CBL - Campus del Baix Llobregat

Projecte llegit

Títol: An approximation of predictive maintenance for a plane propeller through sensorization, vibration analysis and Machine Learning

Estudiants que han llegit aquest projecte:

Director/a: PONS PRATS, JORDI

Departament: FIS

Títol: An approximation of predictive maintenance for a plane propeller through sensorization, vibration analysis and Machine Learning

Data inici oferta: 01-02-2022     Data finalització oferta: 01-10-2022


Estudis d'assignació del projecte:
    GR ENG SIST AEROESP
Tipus: Individual
 
Lloc de realització: EETAC
 
Nom del segon director/a (UPC): Alberto Burgos (CIMNE)
Departament 2n director/a:
 
Paraules clau:
Inteligencia Artificial, Machine Learning, mantenimiento predictivo, componentes aeronáuticos, Internet of Things, Raspberry Pi.
 
Descripció del contingut i pla d'activitats:
Resumen y plan de trabajo:

Este proyecto trata del plan de desarrollo de mantenimiento
predictivo a partir de la sensorización de un embrague. Ésta se
llevará a cabo mediante acelerómetros para el análisis de
vibraciones. Seguidamente, con los datos recogidos en un tiempo
determinado se desarrollará un modelo matemático a partir de
inteligencia artificial (Machine Learning) que realizará la
detección y clasificación de anomalías. Se desarrollará mediante
Python y herramientas IoT.

Por último, se desarrollará un diseño 3D para mostrar los bloques
del proyecto.

El proyecto se realizará con ayuda de CIMNE.

Objetivos:

Desarrollo de herramientas de Machine Learning para el
mantenimiento predictivo en la supervisión de la fabricación de
componentes mediante Python.

Simulación del mantenimiento (correctivo, preventivo y
predictivo) en la industria aeroespacial.

Caracterización de la cadena de fabricación e identificación de
puntos críticos.

Monitorización de la cadena de fabricación mediante la
sensorización intrusiva y programación de electrónica de bajo
coste (Arduino/Raspberry pi).

Diseño de cableado de alimentación y Ethernet e instalación
eléctrica en una planta industrial.

Desarrollo de modelo de obtención de datos.

Análisis mediante modelos matemáticos para la generación de
patrones de vibración y comportamiento para la detección de
comportamientos anómalos.

Implementación de servicios AWS.

Gestión de datos mediante herramientas IoT como Grafana, MQTT,
Telegraf e InfluxDB.

Diseño 3D sobre la sensorización del proyecto mediante programas
de diseño como SolidWorks/Autocad.
 
Overview (resum en anglès):
In industrial machinery, failure will eventually occur, either in the short term due to manufacturing defects, or in the long run due to accumulations of debris, deterioration of internal parts, or purely from wear and tear. Machinery, systems, and industrial lines force factory operators to deal with seemingly endless maintenance and repair cycles, particularly when undetected faults in machinery cause catastrophic failure.

Maintenance and repair schedules can be more efficiently planned if we study the behaviour of the machine before the failure occurs. That it's known with the name of Predictive Maintenance. With it, it's possible to save significant amounts of money in an industrial environment by less production stops and less useless maintenance mechanics work hours.

Predictive maintenance has more and more name in the production lines and is also used in the Aeronautical Industry to be able to foresee what failures are going to arise in the aircraft parts. With this, it¿s possible to proceed to carry out necessary maintenance activities before failures occur and extend the life of the machinery.

One way to study this maintenance is by analysing machinery vibrations. These mechanical parameters can determine abnormal behaviour and thus alert failures. The longer the behaviour of a machine is studied, the easier it is to draw conclusions due to the large amount of data collected.

The objective is to know the machine, create behaviour models, detect anomalies to carry out maintenance and avoid failures.

© CBLTIC Campus del Baix Llobregat - UPC