Desenvolvimento de um Sistema inteligente para diagnóstico da condição de operação de um protótipo de helicóptero via análise de vibrações
DOI:
https://doi.org/10.33448/rsd-v10i12.20546Palavras-chave:
Análise de vibrações; Helicóptero; Rede neutral artificial; Voo a frente.Resumo
No voo para a frente, as cargas do vento afetam os helicópteros e causam vibração. Este artigo analisa o comportamento de um protótipo de helicóptero composto por duas pás quando submetido a uma carga de vento frontal, semelhante à condição de voo de avanço. Uma Rede Neural Artificial (RNA) processa os dados experimentais para identificar o padrão de seu comportamento dinâmico. Os testes levaram à análise de vibração para diferentes velocidades do vento. Além disso, os dados indicam que a amplitude de vibração aumenta quando as pás são submetidas à excitação na frequência fundamental e seu primeiro harmônico em testes realizados sem inclinação do plano do rotor (voo pairado). Por outro lado, o segundo teste submete o protótipo a uma inclinação de 5 graus no disco do rotor. Neste teste, a amplitude de vibração diminuiu na frequência fundamental, e a amplitude relacionada ao primeiro harmônico aumentou. A RNA alcançou 100% de eficiência no reconhecimento das condições de voo do protótipo.
Referências
Bramwell, A. R. S., Done, G., & Balmford, D. (2001). Bramwell’s helicopter dynamics (Butterworth-Heinemann (ed.); Second). Butterworth-Heinemann.
Cavicchi, T. J. (1999). Digital Signal Processing. In John Wiley & Sons. JOHN WILEY & SONS. https://doi.org/978-0471124726
CENIPA. (2017). Helicópteros sumário estatístico 2008-2017. https://www2.fab.mil.br/cenipa/
Ceruti, A., Liverani, A., & Recanatesi, L. (2011). Improving Helicopter Flight Simulation with Rotor Vibrations. Proceedings of the IMProVe 2011 International Conference on Innovative Methods in Product Design, 636–645.
RTCA DO-160C, Pub. L. No. RTCA DO-160C, 33 (2014). http://do160.org/wp-content/uploads/RTCA-DO-357-Abstract-DO-160G-Guideline.pdf
Damy, L. F. (2006). Análise do Espectro de Frequência de Vibração da Aeronave Esquilo AS-355 F2. Istituto Tecnológico de Aeronáutica, São José dos Campos - SP.
De Gregorio, F. (2012). Flow field characterization and interactional aerodynamics analysis of a complete helicopter. Aerospace Science and Technology. https://doi.org/10.1016/j.ast.2011.11.002
Doebelim, E. O. (1995). Engineering experimentation: planning, execution, reporting. Mcgraw-Hill Companies.
Dong, Y. (2018). An application of Deep Neural Networks to the in-flight parameter identification for detection and characterization of aircraft icing. Aerospace Science and Technology, 77, 34–49. https://doi.org/10.1016/j.ast.2018.02.026
EASA. (2020). Annual Safety Review 2020. https://doi.org/10.2822/147804
EASA. (2021). Reduction in accidents caused by failures of critical rotor and rotor drive components through improved vibration health monitoring systems, RMT. 0711 (Issue 1). https://www.easa.europa.eu/sites/default/files/dfu/ToR RMT.0711 Issue 1.pdf
FAA. (2012a). FAA-H-8083-21A: Helicopter Flying Handbook. In U. S. D. of Transportation (Ed.), FAA-H-8083-21A. FAA.
FAA. (2012b). Helicopter Flying Handbook (Federal Aviation Administration (ed.)). Federal Aviation Administration. www.faa.gov
Ford, T. (1999). Vibration reduction and monitoring. Aircraft Engineering and Aerospace Technology, 71(1), 21–24. https://doi.org/10.1108/00022669910252105
Glowacz, A. (2018). Acoustic-based fault diagnosis of commutator motor. Electronics (Switzerland), 7(11). https://doi.org/10.3390/electronics7110299
Glowacz, A., Glowacz, W., Glowacz, Z., & Kozik, J. (2018). Early fault diagnosis of bearing and stator faults of the single-phase induction motor using acoustic signals. Measurement: Journal of the International Measurement Confederation, 113(May 2017), 1–9. https://doi.org/10.1016/j.measurement.2017.08.036
Johnson, W. (1994). HELICOPTER THEORY (3rd ed.). Dover Publications.
Nguyen, D. H., Liu, Y., & Mori, K. (2018). Experimental Study for Aerodynamic Performance of Quadrotor Helicopter. Transactions of the Japan Society for Aeronautical and Space Sciences, 61(1), 29–39. https://doi.org/10.2322/tjsass.61.29
Pereira, A., Shitsuka, D., Parreira, F., & Shitsuka, R. (2018). Metodologia da Pesquisa Científica. In Metodologia da Pesquisa Científica. Santa Maria: UAB/NTEW/UFSM. https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1. Acesso em: 28 março 2020.
Sadegh, H., Mehdi, A. N., & Mehdi, A. (2016). Classification of acoustic emission signals generated from journal bearing at different lubrication conditions based on wavelet analysis in combination with artificial neural network and genetic algorithm. Tribology International, 95, 426–434. https://doi.org/10.1016/j.triboint.2015.11.045
Sanz, J., Perera, R., & Huerta, C. (2012). Gear dynamics monitoring using discrete wavelet transformation and multi-layer perceptron neural networks. Applied Soft Computing Journal, 12(9), 2867–2878. https://doi.org/10.1016/j.asoc.2012.04.003
Saravanan, N., & Ramachandran, K. I. (2010). Incipient gear box fault diagnosis using discrete wavelet transform (DWT) for feature extraction and classification using artificial neural network (ANN). Expert Systems with Applications, 37(6), 4168–4181. https://doi.org/10.1016/j.eswa.2009.11.006
Silva, I. N., Spatti, D. H., & Flauzino, R. A. (2010). Redes Neurais Artificiais Para Engenharia e Ciências Aplicadas. In ArtLiber (Ed.), São Paulo: Artliber (2o). Artliber.
Straub, F. K., Anand, V. R., Lau, B. H., & Birchette, T. S. (2018). Wind tunnel test of the SMART active flap rotor. Journal of the American Helicopter Society, 63(1), 1–16. https://doi.org/10.4050/JAHS.63.012002
Stupar, S., Simonović, A., & Jovanović, M. (2012). Measurement and Analysis of Vibrations on the Helicopter Structure in Order to Detect Defects of Operating Elements. Scientific Technical Review, 62(1), 58–63.
Vance, J., Zeidan, F., & Murphy, B. (2010). Machinery Vibration and Rotordynamics. John Wiley & Sons, Inc. https://doi.org/10.1002/9780470903704.fmatter
Waqar, T., & Demetgul, M. (2016). Thermal analysis MLP neural network based fault diagnosis on worm gears. Measurement: Journal of the International Measurement Confederation, 86, 56–66. https://doi.org/10.1016/j.measurement.2016.02.024
Wu, J. Da, & Chan, J. J. (2009). Faulted gear identification of a rotating machinery based on wavelet transform and artificial neural network. Expert Systems with Applications, 36(5), 8862–8875. https://doi.org/10.1016/j.eswa.2008.11.020
Zagaglia, D., Zanotti, A., & Gibertini, G. (2018). Analysis of the loads acting on the rotor of a helicopter model close to an obstacle in moderate windy conditions. Aerospace Science and Technology, 78, 580–592. https://doi.org/10.1016/j.ast.2018.05.019
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 João Manoel de Oliveira Neto; Andersson Guimarães Oliveira; João Vitor Lira de Carvalho Firmino; Marcelo Cavalcanti Rodrigues; Antônio Almeida Silva; Laura Hecker de Carvalho
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
