Fault Detection

Rotary kilns are large-scale unit operations that are critical to many industrial processes such as cement production, pyrometallurgy, and kraft pulping. As expensive, energy-intensive units, it is imperative from both an economic and environmental perspective to ensure efficient operation of the rotary kiln. To provide additional insights for operation and maintenance, rotary kilns are increasingly outfitted with more advanced sensing technology. Leveraging this supplementary data requires strategies and active efforts towards storage, processing, and visualization. In this work we provide a visualization strategy for industrial thermal camera data that is measured along the shell profile of a rotary lime kiln. The proposed strategy assists specifically with the visualization of ring formation at different timescales, but it also serves more generally as a useful tool for operations management. This paper describes the visualization strategy, provides a demonstration with industrial data, and offers open-source resources for interested users to implement it themselves.

Re-energizing an overhead distribution feeder safely is a major consideration for a utility's safe work practice. One way to improve the safety is to determine whether the feeder still experiences short circuits before it is energized. In this paper, a novel fault detection technique is proposed to detect if a de-energized distribution system still experiences short-circuit faults. The proposed method involves injecting a thyristor-generated-controllable signal into the de-energized feeder. The feeder voltage and current responses are analyzed to determine if a fault still exists. A thyristor gating control strategy and fault detection algorithm are also developed in this paper to detect all possible types of faults that can occur in a system. The effectiveness of the proposed method has been verified through theoretical analysis, computer simulations, and lab tests.

Wälzlager stehen als hochbeanspruchte Bauteile von Maschinen seit Beginn der Einführung neuerer Methoden der Maschinenüberwachung im Mittelpunkt einer Vielzahl von Forschungsarbeiten und technischen Geräteentwicklungen. Dabei hat die Nutzung der Maschinenschwingung als geeigneter Schadensindikator immer eine zentrale Rolle gespielt. Während der letzten 40 Jahre hat es hierbei erhebliche Verbesserungen der zur Wälzlagerdiagnose notwendigen Messtechnik und eine Vertiefung der Kenntnisse über das Schwingungsverhalten geschädigter Wälzlager gegeben. Auf der Basis dieses Wissens konnten eine Reihe von Diagnoseverfahren entwickelt werden, die in ihren jüngeren Entwicklungen auch zunehmend ohne eine expertenabhängige Interpretation der ermittelten Beurteilungsgrößen auskommen [STR98].

Der Durchbruch im Hinblick auf die vollständig automatisiert ablaufende Zustandsbeurteilung ist allerdings erst in den letzten Jahren erfolgt, als die Fuzzy-Logik, die Neuronalen Netze und andere Methoden des Softcomputing eine zunehmende Akzeptanz in technischen Anwendungen fanden. Heute wird das große Leistungspotential derartiger Ansätze gegenüber scharf klassifizierenden Mustererkennungsansätzen von keinem Experten ernsthaft in Frage gestellt. Hierzu haben auch einige im industriellen Umfeld realisierte Lösungen beigetragen, die sich vor allem bei der Diagnose unter erschwerten Bedingungen wie z.B. bei stark schwankenden Betriebsparametern, verrauschten Messsignalen und variablen Drehzahlen bewährt haben. Ein ideales Wälzlagerdiagnosesystem sollte in der Lage sein, aufgrund einer einmaligen Messung an einem Lager zu einer hinreichend sicheren Aussage über den Lagerzustand zu gelangen. Die Ausprägung des Schadens, Einbaubedingungen des Lagers und Signalübertragungsstrecken zwischen Lager und Sensor und die Kenntnis der Drehzahl oder des exakten Lagertyps sollten für die Diagnose ohne nennenswerte Bedeutung sein [STR05,STR05b].

Im folgenden Beitrag soll gezeigt werden, worin die Schwierigkeiten bei der Erstellung eines derartig universellen Systems liegen und zumindest wesentliche Gründe liegen, warum ein solches System derzeit noch nicht existiert. Es wird aber deutlich, dass durch die Kopplung einer geeigneten Signalvorverarbeitung, einer sinnvollen Bestimmung von schadensbeschreibenden Kennzahlen und einem leistungsfähigen Merkmalsauswahl- und Klassifikationsalgorithmus zumindest Annäherungen an dieses Idealsystem möglich sind.