Page 21

BOLETIN DE OBSERVACION TECNOLOGICA 50

en profundidad mientos en la zona monitorizada del botalón de cola. El sistema de detección de deforma-ciones permanentes basado en el modelo FEM no detectó estos valo-res. Este modelo de autodiagnóstico requiere todavía más tiempo de de-sarrollo. Se ha comprobado que es necesario modelizar más fielmente el comportamiento de las ruedas, que se han deformado muy fuertemente durante el impacto, ofreciendo prác-ticamente un contacto directo de las llantas con el suelo. Los FBGS de detección plástica ofre-cieron datos rápidos y fiables de las zonas monitorizadas. Las mediciones de los FBGSs pueden ser realizadas en este caso después de un cierto nú-mero de vuelos y no requiere de equi-po a bordo, dado que las deformacio-nes son permanentes. Los otros sen-sores de fibra óptica que miden las deformaciones elásticas sí requieren de un equipo embarcable para me-dir las cargas en vuelo. Se desarrolló para el proyecto ASTYANAX un pro-totipo de interrogador de FBGS em-barcable, que demostró su funciona-bilidad durante los ensayos de caída libre. Se registraron las mediciones de los más de 50 FBGS en tiempo real y se mandaron los datos al ordena-dor de control mediante conexión inalámbrica, donde se podían ver las deformaciones de todos los sensores durante el instante de la caída. Sistema de detección de grietas a fatiga El sistema de detección de grietas a fatiga se basa en tres pilares: • Una red de sensores ópticos tipo FBGS adheridos en la zona que se quiere monitorizar, • Un conjunto de FEMs ya detalla-dos considerando diferentes con-figuraciones de grieta. • Una red neuronal artificial (ANN) que realiza la supervisión y el auto-diagnóstico de la estructura. Las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como “ANN”) son un paradigma de aprendizaje y pro-cesamiento automático inspirado en la forma en que funciona el cerebro humano. La RNA de este proyecto fue programada por POLIMI para re-lacionar el campo de deformaciones, Fig. 7. Deformaciones permanentes del plano del eje de transmisión del rotor trasero frente al plano de referencia debido a las caídas libres. (Fuente INTA). Fig. 8. Arriba: Principio del entrenamiento de la red neuronal mediante multitud de casos FEMs que modelan los campos de deformaciones correspondientes en la presencia de diferentes grietas. Abajo: La aplicación de esta ANN para detectar grietas en una estructura real, alimentándola con las medidas de los sensores en la estructura. (Fuente INTA). Boletín de Observación Tecnológica en Defensa n.º 50. Segundo trimestre 2016 21


BOLETIN DE OBSERVACION TECNOLOGICA 50
To see the actual publication please follow the link above