Crack identification of a rotating shaft with integrated wireless sensors

Abstract

This study developed a novel real-time monitoring diagnostic method of determining the position and depth of a transverse open crack on a rotating shaft, which vibrates in bending due to the harmonic excitation force induced by an unbalanced disk coupled at the midspan. The development of a new wireless sensor capable of being mounted directly on the shaft allowed modeling of the dynamic system using the data obtained at different points of interest of the structure in the rotating coordinate system. Vibration parameters were obtained first from a simulation employing the Finite Element Method and then experimentally using Modal Analysis for different crack positions and depths. The unique relation between the vibration parameters and crack characteristics found was employed to solve the inverse problem; relate failure patterns of acceleration at different points of the shaft with the crack size and location by means of Artificial Neural Networks Method working as function approximator. The predictive neural networks were selected experimentally and then validated showing that the damage detection sensitivity parameters used depended on the acceleration signals at different points of the shaft.

Este estudio desarrolló un nuevo método de monitoreo en tiempo real de la posición y profundidad de una fractura transversal abierta en un eje en rotación, el cual vibra en flexión debido a la fuerza de excitación inducida por un disco desbalanceado acoplado en el medio. El desarrollo de un nuevo sensor permitió realizar el análisis dinámico en coordenadas rotacionales mediante la obtención de parámetros de vibración en diferentes puntos de interés del eje. Los parámetros de vibración fueron obtenidos primero por una simulación empleando el Método de Elementos Finitos y luego experimentalmente usando Análisis Modal para diferentes posiciones y profundidades de fractura. La relación única encontrada entre los parámetros de vibración y las características de la fractura fue empleada para resolver el problema inverso; relacionar patrones de falla de aceleraciones en diferentes puntos del eje con el tamaño y la localización de la fractura mediante el método de Redes Neuronales Artificiales trabajando como aproximador de funciones. Las redes neuronales predictivas fueron seleccionadas experimentalmente y luego validadas mostrando que los parámetros de sensitividad de falla utilizados dependieron de las señales de aceleración en diferentes puntos del eje.