El mantenimiento predictivo se ha convertido en una piedra angular de las operaciones modernas de centrales eléctricas, cambiando las estrategias de mantenimiento de las reparaciones reactivas a las intervenciones proactivas y impulsadas por datos. Entre las muchas corrientes de datos disponibles, los datos de sensores de velocidad se destacan como una entrada crítica para monitorear las turbinas de vapor, turbinas de gas, bombas, compresores y generadores.

Comprender sensores de velocidad en centrales eléctricas

Tipos de sensores de la velócica

Los sensores de velocidad utilizados en las plantas de energía son normalmente electrodinámicas o piezoeléctricas que producen un voltaje proporcional a la velocidad de la superficie vibratoria.

  • Sensores de velocidad electrodinámica – También conocidos como transductores de velocidad sísmica, utilizan una bobina en movimiento dentro de un campo magnético. Son robustas y ampliamente utilizadas para mediciones de baja frecuencia a mediana (típicamente 10 Hz a 1 kHz).
  • Acelerómetros fitoeléctricos con integración – Mientras que los acelerómetros miden la aceleración, muchos sistemas modernos integran la señal de aceleración para derivar la velocidad. Esto permite un rango de frecuencia más amplio y paquetes de sensores más compactos.
  • Vibrometers de láser Doppler – Sensores no contacto utilizados en aplicaciones especializadas en las que el montaje físico es poco práctico, como en superficies muy calientes o rotativas. Ofrecen alta precisión pero son costosas y menos comunes en el monitoreo de rutina.

En la mayoría de las aplicaciones de la planta de energía, los sensores de velocidad electrodinámica o acelerómetros integrados son la opción estándar debido a su fiabilidad, eficacia en función de los costos y capacidad para soportar entornos duros. Normalmente se instalan en capas de rodamientos, casquillos y otros puntos estructurales donde se transmite energía de vibración.

Cómo se reflejan datos de sensores de velocidad Equipo Condición

Los datos de la velocidad proporcionan una medida directa de la energía mecánica de la vibración. En condiciones normales de funcionamiento, la maquinaria rotatoria muestra un nivel de vibración de base que varía con la carga, la velocidad y la temperatura. Desviaciones de esta base —ya sean tendencias graduales o picos repentinos— indican cambios en la condición mecánica.

  • El aumento de la velocidad general puede indicar el desgaste de los rodamientos, el desequilibrio del rotor o la desalineación errónea.
  • Los componentes de frecuencias específicas (por ejemplo, 1× velocidad de funcionamiento, 2× velocidad de funcionamiento, armónicos) pueden marcar el tipo de falla. Por ejemplo, un pico a 1× velocidad de funcionamiento a menudo indica desequilibrio, mientras que 2× puede indicar la desalineación errónea.
  • Los cambios en las relaciones de fase entre múltiples ubicaciones de sensores pueden revelar resonancias estructurales o problemas de acoplamiento.

Comprender estas relaciones es fundamental para convertir los datos de sensores crudos en información de mantenimiento factible.

Estrategias de recopilación de datos para sensores de velocidad

Tasa de muestreo y duración

Para la mayoría de las máquinas rotativas en las plantas de energía, es necesario un muestreo de al menos 2,56 veces la mayor frecuencia de interés (criterio numérico). Por ejemplo, para analizar la vibración hasta 1 kHz, se necesita una tasa de muestreo de al menos 2,560 muestras por segundo. La práctica común es recoger datos a 10 kHz o más para un análisis de fallas de alta frecuencia10.

Sensor Placement y montaje

El montaje adecuado es crítico para la calidad de los datos. Los sensores de velocidad deben estar rígidamente unidos a la superficie de la máquina utilizando estrías, adhesivas o bases magnéticas. El montaje de Stud ofrece la mejor respuesta de frecuencia y fiabilidad. Las bases magnéticas son convenientes pero pueden atenuar las señales de alta frecuencia.

  • Carcasas de cojinete (direcciónes radicales y axiales)
  • Casquillo cerca del centro del rotor
  • Puntos de base para la identificación de resonancia estructural

La recogida de datos debe seguir una ruta y un horario consistentes. Muchas centrales eléctricas utilizan registradores de datos automatizados o sistemas de monitoreo continuo que registran datos a intervalos regulares (por ejemplo, hora o día).

Consideraciones de calidad de los datos

Los datos de velocidad cruda suelen contener ruido de interferencia eléctrica, resonancias mecánicas no relacionadas con la máquina que se está monitoreando, o artefactos de montaje de sensores. Los controles de calidad de los datos son esenciales antes del análisis.

  • Clipping – Cuando la amplitud de vibración supera el rango mensurable del sensor.
  • Drive] – Atraída por efectos térmicos o deriva sensor.
  • El ruido del arpismo – Trastornos eléctricos transitorios.

Los algoritmos de validación automatizados pueden marcar estos problemas, permitiendo a los analistas excluir datos corruptos o aplicar el filtrado correctivo.

Preprocesamiento de datos del sensor de velocidad

Filtro

Antes del análisis, los datos de velocidad cruda suelen estar llenos de bandpas para eliminar la deriva de baja frecuencia (bajo 0,5 Hz) y el ruido de alta frecuencia por encima de la gama de interés (por ejemplo, 1 kHz para maquinaria general). Para el análisis de rodamientos, se puede aplicar un filtro de alto rendimiento alrededor de 1–2 kHz.

Condición de la señal e integración

Si se utiliza acelerómetros, la señal de aceleración debe integrarse numéricamente para obtener velocidad. Esta integración debe tener en cuenta la condición inicial y eliminar cualquier componente de DC para evitar la deriva de integración. La mayoría de los sistemas modernos de adquisición de datos realizan esta integración en hardware o firmware. Las unidades típicamente utilizadas para la velocidad son mm/s o in/s.

Normalización y eliminación de tendencias

Para comparar datos en diferentes condiciones de carga o períodos de tiempo, la normalización puede ser necesaria. Por ejemplo, las lecturas de velocidad pueden dividirse por la velocidad nominal de la máquina para producir un indicador sin dimensiones. Las tendencias a largo plazo (cambios lentos durante meses) se pueden extraer utilizando promedios móviles o ajuste de curva, mientras que las variaciones a corto plazo (hora o día) se retienen a menudo para la detección de anomalía.

Técnicas de análisis para datos de sensores de velocidad

Análisis del tiempo-dominio

El análisis más simple implica trazar la velocidad cruda con el tiempo y computar métricas estadísticas como el valor total RMS (caja media de raíz), la amplitud pico-a- pico, el factor de cresta y la kurtosis. Estas métricas proporcionan un indicador de salud rápido:

  • RMS velocity] – A menudo correlacionado con la gravedad general de la vibración por norma ISO 10816. El aumento de RMS con el tiempo sugiere deterioro.
  • Factor de reposo] – Relación de pico a RMS. El factor de alto cresta indica eventos de choque como los impactos de los rodamientos.
  • Kurtosis] – Medida estadística de la cola; la kurtosis elevada puede indicar fallas de cojinete incipientes.

El análisis de tiempo-dominio es útil para alarmas pero limitado en el diagnóstico de tipos de falla específicos. Sirve como una herramienta de detección de primera línea.

Análisis de frecuencia-dominio (Análisis Espetral)

El Fourier transforma datos de velocidad de dominio de tiempo a dominio de frecuencia, produciendo un espectro de vibración. Esta es la técnica más poderosa para identificar frecuencias de falla.

  1. Seleccione una ventana apropiada (por ejemplo, Hanning, Hamming) para reducir la fuga espectral.
  2. Aplicar la Transformación de Fourier rápido (FFT)] para calcular el espectro.
  3. Identificar frecuencias características] como 1×, velocidad de eje 2×, frecuencias de paso de hoja, frecuencias de defectos de rodamientos (basadas en geometría de rodamientos), y frecuencias de malla de engranaje.
  4. Comparar con espectros de referencia] para detectar nuevos picos o cambios de amplitud.

Ejemplo: En una turbina de vapor, un aumento en el componente 1× con una banda lateral prominente puede indicar el desequilibrio del rotor. Un hump de alta frecuencia alrededor de frecuencias de defecto de rodamientos sugiere espaciado. A menudo, el análisis espectral se combina con análisis de pendiente (demodulación)] para extraer modulación de baja frecuencia relacionada con fallas de rodamientos.

Aprendizaje de máquina para el reconocimiento de patrones avanzados

Con el crecimiento de la tecnología digital y la computación de bordes, los modelos de aprendizaje automático (ML) se implementan cada vez más para el análisis automatizado de datos de sensores de velocidad.

  • Aprendizaje supervisado – Clasificadores de entrenamiento (por ejemplo, máquinas vectoriales de soporte, bosques aleatorios o redes neuronales) en conjuntos de datos etiquetados de condiciones normales y defectuosas. El modelo puede entonces predecir el estado de salud de nuevos datos.
  • Aprendizaje no supervisado – Usar autoencoders o agrupación para detectar anomalías sin etiquetas previas. Esto es útil cuando los ejemplos de falla son escasos.
  • ]Aprendizaje profundo – Redes neuronales convolutivas (CNN) o redes de memoria a corto plazo (LSTM) pueden aprender características directamente de las series de tiempo o espectrogramas crudos, eliminando la ingeniería de características manuales.

Los modelos de ML pueden proporcionar avisos tempranos horas o días antes de las alarmas tradicionales basadas en umbrales, como se demuestra en varios estudios de casos de la industria de energía eléctrica.

Ajuste de los puntos de vista y los Alarmas

El mantenimiento predictivo eficaz requiere establecer umbrales significativos para mediciones de velocidad. Estos umbrales se basan típicamente en:

  • Normas de Equipación] – ISO 10816-1 proporciona zonas de gravedad (A, B, C, D) para diferentes clases de máquinas basadas en la velocidad RMS global. Por ejemplo, la zona A indica buenas condiciones; la zona D indica riesgo de daño.
  • Limitaciones estatísticas – Usar datos históricos para definir los límites de control (por ejemplo, 3-sigma por encima de la media). Exceder estos límites activa una alarma.
  • umbrales de cambio] – Monitorear el derivado de la velocidad RMS. Un rápido aumento más allá de una tasa predefinida (por ejemplo, 10% por semana) puede indicar un fallo inminente incluso si los valores absolutos permanecen por debajo de los límites de alarma.

Las alarmas deben estar atadas: advertencia (requiere vigilancia), alerta (mantenimiento del plan) y crítica (desactivación inmediata). Cada nivel debe haber definido acciones de respuesta y caminos de escalada.

Herramientas y tecnologías para el análisis de datos de la velocidad

Software de análisis de vibración

Plataformas de software especializadas como Bently Nevada System 1, Brüel & Kjær’s B sensibleK Connect], y El Smart Vibration Monitoring de Schaeffler proporciona un análisis espectral completo, diagramas de tendencias e informes de diagnóstico automatizados.

Hardware de adquisición de datos

Los sistemas modernos de adquisición de datos (DAQ) ofrecen convertidores analógicos a digital de alta resolución, filtros antialiasing y acondicionado de señal integrada. Los sistemas de instrumentos nacionales, simens y Emerson se utilizan comúnmente en la configuración de centrales eléctricas. Los sistemas de monitoreo en línea continuos (por ejemplo, GE Bently Nevada) proporcionan una plataforma de streaming de datos en tiempo real.

Plataformas de aprendizaje automático

Herramientas como TensorFlow, PyTorch y Scikit-learn permiten el desarrollo de modelos ML personalizado. Para el despliegue operativo, los dispositivos de borde (por ejemplo, Nvidia Jetson, Raspberry Pi con aceleradores) pueden ejecutar inferencia localmente, enviando sólo alertas a la nube. Esto reduce ancho de banda y latencia.

Visualización Dashboards

Los paneles construidos en plataformas como Grafana, Power BI o Plotly permiten al personal de mantenimiento ver las tendencias de velocidad en tiempo real, espectros y registros de alarma. Los paneles eficaces deben destacar las métricas más importantes (por ejemplo, las 5 máquinas superiores con mayor vibración) y proporcionar capacidades de perforación a datos brutos.

Beneficios del análisis de datos de la velócica adecuada

La implementación de un marco de análisis robusto produce mejoras mensurables en el rendimiento de las centrales eléctricas:

  • Reducción de tiempo de inactividad no planificado] – La detección temprana de fallos o desequilibrios de rodamientos permite programar el mantenimiento durante los desembolsos previstos. Estudios del Instituto de Investigación de Energía Eléctrica (EPRI) sugieren que el mantenimiento predictivo puede reducir el tiempo de inactividad relacionado con la turbina en 30–50%.
  • Vida útil de equipo avanzada – Al abordar problemas temprano, los componentes experimentan menos daño secundario. Por ejemplo, corregir la desalineación evita el desgaste excesivo de sellos y la fatiga del eje.
  • Menor costo de mantenimiento] – Reparar un coste de rodamiento usado significativamente menos que reemplazar un rotor o estator dañado. Las piezas de repuesto se pueden ordenar con antelación, evitando tarifas de envío aceleradas.
  • Mejor seguridad – Las fallas catastróficas (por ejemplo, la explosión de disco de turbina) son extremadamente raras pero pueden prevenirse mediante un monitoreo consistente. El análisis de la velocidad ayuda a mantener las máquinas en sobres operativos seguros.
  • ]Conformidad reglamentaria] – Muchas jurisdicciones requieren monitoreo de vibraciones para equipos críticos como parte de las regulaciones de seguridad y medio ambiente (por ejemplo, OSHA 1910.219). La documentación adecuada de análisis demuestra la debida diligencia.

Desafíos comunes y estrategias de mitigación

Noise and Interference

Los entornos de las centrales eléctricas son eléctricamente ruidosos. Los bucles terrestres, la interferencia electromagnética de motores y la interferencia de la radiofrecuencia pueden dañar las señales. Las mitigaciones incluyen el uso de cables blindados de cableado, entradas diferenciales y aisladores de señales.

Sensor de dentado y calibración

Los sensores de velocidad pueden derivarse con el tiempo debido al ciclo de temperatura, los imanes de envejecimiento o el desgaste mecánico. La calibración regular (cada 6–12 meses) contra una fuente de vibración conocida es esencial.

Volumen de datos y almacenamiento

El monitoreo continuo genera terabytes de datos durante un año. La compresión de datos, utilizando registros basados en eventos (sólo almacena las ondas cuando se producen anomalías), o la síntesis de datos en las características estadísticas reduce los requisitos de almacenamiento. El análisis de bordes puede procesar datos localmente y transmitir solamente alertas y tendencias a los servidores centrales.

Complejidad de interpretación

Las firmas de vibración complejas de turbinas o cajas de engranajes de varias etapas pueden ser difíciles de interpretar. La capacitación cruzada entre analistas de vibraciones e ingenieros de equipos, además del uso de sistemas expertos o diagnósticos basados en AI, ayuda a cerrar la brecha. Estudios de casos revisados por los propios medios de organizaciones como EPRI] proporcionan patrones de referencia valiosos.

Estudio de caso: detección de una falla de cojinete de turbina de gas utilizando datos de la velocidad

Una planta de ciclo combinado monitoreó una turbina de gas con tres sensores de velocidad montados en las carcasas de rodamientos del compresor, la turbina de alta presión y la turbina de baja presión. La velocidad total de RMS permaneció dentro de la zona de ISO B durante meses. Sin embargo, el análisis espectral reveló un pico de crecimiento lento en 58 Hz, correspondiente a la frecuencia de la caja del cojinete.

Este ejemplo ilustra cómo el análisis espectral regular, incluso en ausencia de condiciones de alarma, puede proporcionar alerta temprana. La planta ahora incluye análisis de sobres periódicos como parte de su monitoreo rutinario.

Integración con otras fuentes de datos

Los datos de sensores de velocidad son más potentes cuando se combinan con otros datos de sensores:

  • Sensores de temperatura] – Los picos de temperatura de rodamiento a menudo se correlacionan con los aumentos de vibración, proporcionando la validación cruzada.
  • Proceso de datos] – La presión de vapor, los caudales y la carga eléctrica pueden afectar los niveles de vibración. La normalización de los datos de vibración contra la carga ayuda a distinguir las fallas mecánicas de los cambios operativos normales.
  • Análisis de la salud – Las partículas metálicas en aceite lubricante pueden confirmar el desgaste de los rodamientos detectado por análisis de vibración.
  • Emisiones acústicas] – Los datos acústicos de alta frecuencia pueden detectar fallas incipientes antes que los sensores de velocidad.

Un sistema integrado de salud de activos que fusiona estas corrientes de datos proporciona diagnósticos más precisos y reduce las falsas alarmas.

Tendencias futuras en el análisis de datos del sensor de velocidad

Las tendencias principales son:

  • Sensores inalterables] – Los sensores de velocidad inalámbrica de baja potencia se están convirtiendo en viables para plantas donde el cableado es caro. La recolección de energía de vibraciones o células solares permite el despliegue a largo plazo.
  • Edge AI – La inferencia de aprendizaje automático en el nodo sensor permite la detección de anomalías en tiempo real sin dependencia de la nube, crucial para los sistemas críticos de seguridad.
  • Gemelos digitales] – Un modelo virtual de la central eléctrica que simula el comportamiento de vibración en diversas condiciones puede actualizarse continuamente con datos reales de sensores para predecir la vida útil restante (RUL).
  • Explicable AI] – A medida que los modelos ML se vuelven más complejos, las herramientas de interpretación (por ejemplo, los valores SHAP, LIME) ayudan a los analistas a confiar y entender las recomendaciones automatizadas.

La adopción de estas tecnologías mejorará aún más la eficacia de los programas de mantenimiento predictivo.

Conclusión

Analizar datos de sensores de velocidad es un componente vital del mantenimiento predictivo en centrales eléctricas. Al comprender la tecnología de sensores, implementar la recopilación de datos robusta y el preprocesamiento, aplicar análisis de tiempo y de dominio de frecuencias, aprovechar el aprendizaje de máquinas y establecer umbrales apropiados, los equipos de mantenimiento pueden mejorar significativamente la fiabilidad, seguridad y eficiencia de costes.