Search

La detección de daños en estructuras es un reto para la ingeniería. Hasta ahora en el sector aeronáutico la metodología a seguir era llevar a cabo mantenimientos preventivos periódicos para la detección de estos daños. Algunos daños son perceptibles mediante una simple inspección visual, pero otros requieren desmontar partes de la aeronave y ser analizada mediante ensayos de detección no destructivos (NDT). Esto supone un alto coste económico, ya que, a parte del propio coste de estas inspecciones, se le tiene que sumar el tiempo que la aeronave está inoperativa. Algunos defectos son difíciles de detectar y una vez son detectados ya pueden haber causado un daño severo en la estructura. Para conseguir detectar estos fallos en sus primeros estados y además reducir o eliminar el tiempo de que la nave esté fuera de servicio, se están implementando una red de sensores para monitorizar la salud de la estructura en tiempo real. Estos sistemas de monitorización y detección de defectos en estructuras, es conocido como SHMS por sus siglas en inglés Structural Health Monitoring Systems. Para implementar esta red de sensores en la estructura, es importante determinar el número de sensores y la localización de éstos para detectar cualquier daño en la estructura. Una buena optimización de la red de sensores permite detectar cualquier fallo en la estructura y además reducir costes tanto en la instalación de los sensores como en el equipamiento para procesar los datos. Un alto número de sensores daría un conjunto de datos demasiado grande, que tendría un gran coste computacional que repercute en el tiempo de procesamiento de los datos y los requerimientos del equipo. En el presente proyecto se propone e implemente una metodología para determinar qué sensores son los que nos dan más información para después mediante pruebas poder determinar si esta metodología funciona. Este método se basa en hacer uso de un método de reducción de dimensiones y calcular ciertos índices estadísticos, para después calcular las contribuciones de cada sensor a estos índices. Con las contribuciones tenemos un criterio de selección para determinar qué sensores son más importantes y finalmente mediante un algoritmo de clasificación se valida si esta nueva metodología es efectiva. La detecció de defectes en estructures és un repte per l’enginyeria. Fins ara en el sector aeronàutic la metodologia a seguir era portar a terme manteniments preventius periòdicament per la detecció d’aquests defectes. Alguns defectes són perceptibles mitjançant una simple inspecció visual, però d’ altres requereixen desmuntar part de l’aeronau i ser analitzada mitjançant assajos de detecció no destructius (NDT). Això suposa un alt cost econòmic, ja que, a part de propi cost d’aquestes inspeccions, s’ha de sumar el temps que l’aeronau està inoperativa. Alguns defectes són difícils de detectar i una vegada son detectats ja poden haver causat un dany sever a l’estructura. Per aconseguir detectar aquests defectes en els seus primers estats i a més reduir o eliminar el temps que l’aeronau està inoperativa, s’està implementant una xarxa de sensors per monitoritzar la salut de l’estructura en temps real. Aquests sistemes de monitorització i detecció de defectes en estructures, són coneguts com SHS per les seves sigles en anglès Structural Health Monitoring Systems. Per implementar aquesta xarxa de sensors a l’estructura és important determinar el nombre de sensors i la localització d’aquests per detectar qualssevol defecte a l’estructura. Una bona optimització de la xarxa de sensors permet detectar qualssevol defecte a l’estructura i a més reduir costos tant en la instal·lació dels sensors com en l’equipament per a processar les dades. Un alt nombre de sensors donaria un conjunt de dades massa gran, que tindria un gran cost computacional que repercutiria en el temps de processament d’aquestes dades i els requeriments de l’equip. En el present projecte es proposa i s’implementa una metodologia per determinar quins sensors son els que ens donen més informació per després mitjançant probes poder determinar si aquesta metodologia funciona. Aquest mètode es basa en fer ús d’un mètode de reducció de dimensions i calcular uns índexs estadístics per després calcular les contribucions de cada sensor a aquests índexs estadístics. Amb les contribucions tindrem un criteri de selecció per determinar quins sensors són els més importants i així, finalment, mitjançant un algoritme de classificació validar si aquest mètode proposat és efectiu. The detection of damage in structures is a challenge for engineering. Until now, in the aeronautical sector, the methodology to follow was to carry out periodic preventive maintenance to detect these damages. Some damage is perceptible by simple visual inspection, but others require disassembling parts of the aircraft and being analyzed by non-destructive detection testing (NDT). This implies a high economic cost, since, apart from the cost of these inspections, the time that the aircraft is inoperative must be added. Some defects are difficult to detect and once detected they may already have caused severe damage to the structure. In order to detect these failures in their early stages and also reduce or eliminate the time the ship is out of service, a network of sensors is being implemented to monitor the health of the structure in real time. These systems for monitoring and detecting defects in structures are known as SHMS for its acronym Structural Health Monitoring Systems. To implement this sensor network in the structure, it is important to determine the number of sensors and their location to detect any damage to the structure. A good optimization of the sensor network allows detecting any failure in the structure and also reduces costs both in the installation of the sensors and in the equipment to process the data. A high number of sensors would give a data set that is too large, which would have a large computational cost that affects the data processing time and equipment requirements. In the present project, a methodology is proposed and implemented to determine which sensors are the ones that give us more information so that later, through tests, we can determine if this methodology works. This method is based on making use of a dimension reduction method and calculating certain statistical parameters, to later calculate the contributions of each sensor to these parameters. With the contributions we have a selection criteria to determine which sensors are most important and finally, through a classification algorithm, it is validated if this new methodology is effective.