical methods for planning diesel engine overhauls in the us coast guard, Naval engineers journal 116 (2) (2004) 31–42. Citado en cap. 2 como [121]. C. R. Parikh, Improving the performance of CMFD applications using multiple classifiers and a fusion framework, Transactions of the Institute of Measurement and Control, Vol 25, Issue 2, 2003. Citado en cap. 3 como [5]. C.C. Aggarwal, Proximity-based outlier detection, in: Outlier Analysis, Springer, Berlin, Heidelberg, 2013, pp. 101–133, doi: 10.1007/978- 1- 4614- 6396- 2 _ 4 . Citado en cap. 4 como [4]. C.-C. Wang, G.-P.J. Too, Rotating machine fault detection based on HOS and artificial neural networks, Journal of Intelligent Manufacturing 13 (2002) 283–293. Citado en cap. 2 como [40]. C.D. Rakopoulos, E. G. Giakoumis, Development of cumulative and availability rate balances in a multi-cylinder turbocharged indirect injection diesel engine, Energy Conversion Management, 1995. Citado en cap. 3 como [46]. C.D. Rakopoulos, Review of Thermodynamic Diesel Engine Simulations under Transient Operating Conditions, SAE International, 2006. Citado en cap. 3 como [133]. C.K. Mechefske, J. Mathew, Fault detection and diagnosis in low speed rolling element bearing. Part II: The use of nearest neighbour classification, Mechanical Systems and Signal Processing Processi ng 6 (1992) 309–316. Citado en cap. 2 como [[87]. 87]. C.K. Mechefske, Objective machinery fault diagnosis using fuzzy logic, Mechanical Systems and Signal Processing Processi ng 12 (1998) 855–862. Citado en cap. 2 como [[105]. 105]. C.M. Harris, A.G. Piersol, Harris’ Shock and Vibration Handbook, McGraw-Hill,  New York, 2002. Citado en cap. 2 como [36]. C.M. Stellman, K.J. Ewing, F. Bucholtz, I.D. Aggarwal, Monitoring the degradation of a synthetic lubricant oil using infrared absorption, fluorescence emission and multivariate analysis: A feasibility study, Lubrication Engineering 55 (1999) 42–52. Citado en cap. 2 como [29]. C.R. Farrar, F. Hemez, G. Park, A.N. Robertson, H. Sohn, T.O. Williams, A coupled approach to developing damage prognosis solutions, in: Damage Assessment of Structures—The Fifth International Conference on Damage Assessment of Structures (DAMAS 2003), Southampton, UK, 2003. Citado en cap. 2 como [111]. C.R.Parikh et al, Detecting the crankshaft torsional vibration of diesel engines for combustion related diagnosis, Journal of Sound and Vibration, Vol. 321, Issues 3–5,  pp. 1171–118510, 1171–118510, 2009. Citado en cap. 3 como [12]. Cai, Yanping, Application of wavelet packets and GA-BP algorithm in fault diagnosis for diesel valve gap abnormal fault, Proceedings - 2nd IEEE International Conference on Advanced Computer Control, ICACC, 2010. Citado en cap. 3 como [223]. Cai, Yanping, Development of on-line performance monitoring and fault diagnosis system for diesel generator generat or system, Key Engineering Materials, 2011. Citado en cap. 3 como [268]. Cai, Yan-Ping, Diesel engine fault diagnosis based on time-frequency spectrum image and image segmentation, Transactions of CSICE (Chinese Society for Internal Combustion Engines), 2011. Citado en cap. 3 como [266]. 289

 

Referencias  

  Canova, M., A control-oriented model of combustion process in a HCCI diesel

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

engine, American Control Conference, 2005. Citado en cap. 3 como [106]. Cao, Longhan, Diesel engine fault diagnosis method based on MPDE-SVM and its application, 2nd International Conference on Information Science and Engineering, ICISE, 2010. Citado en cap. 3 como [220]. Ceausu, Radu, A generic, transient model of a turbocharged, multi-cylinder, common-rail diesel engine, Proceedings of the Spring Technical Conference of the ASME Internal Combustion Engine Division, 2005. Citado en cap. 3 como [98]. Ceccarelli, R., Model-based adaptive observers for intake leakage detection in diesel engines, Proceedings of the American Control Conference , 2009. Citado en cap. 3 como [191]. Cenk Sayin, H. Metin Ertunc, Murat Hosoz, Ibrahim Kilicaslan, Mustafa Canakci, Performance and exhaust emissions of a gasoline engine using artificial neural network, Applied Thermal Engineering, 2007. Citado en cap. 3 como [158]. Chady Nohra, ON LINE FAULT DIAGNOSIS OF A DIESEL ENGINE, EUROSIS, 2010. Citado en cap. 3 como [235]. Chandrachud, Neha R., Classification of the health of diesel engines using sparse linear discriminant analysis, ProQuest Dissertations and Thesis, 2009. Citado en cap. 3 como [197]. Chang, Yong, Fault diagnosis of marine diesel engine based on blind source separation, The 2nd International Conference on Computer and Automation Engineering, ICCAE, 2010. Citado en cap. 3 como [221].

  Chao Deng, Sequential robust control design methodology application to the MIMO

•

air path of a diesel engine, IECON 2012 - 38th Annual Conference on IEEE Industrial Electronics Society, 2012. Citado en cap. 3 como [296].   Charlesa P, Sinhaa J, Gub F, Lidstonea L, Ball AD. Detecting the crankshaft torsional vibration of diesel engines for combustion related diagnosis. J Sound Vib 2008;321(3–5):1171–85. 2008;321(3–5):117 1–85. Citado en cap. 2 como [140].   Chen P, Taniguchi M, Toyota T, He ZJ. Fault diagnosis method for machinery in unsteady operating condition by instantaneous power spectrum and genetic  programming. Mech Syst Signal Process 2005;19:175–94. 2005;19:175–94. Citado en cap. 2 como [138] y en cap. 3 como [115].   Chengjun Shi, Simulation and Optimal Control of Diesel Engine Propulsion System, Computer Science and Information Engineering, 2009. Citado en cap. 3 como [188]. [ 188].

•

•

•

•

Gan, Fault diagnosis of the IFAC Benchmark Problem with a model-based   Chengyu recurrent neural network, Control Applications, 1999. Citado en cap. 3 como [54].   Chinmay R Parikh, Application of Dempster–Shafer theory in condition monitoring

•

applications: a case study, Pattern Recognition Letters, 2001. Citado en cap. 3 como [70].   Christos Emmanouilidis, Flexible software for condition monitoring, incorporating novelty detection and diagnostics, Computers in Industry, 2006. Citado en cap. 3 como [135].   Chuang Zhang, Fault diagnosis for diesel engine based on immune wavelet neural network, Advanced Computer Control (ICACC), 2010. Citado en cap. 3 como [216].   Chung, Namhoon, Nonlinear dynamic model of a turbocharged diesel engine, SAE International, 2005. Citado en cap. 3 como [100].

•

•

•

290

 

Referencias

 

  Chunhua Zhao, Research on Multi-agent System Model of Diesel Engine Fault

•

 

•

 

•

 

•

 

•

 

•

 

•

Diagnosis by Case-Based Reasoning, Innovative Computing, Information and Control, 2006. Citado en cap. 3 como [127]. Church, William E., Design and implementation of an infrared diagnostic system to a high speed small bore diesel engine, ProQuest Dissertations and Thesis, 2007. Citado en cap. 3 como [152]. Clever, S., Signal- and process model-based fault detection and diagnosis of a common rail injection system, FISITA World Automotive Congress, 2008. Citado en cap. 3 como [166]. Clever, Sebastian, Model-based fault detection and diagnosis with special input excitation applied to a modern diesel engine, IFAC Proceedings Volumes, 2008. Citado en cap. 3 como [176]. Curry, T.D., Application of robust l1 fault detection and isolation to an industrial  benchmark using a genetic algorithm, Computer Aided Control System Design, 2006. Citado en cap. 3 como [119]. D. Abbott et al., Concepts for an integrated vehicle health monitoring system, Review of Quantitative Nondestructive Evaluation Vol. 22, American Institute of Physics, pp. 1606-1614. Citado en cap. 1 como [4]. [ 4]. D. Antory, U. Kruger, G. Irwin, G. McCullough, Fault diagnosis in internal combustion engines using non-linear multivariate statistics, Proc. Institution Mech. Eng. Part I: J. Syst. Control Eng. 219 (2005) 243-258. Citado en cap. 2 com como o [82].

Banjevic, A.K.S. Jardine, Calculation of reliability function and remaining useful   D. life for a Markov failure time process, IMA Journal of Management Mathematics

•

 

•

 

•

 

•

 

•

(2005), to appear, doi:10.1093/imaman/dpi029. Citado en cap. 2 como [113]. D. Chelidze, J.P. Cusumano, A dynamical systems approach to failure prognosis, Journal of Vibration and Acoustics 126 (2004) 2–8. Citado en cap. 2 como [117]. D. E. Barber, Shipboard condition based maintenance and integrated power system initiatives, Ph.D. thesis,Massachusetts Institute of Technology (2011). Citado en cap. 2 como [4]. D. Watzenig, M. S. Sommer, G. Steiner , Engine state monitoring and fault diagnosis of large marine diesel engines, e & i Elektrotechnik und Informationstechnik, 2009. Citado en cap. 3 como [209]. D.G. Trodden, A.J. Murphy, K. Pazouki, James Sargeant, Fuel usage data analysis for efficient shipping operations, Ocean Engineering, 2015. Citado en cap. 3 como [351].

  D.G.Driscoll et al, Surveillance, Monitoring, and Diagnostic Techniques to Improve

•

 

•

 

•

 

•

 

•

Diesel Generator Reliability, Electric Power Research Inst., Technical Report EPRI NP-5924 ON: TI88013637; TI88013637; TRN: 88-028645, 88-028645, 1988. Citado en cap. cap. 3 como [16]. D.L. Hall, J. Llinas, Handbook of Multisensor Data Fusion, CRC Press, Boca Raton, FL, 2001. Citado en cap. 2 como [129]. D.L. Hall, R.J. Hansen, D.C. Lang, The negative information problem in mechanical diagnostics, Journal of Engineering for Gas Turbines and Power—Transactions of the ASME 119 (1997) 370–377. Citado en cap. 2 como c omo [101]. D.L. Hall, S.A.H. McMullen, Mathematical Techniques in Multi-Sensor Data Fusion, Artech House, Boston, 2004. Citado en cap. 2 como [130]. D.-M. Yang, A.F. Stronach, P. Macconnell, J. Penman, Third-order spectral techniques for the diagnosis of motor bearing condition using artificial neural networks, Mechanical Systems and Signal Processing 16 (2002) 391–411. Citado en cap. 2 como [42]. 291

 

Referencias  

  D.T.Hountalas, Prediction of marine diesel engine performance under fault

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

conditions, Applied Thermal Engineering 20, 2000, pp. 1753-1783. Citado en cap. 3 como [64] y en cap. 7 como [1]. D.Watzenig, Model-Based Condition and State Monitoring of Large Marine Diesel Engines, INTECH, 2013. Citado en cap. 3 como [332]. [ 332]. Das, A., Process monitoring and fault detection strategies: A review, IJQRM, 2011. Citado en cap. 3 como [258]. David Pack, Fleet management with CBM+, Army Sustainment magazine. USA, March-April 2014, https://www.army.mil/article/120896. Citado en cap. 2 como [2]. Dec, J. E., Soot and liquid-phase fuel distributions in a newly designed optically accessible D.I. diesel engine, Sandia National Labs., Livermore, 1993. Citado en cap. 3 como [40]. Desai, Mihir C, Adaptive aero-thermodynamic engine model, PATENTE. Ir ruta  para ver artículo: http://www.google.com/patents/US7058556, http://www.google.com/patents/US7058556, 2006. Citado en cap. 3 como [116]. Deur, Jo, Analysis of mean value engine model with emphasis on intake manifold thermal effects, IEEE Conference on Control Applications, 2003. Citado en cap. 3 como [77]. Dey, Koustav, Characterization and rejection of noise from in-cylinder pressure traces in a diesel engine, ProQuest Dissertations and Thesis, 2012. Citado en cap. 3 como [304].

  Dimitrios T. Hountalas, Prediction of marine diesel engine performance under fault

•

 

•

 

•

 

•

 

•

conditions, Applied Thermal Engineering 20 (2000) 1753-1783. Citado en cap. 1 como [6]. Dobbs, G. M., Optical Diagnostics for Diesel Engine Applications. Final Technical Report, United Technologies Research Center, East Hartford, 1985. Citado en cap. 3 como [29]. Dominique, H. P., Filter Debris Analysis: A Concrete Approach to Wear Diagnosis, Defence Research Establishment Pacific, Victoria (British Columbia), 1988. Citado en cap. 3 como [31]. Dominy, D., Feasibility Study for a Diesel Engine Condition Monitoring System for 1179 Class LSTs, National Bureau of Standards Washington D C, 1975. Citado en cap. 3 como [20]. Dong-Sup Lee, Dae-Seung Cho, Kookhyun Kim, Jae-Jin Jeon, Woo-Jin Jung,

Myeng-Hwan Kang, Jae-Ho Kim, A simple iterative independent component analysis algorithm for vibration source signal identification of complex structures, International Journal of Naval Architecture and Ocean Engineering, 2015. Citado en cap. 3 como [353].   Duan Wei-Wu, A fault diagnosis method for diesel engine based on Adaptive  Network-based Fuzzy Inference System, Control Conference (CCC), 2010. Citado en cap. 3 como [215].   Dulbecco, A., A new 0D diesel HCCI combustion model derived from a 3D CFD approach with detailed tabulated chemistry, Oil and Gas Science and Technology, 2009. Citado en cap. 3 como [205].   Dulbecco, Alessio, A 0d phenomenological approach to model diesel hcci combustion with multi-injection strategies using probability density functions and detailed ..., SAE International, 2009. Citado en cap. 3 como [206].

•

•

•

292

 

Referencias

 

  E.R. Hidalgo, C. Batista, F. Robles, Evaluation of diagnosis variable values of diesel

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

internal combustion engine, Revista Ciencias Técnicas Agropecuarias, 2016." Citado en cap. 3 como [362]. Edwin Lughofer, Identifying static and dynamic d ynamic prediction models for NOx emissions with evolving fuzzy systems, Applied Soft Computing, 2011. Citado en cap. 3 como [262]. Estefanous, Fadi A., Ionization in diesel combustion: Mechanism, new instrumentation and engine applications, ProQuest Dissertations and Thesis, 2011. Citado en cap. 3 como [276]. F. Payri et al, A complete 0D thermodynamic predictive model for direct injection diesel engines, Applied Energy, Vol. 88, Issue 12, pp. 4632–4641, 2011. Citado en cap. 3 como [3]. F. Payri, P. Olmeda, C. Guardiola, J. Martín, Adaptive determination of cut-off frequencies for filtering the in-cylinder pressure in diesel engines combustion analysis, Applied Thermal Engineering, 2011. Citado en cap. 3 como [290]. F. Salfner, M. Lenk, M. Malek , A survey of online failure prediction methods, Journal ACM Computing Surveys , 2010. Citado en cap. cap. 3 como [243]. F. Taglialatela, Determi Determination nation of combustion parameters using engine crankshaft speed, Mechanical Systems and Signal Processing, 2013. Citado en cap. 3 como [326]. F.A. Andrade, I. Esat, M.N.M. Badi, Gearbox fault detection using statistical methods, time–frequency methods (STFT and Wigner–Ville distribution) and harmonic wavelet—A comparative study, in: Proceedings of the COMADEM ’99, Chipping Norton, 1999, pp. 77–85. Citado en cap. 2 como [48]. F.F. Vacas et al, Development Of A Remote Non Intrusive Diagnosis System For Two Stroke Diesel Engines , CIMAC World Congress on Combustion Engine, 2010. Citado en cap. 3 como [241]. F.F. Vacas et al, Diesel Engine Maintenance based on the Diagnosis of Operating Conditions, Seminario Mantenimiento de Motores Diesel UPCT, 2012. Citado en cap. 3 como [15] y en cap. 8 como [7]. F.Payri, Influence of measurement errors and estimated parameters on combustion diagnosis, Applied Thermal Engineering, 2005. Citado en cap. 3 como [111]. Fang, Tiegang, Low-temperature combustion in a small-bore high-speed direct injection optically accessible diesel engine, ProQuest Dissertations and Thesis, 2007. Citado en cap. 3 como [153].

  Fentress, Amy, The use of linear sweep voltammetry in condition monitoring of

•

 

•

 

•

 

•

 

•

diesel engine oil, Journal of ASTM International (JAI), 2011. Citado en cap. 3 como [281]. Feola, M., Optimization of injection law for direct injection diesel engine, Journal of Engineering for Gas Turbines and Power, 1992. Citado en cap. 3 como [37]. [ 37]. Finesso, Roberto, Analysis of combustion and emissions in a EURO v diesel engine  by means of a refined quasi-dimensional multizone diagnostic model, SAE International, 2012. Citado en cap. 3 como [306]. Finley, B. and Schneider, E. ICAS: the center of diagnostics and prognostics for the United States navy. Proc. SPIE – Int. Soc. Opt. Eng., 2001, 4389, 186–193. Citado en cap. 2 como [13]. Francis Morey, Patrice Seers, Comparison of cycle-by-cycle variation of measured exhaust-gas in-cylinder Engineering,temperature 2010. Citadoand en cap. 3 como pressure [ 238]. measurements, Applied Thermal [238]. 293

 

Referencias  

  Frank, P.M., Model Based Fault Detection in Diesel-Hydraulically Driven Industrial

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

Trucks, American Control Conference, 1991. Citado en cap. 3 como [36]. Fuller, Edward J., The practical realization of an automated diagnostic system for diesel powered vehicles, SAE International, 1976. Citado en cap. 3 como [22]. G. Bidini, C.N. Grimaldi, F. Mariani, Experimental analysis of the actual behaviour of a natural gas fueled engine Caterpillar (CAT)-3516, Applied Thermal Engineering, 2000. Citado en cap. 3 como [66]. [ 66]. G. Dalpiaz, A. Rivola, R. Rubini, Effectiveness and sensitivity of vibration  processing techniques for local fault detection in gears, Mechanical Systems and Signal Processing 14 (2000) 387–412. 387–412. Citado en cap. 2 como [33]. G. Polo, On maritime transport costs, evolution, and forecast, Ship Science & Technology Vol 5, No 10, 2011. Citado en cap. 1 como [1]. G. W. Vogl, B. A. Weiss, M. Helu, A review of diagnostic and prognostic capabilities and best practices for manufacturing, Journal of Intelligent Manufacturing (2016) 1–17. Citado en cap. 2 como [61]. G. Woschni, A Universally Applicable Equation for the Instantaneous Heat Transfer Coefficient in the Internal Combustion Engine, Society of Automotive Engineers Trans., Vol. 76, SAE paper 670931, 1967, pp. 3065. Citado en cap. 6 como [21]. G.J. Kacprzynski, A. Sarlashkar, M.J. Roemer, Predicting remaining life by fusing the physics of failure modeling with diagnostics, Journal of Metal 56 (2004) 29–35. Citado en cap. 2 como [119].

  G.O. Allgood, B.R. Upadhyaya, A model-based high-frequency matched filter

•

arcing diagnostic system based on principal component analysis (PCA) clustering, in: Applications and Science of Computational Intelligence III, vol. 4055, Bellingham, 2000, pp. 430–440. Citado en cap. 2 como [30]. [ 30].   G.O. Chandroth, W.J. Staszewski, Fault detection in internal combustion engines using wavelet analysis, in: Proceedings of the COMADEM ’99, Chipping Norton, 1999, pp. 7–15. Citado en cap. 2 como [58]. [ 58].   G.-T. Yan, G.-F. Ma, Fault diagnosis of diesel engine combustion system based on neural networks, in: Proceedings of the 2004 International Conference on Machine Learning and Cybernetics, vol. 5, Shanghai, China, 2004, pp. 3111–3114. Citado en cap. 2 como [110].   G.Y. Luo, D. Osypiw, M. Irle, On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing, Journal of Vibration and

•

•

•

Control 9 (2003) 931–947. Citado en cap. 2 como [56].

  Gao ZW; Cecati C; Ding SX , A survey of fault diagnosis and fault-tolerant

•

techniques-part i: fault diagnosis with model-based and signal-based approaches , IEEE Transactions on Industrial Electronics and Control Instrumentation, 2015. Citado en cap. 3 como [341].   Gasparjan, A., The use of results of spectral analysis of synchronous generator output voltage for technical diagnostics., Industrial Technology, 2006. Citado en cap. 3 como [125].   Gelso, E.R., Robust fault detection using consistency techniques with application to an automotive engine, IFAC Proceedings Volumes, 2008. Citado en cap. 3 como [165].   Gen-Ting Yan, Fault diagnosis of diesel engine combustion system based on neural networks, Machine Learning and Cybernetics, 2004. Citado en cap. 3 como [90].

•

•

•

 

•

Gomes, Cleber Willian, Off Board diagnosis using analytical  powered vehicles, SAE International, 2008. Citado en cap. 3 comosystem [174]. for Diesel

294

 

Referencias

 

  Grahn, Markus, A diesel engine model for dynamic drive cycle simulations, IFAC

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

Proceedings Volumes, 2011. Citado en cap. 3 como [244]. Gu, F., The condition monitoring of diesel engines using acoustic measurements  part 1: Acoustic characteristics of the engine and representation of the ..., SAE International, 2000. Citado en cap. 3 como [61]. Gupta, A., Model based failure detection of Diesel Particulate Filter, American Control Conference (ACC), 2011. Citado en cap. 3 como [275]. H Li and P Zhou, Pattern Recognition On Diesel Engine Working Condition by using a Novel Methodology Hilbert Spectrum Entropy, Journal of Marine Engineering and Technology, 2005. Citado en cap. 3 como [112]. H. Austerlitz, Data Acquisition Techniques using PCs, Academic Press, San Diego, CA, 2003. Citado en cap. 2 como [17]. H. Barths, Simulation of combustion in direct injection diesel engines using a eulerian particle flamelet model, Proceedings of the Combustion Institute, 2000. Citado en cap. 3 como [63]. H. Choi and W. J. Williams, Improved time-frequency representation of multicomponent signals using exponential kernels, IEEE. Trans. Acoustics, Speech, Signal Processing, vol. 37, no. 6, pp. 862–871, June 1989. Citado en cap. 2 como [51]. H. Ding, X. Gui, S. Yang, An approach to state recognition and knowledge-based diagnosis for engines, Mechanical Systems and Signal Processing 5 (1991) 257–  266. Citado en cap. 2 como [84].

  H.J. Wei, Research of marine diesel engine condition detecting base on BP neural

•

network and spectrometric analysis, in: International Conference on Multimedia Technology (ICMT), Ningbo, China, 2010, pp. 1-4. Citado en cap. 2 como [95].   H.M. Nahim et al, Oriented review to potential simulator for faults modeling in diesel engine, JASNAOE, Journal of Marine Science and Technology, 2015. DOI: 10.1007/s00773-015-0358-6. 10.1007/s00773-0 15-0358-6. Citado en cap. 7 como [2]. [ 2].   H.R. DePold, F.D. Gass, The application of expert systems and neural networks to gas turbine prognostics and diagnostics, Journal of Engineering for Gas Turbines and Power 121 (1999) 607–612. Citado en cap. 2 como c omo [102].   H.T. Grimmelius, J.K. Woud, G. Been, On-line failure diagnosis for compression refrigeration plants, International Journal of Refrigeration 18 (1995) 31–41. Citado en cap. 2 como [31].

•

•

•

Wang, Modified Mean Value Model for a Common Rail Marine Diesel   Haiyan Engine, Modelling, Simulation and Optimization, 2008. Citado en cap. 3 como

•

 

•

 

•

 

•

 

•

[160]. Hall T; Beecham S; Bowes D; Gray D; Counsell Counsell S , A systematic literature review on fault prediction performance in software engineering , IEEE Transactions on Software Engineering, 2012. Citado en cap. 3 como [316]. Hambright, R. N., Selection of a Prototype Engine Monitor for Coast Guard Main Diesel Propulsion, Southwest Research Inst San Antonio, 1979. Citado en cap. 3 como [23]. Hassan Moussa Nahim, Oriented review to potential simulator for faults modeling in diesel engine, Journal of Marine Science and Technology, 2015. Citado en cap. 3 como [354]. Herrera, J.A.G., López, J.F.L., Riaza, H.F.Q., Diagnostic method based on the analysis of vibration and acoustic emissions for internal combustion engines faults, 295

 

Referencias  

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

296

Symposium on Image, Signal Processing and Artificial Vision, 2015. Citado en cap. 3 como [347]. Hess, A. and Fila, L.The joint strike fighter PHMconcept: potential impact on aging aircraft problems. In Proceedings of the 2002 IEEE Aerospace Conference, Big Sky, Montana, USA, 9–16March 2002, vol. 6, pp. 3021–3026. Citado en cap. 2 como [10]. Hess, A., Calvello, G., and Dabney, T. PHM a key enabler for the JSF autonomic logistics support concept. In Proceedings of the 2004 IEEE Aerospace Conference, Big Sky, Montana, USA, 6–13 March 2004, vol. 6, pp. 3543–3550. Citado en cap. 2 como [9]. Hou, J., Qiao, X., Wang, Z., Liu, W., & Huang, Z.. Characterization of knocking combustion in HCCI DME engine using wavelet packet transform. Applied Energy, 87(4), 1239-1246 (2010). doi:10.1016/j.apenergy.2009.06.014 Citado en cap. 8 como [8]. Hountalas, Comparative evaluation of various methodologies to account for the effect of load variation during cylinder pressure measurement of large scale twostroke diesel engines, Applied Energy, 2014. Citado en cap. 3 como [340]. Hountalas, D.T., A diagnostic method for heavy-duty diesel engines used in stationary applications, Journal of Engineering for Gas Turbines and Power, 2004. Citado en cap. 3 como [96]. Hountalas, D.T., Development and application of a fully automatic troubleshooting method for large marine diesel engines, Applied Thermal Engineering, 1999. Citado en cap. 3 como [55]. Hountalas, D.T., Development of a fast and simple simulation model for the fuel injection system of diesel engines, Advancer in Engineering Sojhvare, 1998. Citado en cap. 3 como [52]. Hountalas, D.T., Experimental investigation to develop a methodology for estimating the compression condition of DI Diesel engines, Energy Conversion and Management, 2006. Citado en cap. 3 como [132]. Hountalas, Dimitrios T., Evaluation of a new diagnostic technique to detect and account for load variation during cylinder pressure measurement of large-scale fourstroke ..., SAE International, 2012. Citado en cap. 3 como [307]. Hu Mingjiang, On-Line Sensor Diagnosis of the Diesel Engine Cold Starting Based on RBFNN, Testing and Diagnosis, 2009. Citado en cap. 3 como [201]. Hu Mingjiang, TeachingUncertainty research onReasoning sensor diagnosis based on Engineering information Syncretic Technology, and Knowledge (URKE), 2011. Citado en cap. 3 como [270]. Hu, Yi, Research on the fault diagnosis technology of diesel engine based on the instantaneous speed, Key Engineering Materials, 2009. Citado en cap. 3 como [184]. Huang, Liang Jia, Research on fault diagnosis for low-speed marine diesel engine and its applications using RBF neural network, ProQuest Dissertations and Thesis, 2002. Citado en cap. 3 como [74]. Huang, Qiang, Study on Application of Neural Networks to Fault Diagnosis and Control for Diesel Engine, ProQuest Dissertations and Thesis, 2003. Citado en cap. 3 como [81]. I.I. Vibe, Rate of heat release in cyclic process of internal combustion engines (Brennverlauf und Kreisprozeß von Verbrennungsmotoren), Verlag Technik, Berlin, 1970. Citado en cap. 6 como [20].

 

Referencias

 

  I.K. Fodor, A Survey of Dimension Reduction Techniques, Lawrence Livermore

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 National Laboratory (LLNL) Technical Report, UCRL-ID-148494, University of California, Livermore, CA, 2002. Citado en cap. 2 como [28]. IEC 60812: Analysis techniques for system reliability – Procedure for failure mode and effects analysis (FMEA). International Electrotechnical Commission IEC, 2006. Citado en cap. 1 como [8]. Ihab Samy, Survey and application of sensor fault detection and isolation schemes, Control Engineering Practice, 2011. Citado en cap. 3 como [260]. Iseki, Y., Diagnosis of Diesel Engine Troubles - Cylinder Condition Monitoring System, 1974. Citado en cap. 3 como [19]. Isermann R , Model-based fault-detection and diagnosis - status and applications applications , Annual Reviews in Control, 2005. Citado en cap. 3 como [113]. ISO 13374-1:2003: Condition monitoring and diagnostics of machines — Data  processing, communication and presentation — Part 1: General guidelines. Citado en cap. 1 como [3]. ISO 3046-1:2002, Reciprocating internal combustion engines -- Performance -- Part 1: Declarations of power, fuel and lubricating oil consumptions, and test methods -Additional requirements for engines for general use. Citado Cit ado en cap. 6 como [4]. ISO 8178: 2006 Reciprocating internal combustion engines – Exhaust emission measurement – Part 3: Definitions and methods of measurement of exhaust gas smoke under steady – state conditions. Citado en cap. 6 como [7].

  J. A. Pagán et al, Proceso obtención medidas experimentales y tratamiento de datos

•

 para modelado motor diesel marino, IX Congreso Nacional de Ingeniería Termodinámica, 2015, URI: http://hdl.handle.net/10317/4709. Citado en cap. 6 como [1].   J. Brettschneider, Bosch technische Berichte, Vol 6 (1979) Nº. 4, Pgs 177-186. Citado en cap. 6 como [8].   J. Flett, G.M. Bone, Fault detection and diagnosis of diesel engine valve trains, Fault detection and diagnosis of diesel engine valve trains, 2016. Citado en cap. 3 como [365].   J. He, A.-H. Tan, C.-L. Tan, S.-Y. Sung, On quantitative evaluation of clustering systems, in: Clustering and Information Retrieval, Springer, Berlin, Heidelberg, 2004, pp. 105–133, doi: 10.1007/978- 1- 4613- 0227- 8 _ 4 . Citado en cap. 4 como [2].

•

•

•

Huang, P. Zhang, Fault Diagnosis for Diesel Engines Based on Discrete Hidden   J. Markov Model, Intelligent Computation Technology and Automation, Second

•

International Conference ICICTA, 2009. Citado en cap. 3 como [13].   J. Korbicz, J.M. Koscielny, Z. Kowalczuk, W. Cholewa, Fault Diagnosis: Models, Artificial Intelligence, Applications, Springer, Berlin, 2004. Citado en cap. 2 como [65]. plat form for   J. Lee, R. Abujamra, A.K.S. Jardine, D. Lin, D. Banjevic, An integrated platform diagnostics, prognostics and maintenance optimization, in: The IMS ’2004 International Conference on Advances in Maintenance and in Modeling, Simulation and Intelligent Monitoring of Degradations, Arles, France, 2004. Citado en cap. 2 como [16].   J. Ma, C.J. Li, Detection of localized defects in rolling element bearings via composite hypothesis test, Mechanical Systems and Signal Processing 9 (1995) 63–  75. Citado en cap. 2 como [77].

•

•

•

297

 

Referencias  

  J. Melgarejo, PCF Preparación de un modelo termodinámico de un motor generador

•

diésel rápido - obtención de leyes de liberación de calor e implementación del modelo en AVL Boost, Ingeniería Industrial, Escuela Técnica Superior de Ingeniería Industrial; Universidad Politécnica de Cartagena, 2015. Citado en cap. 6 como [2]. J. Moubray, Reliability-Centered Maintenance, Industrial Press, ISBN: 9780831131463, 97808311314 63, 2002. Citado en cap. 1 como [2] y en cap. 2 como [124]. J. Muñoz et al, Ajuste de un modelo termodinámico unidimensional para simulación de fallos de motor diésel marino, IV Congreso nacional de I+D en defensa y seguridad, DESEID-2016-057, 2016, http://www.deseid.org/sites/default/files/documents/DESEID2016_LIBRO_ACTAS .pdf. Citado en cap. 6 como [17]. J. Muñoz et al, Aplicación del modelado de motores diésel a un sistema de dignosis en tiempo real, III Encuentro ingeniería de la energia Mare Nostrum, URI: 10.1007/s00773-015-0358-6. http://hdl.handle.net/10317/4709. http://congresos.um.es/iecmn/iecmn2016/schedConf/presentations/. Citado en cap. 9 como [5]. J. Muñoz et al, Desarrollo de un modelo termodinámico cerodimensional para determinación en tiempo real de las prestaciones de motor diesel marino, IV Congreso nacional de I+D en defensa y seguridad, 2016. DESEID-2016-072, URI: http://www.deseid.org/sites/default/files/documents/DESEID2016_LIBRO_ACTAS .pdf Citado en cap. 3 como [4] y en cap. 9 como [7].

 

•

 

•

 

•

 

•

Porteiro, J. Collazo, D. Pati~no, J.L. Míguez, Diesel engine condition monitoring   J. using a multi-net neural network system with nonintrusive sensors, Appl. Therm.

•

Eng. 31 (2011) 4097-4105. Citado en cap. 2 como [94]. [ 94].   J. Schurmann, Pattern Recognition: A Unified View of Statistical and Neural Approaches, Wiley, New York, 1996. Citado en cap. 2 como [83].   J. Serra, Desarrollo de base de datos de parámetros de un motor diésel rápido marino auxiliar a partir de medidas de ensayos, válido para análisis de prestaciones y diagnosis, TFG Grado en Arquitectura Naval e Ingeniería de Sistemas Marinos, Escuela Técnica Superior de ingeniería Naval y Oceánica, Universidad Politécnica de Cartagena, 2016. Citado en cap. 6 como [3].   J.A. Pagán et al, Ajuste de un modelo termodinámico unidimensional para simulación de fallos de motor diésel marino, IV Congreso nacional de I+D en defensa y seguridad, 2016. DESEID-2016-057, URI:

•

•

•

 

•

 

•

 

•

 

•

http://www.deseid.org/sites/default/files/documents/DESEID2016_LIBRO_ACTAS .pdf. Citado en cap. 9 como [6]. J.A. Pagán et al, Proceso obtención medidas experimentales y tratamiento de datos  para modelado motor diesel marino, IX Congreso Nacional De Ingeniería Termodinámica, 2015. ISBN: 978-84-606-8931-7, URI: 10.1007/s00773-015-03586. http://hdl.handle.net/10317/4709. Citado en cap. 9 como [2]. J.A. Pagán, Diagnóstico de motores diesel basado en parámetros, PFPF Programa de Doctorado en Energías Renovables, Escuela Técnica Superior de Ingeniería Industrial, Universidad Politécnica de Cartagena, 2013. Citado en cap. 3 como [17]. J.A. Pagan, F. Vera, J.H. Grau, Proceso obtención medidas experimentales y tratamiento de datos para modelado motor diesel marino, Congreso Nacional De Ingeniería Termodinámica, 2015. Citado en cap. 3 como [355]. J.B. Heywood, Internal Combustion Engine Fundamentals. McGraw - Hill Book Company, ISBN 0-07-100499-8, 1988. 1988. 386-388 pp. Citado en cap. 6 como [10].

298

 

Referencias

 

  J.C. Russ, The Image Processing Handbook, CRC Press, Boca Raton, FL, 2002.

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

Citado en cap. 2 como [23]. J.E. Campbell, B.M. Thompson, L.P. Swiler, Consequence analysis in predictive health monitoring systems, in: Proceedings of Probabilistic Safety Assessment and Management, vols. I and II, Amsterdam, 2002, pp. 1353–1358. Citado en cap. 2 como [122]. J.H. Williams, A. Davies, P.R. Drake, Condition-Based Maintenance and Machine Diagnostics, Chapman & Hall, London, 1994. 1994. Citado en cap. c ap. 2 como [64]. J.Hernandez Grau, A. Muñoz, IndicatorCal - Software de Adquisición y Tratamiento de Señales de Presión en Cilindro de Motores de Combustión Interna Alternativos, 2012, Trabajo no publicado. Citado en cap. 6 como [11]. J.Hernandez Grau, Tratamiento Señal de Presión en Cilindro de Motores Diesel Marinos de Media Velocidad Medidas desde Válvula de Purga. Informe Interno UPCT – NAVANTIA 2007. Citado en cap. 6 como [9]. J.K. Spoerre, Application of the cascade correlation algorithm (CCA) to bearing fault classification problems, Computers in Industry 32 (1997) 295–304 Citado en cap. 2 como [97]. J.L. Fleiss, B. Levin, M.C. Paik, Statistical Methods for Rates and Proportions, John Wiley & Sons, 2013, doi: 10.1002/0471445428. Citado en cap. 4 como [11]. J.M. Desantes, J. Benajes, S. Molina, C.A. González, The modification of the fuel injection rate in heavy-duty diesel engines: Part 2: Effects on combustion, Applied Thermal Engineering, 2004. Citado en cap. 3 como [97].

  J.P. Wang, H.F. Wang, The reliability and self-diagnosis of sensors in a multisensor

•

 

•

 

•

 

•

 

•

data fusion diagnostic system, Journal of Testing and Evaluation 31 (2003) 370–  377. Citado en cap. 2 como [132]. J.Porteiro et al, Diesel engine condition monitoring using a multi-net neural network system with nonintrusive sensors, Applied Thermal Engineering, Vol. 31, Issues 17–18, pp. 4097–4105, 2011. 2011. Citado en cap. 3 como [9]. J1826_199503 Standard, Turbocharger Gas Stand Test Code, SAE International, 1995. Citado en cap. 6 como [19]. Jakub Cichowicz, Gerasimos Theotokatos, Dracos Vassalos, Dynamic energy modelling for ship life-cycle performance assessment, Ocean Engineering, 2015. Citado en cap. 3 como [350]. Janarthanan, B., Modeling of diesel engine and automatic transmission of a tracked vehicle, SAE International, 2009. Citado en cap. 3 como [189].

  Janasak, K. M. and Beshears, R. R. Diagnostics to prognostics – a product

•

availability technology evolution. In Proceedings of the 2007 Reliability and Maintainability Symposium – RAMS’07, Orlando, Florida, USA, 22–25 January 2007, pp. 113–118. Citado en cap. 2 como [6].   Javed K; Gouriveau R; Zerhouni N; Nectoux P , Enabling health monitoring approach based on vibration data for accurate  prognostics , IEEE Transactions on Industrial Electronics and Control Instrumentation, 2015. Citado en cap. 3 como [342].   Jayasinghe, Dave, Effects of duty cycles on diesel engine component life estimation, ProQuest Dissertations and Thesis, 2006. Citado en cap. 3 como [117].   Jesús Benajes, Pablo Olmeda, Jaime Martín, Ricardo Carreño, A new methodology for uncertainties characterization in combustion diagnosis and thermodynamic

•

•

•

modelling, Applied Thermal Engineering, 2014. Citado en cap. 3 como [336]. 299

 

Referencias  

  Jian Gong, System Level Diesel Engine Emission Modeling Using Neural

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 Networks, ME 539 Course Project Report, 2010. Citado en cap. 3 como [234]. Jian Zhang, Fuzzy modeling of diesel engine based on working position, System Science and Engineering (ICSSE), 2012. Citado en cap. 3 como [294]. Jiang, Dan-Na, Research on improving the real-time performance of the diesel engine model using the method of cylinder moving, Chinese Internal Combustion Engine Engineering, 2006. Citado en cap. 3 como [121]. Jiang, F.-Y., Prototyping hardware-in-the-loop simulation system of diesel engine on linux system with automatic code generation, SAE International, 2008. Citado en cap. 3 como [167]. Jia-shan Huang, Fault Diagnosis for Diesel Engines Based on Discrete Hidden Markov Model, Intelligent Computation Technology and Automation, 2009. Citado en cap. 3 como [194]. Jimbo, Tomohiko, A physical model for engine control design via role state variables, Control Engineering Practice, 2011. Citado en cap. 3 como [245]. Jin, Biao Hua, The development of fault-diagnosis apparatus of lobomotive diesel engine based onthe instantaneous speed theory, ProQuest Dissertations and Thesis, 2003. Citado en cap. 3 como [80]. Joel Igba, A Systems Approach Towards Reliability-Centred Maintenance (RCM) of Wind Turbines, 2013. Citado en cap. 5 como [8]. John Moubray, RCM2 – Reliability – Centered – Maintenance. Aladon, 2000. Citado en cap. 5 como [6] y en cap. 8 como [1]. Jones NB, Li Yu-Hua. A review of condition monitoring and fault diagnosis for diesel engines. Tribotest Int J 2000;6(3):267–91. Citado en cap. 2 como [133]. Jones, A D, The application of parallel processing to diesel engine modelling, ProQuest Dissertations and Thesis, 1987. Citado en cap. 3 como [30]. Jones, N.B., Aspects of diagnostic schemes for biomedical and engineering systems [EMG, ECG, and diesel engine application, Science, Measurement and Technology, IEE Proceedings, 2000. Citado en cap. 3 como [59]. Joshi, Alok A., Strategies for data-based diesel engine fault diagnostics, ProQuest Dissertations and Thesis, 2007. Citado en cap. 3 como [150]. K. P. Logan, Operational Experience with Intelligent Software Agents for Shipboard Diesel and Gas Turbine, Electric Ship Technologies Symposium, IEEE, 10.1109/ESTS.2005.1524673, 10.1109/ESTS.200 5.1524673, 2005. Citado en cap. 3 como [6].

Wagstaff, C. Cardie , S. Rogers , S. Schrödl , et al. , Constrained k-means clus  K. tering with background knowledge, in: ICML, 1, 2001, pp. 577–584. Citado en cap.

•

4 como [6].   K.A. Loparo, A.H. Falah, M.L. Adams, Model-based fault detection and diagnosis in rotating machinery, in: Proceedings of the Tenth International Congress on Sound and Vibration, Stockholm, Sweden, 2003, pp. 1299–1306. Citado en cap. 2 como [75].   K.B. Goode, J. Moore, B.J. Roylance, Plant machinery working life prediction method utilizing reliability and condition-monitoring data, Proceedings of the Institution of Mechanical Engineers Part E—Journal of Process Mechanical Engineering 214 (2000) 109–122. Citado en cap. 2 como [123].   K.F. Martin, A review by discussion of condition monitoring and fault-diagnosis in machine-tools, International Journal of Machine Tools and Manufacture 34 (1994)

•

•

•

527–551. Citado en cap. 2 como [1]. [1] . 300

 

Referencias

 

  Kalman, R. E.; A New Approach to Linear Filtering and Prediction Problems,

•

 

•

 

•

 

•

 

•

 

•

 

•

Transactions of the ASME - Journal of Basic Engineering Vol. 82: pag. 35-45 (1960). Citado en cap. 2 como [72]. Kaushik Ghosh, Evaluation of decision fusion strategies for effective collaboration among heterogeneous fault diagnostic methods, Computers & Chemical Engineering, 2011. Citado en cap. 3 como [286]. [ 286]. Khakzad N; Khan F; Amyotte P , Safety analysis in process facilities: comparison of fault tree and bayesian network approaches , Reliability Engineering and System Safety, 2011. Citado en cap. 3 como [289]. Kim, Chung-Gong, A crank angle resolved CIDI engine combustion model with arbitrary fuel injection for control purpose, ProQuest Dissertations and Thesis, 2004. Citado en cap. 3 como [84]. Kim, J., Simulation on the effect of the combustion parameters on the piston dynamics and engine performance using the Wiebe function in a free piston engine, Applied Energy, 2013. Citado en cap. 3 como [320]. Kluj, Stefan, The application of the diesel engine simulator for the diagnostic training, Proceedings of the IASTED International Conference on Applied Simulation and Modelling, 2004. Citado en cap. 3 como [91]. Korczewski, Zbigniew, Alternative diagnostic method applied on marine diesel engines having limited monitoring susceptibility, Transactions of the Institute of Measurement and Control, 2012. Citado en cap. 3 como [308].

  Kouremenos, D.A., Diagnosis and condition monitoring of medium-speed marine

•

 

•

 

•

 

•

 

•

diesel engines, TriboTest, 1997. Citado en cap. 3 como [50]. Koustav Dey, Characterization and rejection of noise from in-cylinder pressure traces in a diesel engine, Electronic Theses and Dissertations, 121, http://scholar.uwindsor.ca/etd/121, 2012. Citado en cap. 3 como [14] y en cap. 8 como [6]. Kwon, Jaesung, Zero-dimensional simulation of diesel engine combustion and emissions based on CMC model and skeletal reaction mechanism, SAE International, 2011. Citado en cap. 3 como [284]. L. A. Zadeh, Fuzzy sets, Information and control 8 (3) (1965) 338–353. Citado en cap. 2 como [104]. L. Barelli, G. Bidini, C. Buratti, R. Mariani, Diagnosis of internal combustion engine through vibration and acoustic pressure non-intrusive measurements, Applied Thermal Engineering, 2008. Citado en cap. 3 como [183].

  L. Barelli, G. Bidini, Design of the measurements validation procedure and the

•

expert system architecture for a cogeneration internal combustion engine, Applied Thermal Engineering, 2005. Citado en cap. 3 como [114].   L. Guihang et al, Application for Diesel Engine in Fault Diagnose Based on Fuzzy  Neural Network and Information Fusion, Communication Software and Networks (ICCSN), IEEE 3rd International Conference, 10.1109/ICCSN.2011.6014398, 10.1109/ICCSN.2011.6014398, 2011. Citado en cap. 3 como [8].   L. Qu, X. Liu, G. Peyronne, Y. Chen, The holospectrum: A new method for rotor surveillance and diagnosis, Mechanical Systems and Signal Processing 3 (1989) 255–267. Citado en cap. 2 como [46].   L. Xiong, T. Shi, S. Yang, R.B.K.N. Rao, A novel application of wavelet-based  bispectrum analysis to diagnose faults in gears, International Journal of

•

•

•

COMADEM 5 (2002) 31–38. Citado en cap. 2 como [41]. 301

 

Referencias  

  L. Yang, M.Z. Yang, Z. Yan, B.Z. Shi, Extraction of symptom for on-line diagnosis

•

 

•

 

•

 

•

 

•

 

•

 

•

of power equipment based on method of time series analysis, in: Proceedings of the Sixth International Conference on Properties and Applications of Dielectric Materials, vol. 1, Xi’an, China, 2000, pp. 314–317. Citado en cap. 2 como [32]. L. Cornolti, 1D simulation s imulation of a turbocharged Diesel engine with comparison comparis on of short and long EGR route solutions, Applied Energy, 2013. Citado en cap. 3 como [319]. L.A. Zadeh, Fuzzy sets, Inf. Control 8 (3) (1965) 338–353, doi: 10.1016/ S00199958(65)90241-- X. Citado en cap. 4 como [9]. 9958(65)90241 L.Tao et al, Application of Factor Analysis to a Type Diesel Engine SOA (Spectrometric Oil Analysis), Measuring Technology and Mechatronics Automation (ICMTMA), 2010 International Conference 10.1109/ICMTMA.2010.397, 2010. Citado en cap. 3 como [7]. Labs, J.E., A constant volume diesel spray combustion facility and the corresponding experimental diagnostics, Review of Scientific Instruments, 2005. Citado en cap. 3 como [104]. Lafossas, F.-A., Development and application of a 0D D.I. diesel combustion model for emissions prediction, SAE International, 2007. Citado en cap. 3 como [156]. Lafossas, F.Alexandre, Development of a coupling approach between 0D D.I. diesel combustion and pollutant models: Application to a transient engine evolution, Oil and Gas Science and Technology, Rev. IFP Vol. 63, No. 4, pp. 479 – 494, 2008. Citado en cap. 3 como [1] y en cap. 8 como [4].

  Lamaris, V.T., A general purpose diagnostic technique for marine diesel engines -

•

Application on the main propulsion and auxiliary diesel units of a marine vessel, Energy Conversion and Management, 2010. Citado en cap. 3 como [227].   Lamaris, V.T., Possibility to determine diesel engine condition and tuning from the application of a diagnostic technique at a single operating point, SAE International, 2009. Citado en cap. 3 como [203].   Lamaris, V.T., Validation of a diagnostic method for estimating the compression condition of direct injection diesel engines, Proceedings of the Institution of Mechanical Engineers, Part A: Journal of Power and Energy, 2010. Citado en cap. 3 como [228].   Lapuerta, Magín, Effect of the gas state equation on the thermodynamic diagnostic of diesel combustion, Applied Thermal Engineering, 2006. Citado en

•

•

•

cap. 3 como [124].

  Larsen, M., Indirect passivation design for a diesel engine model, Control

•

 

•

 

•

 

•

 

•

302

Applications, 2000. Citado en cap. 3 como [57]. Law, C. K., United States Army Research Office Engine Workshop (11th), 14-15 March 1994, Princeton Univ., NJ. Dept. of Mechanical and Aerospace Engineering, 1994. Citado en cap. 3 como [41]. Le Bouteiller, I., Study and development of a running diesel engine trouble diagnostic system from cylinder pressure analysis, CEA Centre d'Etudes Nucleaires de Cadarache, Saint-Paul-les-Durance (France), 1990. Citado en cap. 3 como [34]. [ 34]. Lee, Byungho, Methodology for rapid static and dynamic model-based engine calibration and optimization, Google, 2005. Citado en cap. 3 como [101]. Leferov, A.A., A technique and diagnostic aids of diesel engine fuel equipment in service conditions, Russian Aeronautics, 2007. Citado en cap. 3 como [151].

 

Referencias

 

  Li Peng, The application and research of the intelligent fault diagnosis for marine

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

diesel engine, Advanced Intelligent Mechatronics, 2008. Citado en cap. 3 como [170]. Li Wei, Modeling and Simulation of System Dynamics for Cold Test, Intelligent Information Technology Application, 2008. Citado en cap. 3 como [161]. Li, C., A novel redundant data separation algorithm for automobile engine fault detection, ICIC Express Letters, 2013. Citado en cap. 3 como [325]. Li, Chang-Wen, Modeling and simulation of diesel engine under steady state conditions based on Matlab/Simulink and RTW, Journal of Chinese Institute of Technology, 2004. Citado en cap. 3 como [88]. Li, Tao, Fault diagnosis for valve train of diesel engine based on bispectrum estimation via non-gaussian AR model, Chinese Internal Combustion Engine Engineering, 2010. Citado en cap. 3 como [229]. [ 229]. Li, Y., Applying MLP and RBF classifiers in embedded condition monitoring and fault diagnosis systems, Transactions of the Institute of Measurement and Control, 2001. Citado en cap. 3 como [71]. Li, Y., Wang, Y., Zi, Y., Zhang, M., An enhanced data visualization method for diesel engine malfunction classification using multi-sensor signals, Journal of Sensors, 2015. Citado en cap. 3 como [345]. Li, Ying, Application of phenomenological combustion model for working process simulation of LD485 diesel engine, Chinese Internal Combustion Engine Engineering, 2006. Citado en cap. 3 como [118]. [ 118]. Li, Z., Condition monitoring and fault diagnosis for marine diesel engines using information fusion techniques, Elektronika ir Elektrotechnika, 2012. Citado en cap. 3 como [312]. Li, Z., Yan, X., Guo, Z. et al. Tribol Lett, Intelligent Fusion Method of MultiDimensional Sensors and Its Application to Tribo-System Fault Diagnosis of Marine Diesel Engines, Tribology Letters, 2012. Citado en cap. 3 como [318]. Liang Guihang, Application for diesel engine in fault diagnose based on fuzzy neural network and information fusion, Communication Software and Networks (ICCSN), 2011. Citado en cap. 3 como [265]. Liu Jianmin, Diesel Misfire Fault Diagnosis and Misfire Cylinder Ascertainment Based on Vibration Signal Explosion Peak Identification, Measuring Technology and Mechatronics Automation (ICMTMA), 2011. Citado en cap. 3 como [264].

Yong, Measurement and diagnostic system for crankshaft of diesel engine,   Liu Computer Application and System Modeling (ICCASM), 2010. Citado en cap. 3

•

 

•

 

•

 

•

 

•

como [225]. Liu Yongfeng, Laser Diagnostics Technology Research for Measurement Cylinder Temperature Field in Direct-injection Diesel Engine, Electronic Measurement and Instruments, 2007. Citado en cap. 3 como [154]. Liu, Hengqing, Simulation of a single cylinder diesel engine under cold start conditions using Simulink, American Society of Mechanical Engineers, Internal Combustion Engine Division, 1997. Citado en cap. 3 como [49]. Liu, Jianmin, Misfire diagnosis of diesel engine based on rough set and Neural  Network, Procedia Engineering, 2011. 2011. Citado en cap. 3 como [267]. Liu, Y., Zhang, J., Ma, L., A fault diagnosis approach for diesel engines based on self-adaptive WVD, improved FCBF and PECOC-RVM, Neurocomputing, 2016. Citado en cap. 3 como [358].

303

 

Referencias  

  Logan, K. P., Expert System for Diesel Engine Maintenance. Volume 1. Final

•

 

•

 

•

 

•

 

•

 

•

 

•

Report, American President Lines, Inc., Oakland, CA.;MACSEA Ltd., Stonington, CT., 1992. Citado en cap. 3 como [38]. Luo, Jianhui, Intelligent diagnostic design process for vehicle health management, ProQuest Dissertations and Thesis, 2006. Citado en cap. 3 como [120]. M. Bengtsson, E. Olsson, P. Funk, M. Jackson, Technical design of condition based maintenance system—A case study using sound analysis and case-based reasoning, in: Maintenance and Reliability Conference—Proceedings of the Eighth Congress, Knoxville, USA, 2004 Citado en cap. 2 como [99]. M. Braglia, G. Carmignani, M. Frosolini, F. Zammori, Data classification and mtbf  prediction with a multivariate analysis approach, Reliability En gineering & SystemSafety 97 (1) (2012) 27–35. Citado en cap. 2 como [120]. M. Desbazeille, Model-based diagnosis of large diesel engines based on angular speed variations of the crankshaft, Mechanical Systems and Signal Processing, 2010. Citado en cap. 3 como [236]. M. Guo, L. Xie, S.-Q. Wang, J.-M. Zhang, Research on an integrated ICA-SVM  based framework for fault faul t diagnosis, in: Proceedings of the 2003 IEEE International Conference on Systems, Man and Cybernetics, vol. 3, Washington, DC, USA, 2003,  pp. 2710–2715. 2710–2715. Citado en cap. 2 como [89]. [89]. M. Lapuerta, O. Armas, J.J. Hernández, Diagnosis of DI Diesel combustion from incylinder pressure signal by estimation of mean thermodynamic properties of the gas, Applied Thermal Engineering, 1999. Citado en cap. 3 como [56]. M. Lapuerta, O. Armas, V. Bermúdez, Sensitivity of diesel engine thermodynamic cycle calculation to measurement errors and estimated parameters, Applied Thermal Engineering, 2000. Citado en cap. 3 como [65]. [ 65]. M. Nyberg, A general framework for fault diagnosis based on statistical hypothesis testing, in: Twelfth International Workshop on Principles of Diagnosis (DX 2001), Via Lattea, Italian Alps, 2001, pp. 135–1 135–142. 42. Citado en cap. 2 como [78]. M. Rausand, Reliability centered maintenance, Reliability Engineering and System Safety 60, pp. 121-132, 1998. Citado en cap. 5 como [7]. M. Wei, B. Qiu, Qiu, Y. Jiang, X. X. He, Multi-sensor Multi-sensor monitoring based on-line on-line diesel engine anomaly detection with baseline deviation , Prognostics and System Health Management Conference , 2016. Citado en cap. 3 como [361]. M. Barakat, Self adaptive growing neural network classifier for faults detection and

 

•

 

•

 

•

 

•

 

•

diagnosis, Neurocomputing, 2011. Citado en cap. 3 como [259]. [ 259].

  M. Dehghani Firoozabadi, Thermodynamic control-oriented modeling of cycle-to-

•

cycle exhaust gas temperature in an HCCI engine, Applied Energy, 2013. Citado en cap. 3 como [321]. M.-C. Pan, P. Sas, H. Van Brussel, Machine condition monitoring using signal classification techniques, Journal of Vibration and Control 9 (2003) 1103–1120. Citado en cap. 2 como [85]. M.F. Baig, N. Sayeed, Model-based reasoning for fault diagnosis of twin-spool turbofans, Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering 212 (1998) 109–116. Citado en cap. 2 como [98]. M.H. Hayes, Statistical Digital Signal Processing and Modeling, Wiley, New York, 1996. Citado en cap. 2 como [47]. M.L. Araiza, R. Kent, R. Espinosa, Real-time, embedded diagnostics and

 

•

 

•

 

•

 

•

 prognostics in advanced artillery systems, in: 2002 IEEE Autotestcon Proceedings,

304

 

Referencias

 

 

•

 

•

 

•

 

•

 

•

 

•

Systems Readiness Technology Conference, New York, 2002, pp. 818–841. Citado en cap. 2 como [100]. M.L. Fugate, H. Sohn, C.R. Farrar, Vibration-based damage detection using statistical process control, Mechanical Systems and Signal Processing 15 (2001) 707–721. Citado en cap. 2 como [79]. M.M. Breunig, H.-P. Kriegel, R.T. Ng, J. Sander, Lof: identifying density-based local outliers, in: ACM Sigmod Record, 29, ACM, 20 0 0, pp. 93–104, doi: 10.1145/ 335191.335388. 335191.33538 8. Citado en cap. 4 como [10]. M.S. Nixon, A.S. Aguado, Feature Extraction and Image Processing, Newnes, Oxford, 2002. Citado en cap. 2 como [24]. [ 24]. Ma, Ming Kai, Study of Trouble Diagnosis of Multi-Cylinder Diesel Engine InCylinder Processes by vibration Signals -Analysis of the Parameter Fluctuation Between ..., ProQuest Dissertations and Thesis, 2000. Citado en cap. 3 como [58]. Macián, V., Galindo, J., Luján, J. M., & Guardiola, C., Detection and correction of injection failures in diesel engines on the basis of turbocharger instantaneous speed frequency analysis, Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 219(5) (2005), 691-701. doi:10.1243/095440705X28312 doi:10.1243/09544 0705X28312.. Citado en cap. 8 como [9]. Magín Lapuerta, Josep Sanz-Argent, Robert Raine, Heat release determination in a constant volume combustion chamber from the instantaneous cylinder pressure, Applied Thermal Engineering, 2014. Citado en cap. 3 como [337].

  Magı ́n Lapuerta, Octavio Armas, Santiago Molina, Study of the compression cycle

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

of a reciprocating engine through the polytropic coefficient, Applied Thermal Engineering, 2003. Citado en cap. 3 como [82]. [ 82]. Mark A. Schwabacher, A Survey of Data-Driven Prognostics, NASA, 2005. Citado en cap. 3 como [110]. Masayuki Tamura, Hitoshi Saito, Yukimaro Murata, Kunihiro Kokubu, Satoshi Morimoto, Misfire detection on internal combustion engines using exhaust gas temperature with low sampling rate, Applied Thermal Engineering, 2011. Citado en cap. 3 como [291]. Mauviot, G., A new 0D approach for diesel combustion modeling coupling  probability density function with complex chemistry, SAE International, 2006. Citado en cap. 3 como [129]. Mesbahi E, Arriagada J, Ghorban H. Diesel engine fault diagnosis by means of ANNs: a comparison of two methods. Pro IMarEST – Part B – J Mar Des Oper 2004;2004(6):25–33. 2004;2004(6):25–3 3. Citado en cap. 2 como [136] y en cap. 3 como [95]. Michiel T. Kreutzer, Freek Kapteijn, Jacob A. Moulijn, Chris R.Kleijn, Johan J. Heiszwolf. Inertial and interfacial effects on pressure drop of Taylor flow in capillaries. AIChE Journal51 (2005), 2428-2440 Citado en cap. 2 como [118]. MIL-F-16884J: Military specification fuel, naval distillate, F-76, 1995. Citado en cap. 6 como [5]. Milkie, C. M. and Perakis, A. N., Statistical Methods for Planning Diesel Engine Overhauls in the U. S. Coast Guard. Naval Engineers Journal, 116: 31–42, 2004. doi:10.1111/j.1559-3584.2004.tb002 doi:10.1111/j.1559-35 84.2004.tb00266.x. 66.x. Citado en cap. 5 como [9]. [ 9]. Millet, Jean-Baptiste, Air system and diesel combustion modeling for hardware in the loop applications, ASME J. Eng. Gas Turbines Power, 2011. Citado en cap. 3 como [254]. Mirheidari, Model-based estimation and2011. faultCitado diagnosis in 3diesel applications,Saleh, ProQuest Dissertations and Thesis, en cap. como engine [247]. 305

 

Referencias  

  Mohammadpour, J., A survey on diagnostic methods for automotive engines,

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

 

•

International journal of engine research, 2012. Citado en cap. 3 como [299]. Mohammadpour, J., Real-time diagnostics in the EGR system of diesel engines, American Control Conference, 2008. Citado en cap. 3 como [177]. Mohammadpour, Javad, Real-time diagnosis of the exhaust recirculation in Diesel engines using least-squares parameter estimation, Journal of Dynamic Systems, 2010. Citado en cap. 3 como [218]. Mort, N, Monitoring and control of a turbocharged marine diesel engine using small laboratory microcomputer systems, Use of Personal Computer Systems for Plant Monitoring and Control, IEE Colloquium, 1989. Citado en cap. 3 como [32]. Murphy, B.J., Diagnostic fault detection & intelligent reconfiguration of fuel delivery systems, Aerospace Conference, 2005. Citado en cap. 3 como [105]. Murphy, B.J., Diagnostic fault detection for internal combustion engines via norm  based map projections, Aerospace Conference, 2004. Citado en cap. 3 como [92].  N. Aretakis, K. Mathioudakis, Wavelet analysis for gas turbine fault diagnostics, Journal of Engineering for Gas Turbines and Power 119 (1997) 870–876. Citado en cap. 2 como [57].  N. Baydar, A. Ball, A comparative study of acoustic and vibration signals in detection of gear failures using Wigner–Ville distribution, Mechanical Systems and Signal Processing 15 (2001) 1091–1107. Citado en cap. 2 como [49]. [ 49].  N. Bordet, A Physics and Tabulated Chemistry Based Compression Ignition Combustion Model: from Chemistry Limited to Mixing Limited Combustion Modes, Oil & Gas Science and Technology, 2011. Citado en cap. 3 como [288].  N. Togun, S. Baysec, Genetic programming approach to predict torque and brake specific fuel consumption of a gasoline engine, Appl. Energy 87 (2010) 3401-3408. Citado en cap. 2 como [108].  N.T. van der Merwe, A.J. Hoffman, A modified cepstrum analysis applied to vibrational signals, in: Proceedings of 14th International Conference on Digital Signal Processing (DSP2002), vol. 2, Santorini, Greece, 2002, pp. 873–876. Citado en cap. 2 como [39].  N.V. Kirianaki, S.Y. Yurish, N.O. Shpak, V.P. Deynega, Data Acquisition and Signal Processing for Smart Sensors, Wiley, Chichester, West Sussex, England, 2002. Citado en cap. 2 como [20].  Nabende Peter, An Expert System for Diagnosing Heavy Duty Diesel Engine Faults, Faculty of Computing and IT, Makerere University, 2006. Citado en cap. 3 como [137].  National Aeronautics and Space Administration (NASA). Research Resear ch and technology goals and objectives for integrated vehicle health management (IVHM). Report  NASA-CR-192656, October October 1992. Citado en cap. 2 como [3].  NAVAIR 00-25-403, Guidelines for the naval aviation reliability-centered maintenance process, Direction of Commander, Naval Air Systems Command, 2005, http://www.navair.navy.mil/logistics/rcm/library/00-25-403.pdf. Citado en cap. 5 como [4].  Necla Togun, Sedat Baysec, Genetic programming approach to predict torque and  brake specific fuel, Applied Energy, 2010. 2010. Citado en cap. 3 como [240].  NES 45, Requirements for the Application of Reliability-Centred Maintenance Techniques to HM Ships, Submarines, Royal Fleet Auxiliaries and other Naval Auxiliary Vessels, Ministry of Defence, Defence Standard 02-45, Issue 2, 2000,

306

 

Referencias

 

 

•

 

•

 

•

 

•

 

•

 

•

ftp://ftp.iks-jena.de/mitarb/lutz/standards/dstan/02/045/00000200.pdf. Citado en cap. 5 como [5].  Nohra, C., Complete-model diesel-engine diagnosis using gain schedule-mu analysis and non-linear estimator, Industrial Electronics and Applications (ICIEA), 2012. Citado en cap. 3 como [298].  Nohra, Chady, A linear aapproach pproach with u-analysis u-anal ysis control adaptation for a completemodel diesel-engine diagnosis, Chinese Control and Decision Conference, CCDC, 2009. Citado en cap. 3 como [186].  Nohra, Chady, A nonlinear approach with gain schedule control adaptation for a complete-model diesel-engine diagnosis, 3rd International Symposium on Communications, Control, and Signal Processing, ISCCSP, 2008. Citado en cap. 3 como [162]. Benedettini, State-of-the-art in integrated vehicle health management, Proc. IMechE, 2008. Citado en cap. 3 como [182]. O.C. Basurko, Z.Uriondo, Condition-Based Maintenance for medium speed diesel engines used in vessels in operation, Applied Thermal Engineering, Vol. 80, pp. 404–4125, 2015. Citado en cap. 2 como [135] en cap. 3 como [11] y en cap. 8 como [3]. P. Bonato, R. Ceravolo, A. De Stefano, M. Knaflitz, Bilinear time–frequency transformations in the analysis of damaged structures, Mechanical Systems and Signal Processing 11 (1997) 509–527. Citado en cap. 2 como [50].

clustering, ustering, Redmond, 20   P. Bradley , K. Bennett , A. Demiriz , Constrained k-means cl

•

0 0, pp. 1–8. Citado en cap. 4 como [7].   P. Cingolani, J. Alcalá-Fdez, jfuzzylogic: a java library to design fuzzy logic controllers according to the standard for fuzzy control programming, International Journal of Computational Intelligence Systems 6 (sup1) (2013) 61–75. Citado en cap. 2 como [103] y en cap. 4 como [8].   P. Hannah, A. Starr, P. Bryanston-Cross, Condition monitoring and diagnostic engineering—A data fusion approach, in: Condition Monitoring and Diagnostic Engineering Management, Amsterdam, 2001, pp. 275–282. Citado en cap. 2 como [131].   P.-J. Vlok, M. Wnek, M. Zygmunt, Utilising statistical residual life estimates of  bearings to quantify the influence of preventive maintenance actions, Mechanical Systems and Signal Processing Processi ng 18 (2004) 833–847. Citado en cap. 2 como [[60]. 60].

•

•

•

Feng, Fault diagnosis expert system of power-indicator chart on diesel engine,   Pan, ProQuest Dissertations and Thesis - Asia, 2007. Citado en cap. 3 como [139].   Pasternak, Michal, Self-calibrating model for diesel engine simulations, SAE

•

•

 

•

 

•

 

•

 

•

International, 2012. Citado en cap. 3 como [295]. Paul S. Addison, The Illustrated Wavelet Transform Handbook, Institute of Physics, 2002, ISBN 0-7503-0692-0. Citado en cap. 2 como [52]. Payri, F., A simple model for predicting the trapped mass in a di diesel engine, SAE International, 2007. Citado en cap. 3 como [145]. Peng Chen, Failure diagnosis method for machinery in unsteady operating condition  by instantaneous power spectrum and genetic programming, Knowledge-Based Intelligent Engineering Systems and Allied Technologies, 2000. Citado en cap. 3 como [62]. Peng Li, On the Intelligent Fault Diagnosis Method for Marine Diesel Engine, Apperceiving Computing and Intelligence Analysis, 2008. Citado en cap. 3 como [169]. 307