Vous êtes sur la page 1sur 30

EVALUACIN DE METODOLOGAS PARA EL DIAGNSTICO AUTOMATIZADO DE LA SEVERIDAD DE FALLAS, A PARTIR DE VIBRACIONES MECNICAS EN RODAMIENTOS, USANDO CARACTERSTICAS DE TIEMPO Y DE FRECUENCIA,

CON MODELOS OCULTOS DE MARKOV.

Diego Fernando Medina C

Proyecto presentado como requisito parcial para optar al ttulo de: Ingeniero Electricista

Director: Ph.D (C), M.Sc. Ing. Mauricio Holgun Londoo Profesor Programa de Ingeniera Elctrica

Universidad Tecnolgica de Pereira Facultad de Ingeniera Elctrica Pereira, Risaralda, Colombia 2013

1 TITULO DEL PROYECTO DE GRADO


Evaluacin de metodologas para el diagnstico automatizado de la severidad de fallas, a partir de vibraciones mecnicas en rodamientos, usando caractersticas de tiempo y de frecuencia, con Modelos Ocultos de Markov.

2 PLANTEAMIENTO DEL PROBLEMA


En la actualidad, los procesos productivos estn cada vez ms presionados para poder competir de forma ms eficiente, bajar costos, aumentar el volumen de produccin, haciendo productos de mayor calidad. Es por ello que el mantenimiento se ha vuelto cada vez ms predominante para dar solucin a todas estas necesidades. El desarrollo de nuevas tecnologas ha marcado sensiblemente la actualidad industrial mundial. En las ltimas dcadas, la industria ha visto la influencia determinante de la electrnica, la automtica y las telecomunicaciones, exigiendo mayor preparacin en el personal, no slo desde el punto de vista de la operacin de la maquinaria, sino desde el punto de vista del mantenimiento industrial [01]. Uno de los parmetros que contribuye a la disponibilidad del equipo es la mantenibilidad. En el mantenimiento se consideran los efectos de los fallos del equipo y la forma de minimizarlos. Las distintas tcnicas de mantenimiento generalmente han sido centradas en la confiabilidad, donde se emplea una metodologa de anlisis objetivo, sistemtico y documentado; enfocndose en el mantenimiento preventivo de los elementos crticos del equipo, as como, en un mantenimiento correctivo en los elementos no crticos de dicho equipo [02 ,03]. Aunque el mantenimiento preventivo se basa en acciones planeadas destinadas a mantener los equipos en buenas condiciones de funcionamiento y evitar fallas, el hecho de tener que realizar intervenciones a intervalos fijos se convierte en su principal desventaja, por generar sobre costo al sustituir partes an aptas, mano de obra y principalmente tiempo de indisponibilidad de los equipos [04]. Al hablar de fallas en una mquina hay que hablar de las vibraciones, consideradas muchas veces como el lado negativo de un proceso til, ya que en la mayora de los casos no son buenas, causantes de desgaste, fisuras por fatiga, prdida de efectividad de sellos, rotura de aislantes, ruido, etc. Pero a su vez las vibraciones son la mejor indicacin de la condicin mecnica de una mquina y pueden ser una herramienta de prediccin sensible de la evolucin de un defecto [05]. Hay que tener en cuenta que todas las mquinas vibran debido a las tolerancias inherentes a cada uno de sus elementos constructivos. Estas tolerancias proporcionan a una mquina nueva una vibracin caracterstica bsica respecto a la cual se pueden comparar futuras vibraciones. Mquinas similares funcionando en buenas condiciones tendrn vibraciones caractersticas similares que diferirn unas de otras principalmente por sus tolerancias de construccin.

Un cambio en la vibracin bsica de una mquina, suponiendo que est funcionando en condiciones normales, ser indicativo de que algn defecto incipiente se est dando en alguno de sus elementos, provocando un cambio en las condiciones de funcionamiento de la misma. Diferentes tipos de fallos dan lugar a diferentes tipos de cambios de la vibracin caracterstica de la mquina, pudiendo ayudar a determinar tanto la fuente del problema, como advirtiendo de su presencia [06]. Los rodamientos son piezas importantes en la mayora de las mquinas, ya que se utilizan para permitir el movimiento relativo entre dos componentes. Estos dispositivos se encuentran formados a su vez por cuatro elementos bsicos: anillo interior, anillo exterior, jaula y elementos rodantes. Muchas de las fallas que se presentan en las mquinas se deben a los rodamientos, ya sea por una seleccin inapropiada del lubricante, un montaje incorrecto, ajustes inadecuados, etc. [07]. Como tcnicas para diagnosticar el estado en un rodamiento con y sin falla inducida, comnmente se han usado aquellas extradas fundamentalmente del campo del procesamiento de seales y en especial las que emplean el dominio del tiempo como espacio de representacin debido a su fcil clculo y aplicacin en mquinas [08]. Otras tcnicas destacadas son el anlisis espectral, empleado cuando las vibraciones estn compuestas de componentes estacionarias; o en caso contrario, destacan las transformadas tiempo-frecuencia, empleadas cuando las seales contienen componentes no estacionarias. Cuando las seales de vibracin son llevadas del dominio del tiempo al dominio de la frecuencia, descomponiendo una serie de tiempo estacionaria en una suma de componentes senoidales de diversas frecuencias y amplitudes [09], solo se est expresando la misma informacin de otra manera; es decir, la seal de vibracin en el dominio espectral aun conserva la misma informacin que en el dominio temporal; pero para alterar sus caractersticas o forma de representacin entre dominios, las seales deben ser sometidas a una serie de funciones que alteraren sus caractersticas. Por lo tanto, resulta necesario disponer de un mnimo de herramientas o tcnicas matemticas de transformacin (transformacin de frecuencia o de transformacin tiempofrecuencia) que permitan hacer este cambio entre espacios de representacin [10]. Otras tcnicas utilizadas para la extraccin y clasificacin de caractersticas en el dominio espectral, tales como Transformada Wavelet, Distribucin WignerVille, Distribucin Choi Williams, entre otras [11]. Estas ltimas tcnicas tienen como desventaja de entrada el incremento global del tiempo computacional [12].

3 JUSTIFICACIN
La tctica predominante en el mantenimiento es el preventivo, el cual consistente en el cambio de piezas o elementos, o la reparacin programada de los equipos en funcin del tiempo o las horas de operacin. Sin embargo, se ha reconocido que este enfoque no garantiza que los equipos mantengan los altos niveles de confiabilidad que demanda la industria actual [13]. El mantenimiento predictivo permite programar la reparacin de los equipos antes de que ocurra una deficiencia u posible dao; adems, disminuye considerablemente los costos por el mantenimiento aplicado y por el paro del equipo. El mantenimiento predictivo se enfoca en los sntomas de falla (vibracin, sonido, temperatura, etctera) que son observables una vez que la causa ya est presente y ocasionando desgaste (falla potencial). Por lo tanto, es ms eficiente atacar las causas y eliminarlas, que trabajar permanentemente en el efecto [04]. Por esta razn, el monitoreo y anlisis de las condiciones de vibracin como herramienta para detectar fallas en mquinas rotativas toma gran relevancia, permitiendo planificar acciones que admitan disminuir las prdidas de produccin, incrementar la vida til de las mquinas, disminuir el lucro cesante, reducir los inventarios de repuestos y los paros por el uso del mantenimiento correctivo y lograr un consecuente aumento de la disponibilidad de los equipos; lo cual derivara en un notable aumento de la confiabilidad. Las investigaciones en el tpico del monitoreo y anlisis de las vibraciones se establecen con el fin de conocer cul es el estado de salud estructural de las mquinas y en particular de sus elementos, que adems de importante, es de actualidad, sobre todo por la necesidad de que los equipos mantengan los altos niveles de confiabilidad que demanda la industria actual [14]. Actualmente existen un gran nmero de tcnicas o algoritmos de clasificacin o reconocimiento de patrones; pero el tradicional Modelos Ocultos de Markov (HMM) se constituye en una de las herramientas ms utilizadas y ampliamente extendidas, los Modelos Ocultos de Markov (HMM) ofrecen mejores resultados con una menor implementacin de equipos; lo que se traduce en una minimizacin de costos y ahorro de tiempo. Para lo anterior, se realiza un anlisis temporal, las caractersticas se extraen de la seal de vibracin a travs de parmetros estadsticos como el valor pico, raz media cuadrtica, factor de cresta, Kurtosis, asimetra, entre otros, [15 , 16]. El presente trabajo se justifica en la relevancia que posee las caractersticas dentro de las fallas en los rodamientos. Adems de su relevancia, se busca obtener los mejores resultados empleando la menor cantidad de caractersticas, reduciendo los extensos tiempos de clculo, buscando generar un grado de exactitud mayor que se justifica a la hora de predecir un dao en una mquina. La gran importancia de este sistema radica en prever y pronosticar de manera efectiva el tipo de fallo en un rodamiento por lo que la determinacin de las mejores caractersticas y determinacin del mejor dominio de representacin es clave a la hora de obtener la mejor respuesta de un sistema de diagnstico automtico de evaluacin de la severidad de fallo en rodamientos.

4 OBJETIVOS
4.1 OBJETIVO GENERAL Realizar evaluacin de metodologas para determinar la severidad de fallas a partir de vibraciones mecnicas en rodamientos, usando caractersticas de tiempo y de frecuencia con Modelos Ocultos de Markov, teniendo como objetivo encontrar el mejor espacio de representacin donde se maximice la respuesta diagnstica del sistema. 4.2 OBJETIVOS ESPECFICOS Realizar la segmentacin de las seales de vibracin provenientes de rodamientos con el fin de alimentar el proceso de extraccin de caractersticas; empleando para ello la base de datos del Bearing Data Center del Case Western Reserve University. Caracterizar las seales de vibracin empleando el dominio del tiempo, frecuencia y tiempo/frecuencia como espacios de representacin. Entrenar un sistema de clasificacin de estados de degradacin con base en Modelos Ocultos de Markov (HMM). Evaluar el desempeo de los sistemas en el reconocimiento del estado de salud de los rodamientos, segn su espacio de representacin y a partir de seales de vibracin y determinar la relevancia de las caractersticas.

5 MARCO REFERENCIAL
5.1 MARCO CONCEPTUAL El mantenimiento preventivo lo define la norma UNE 13306 como: mantenimiento realizado a intervalos predeterminados o segn los criterios establecidos y destinados a reducir la probabilidad de fallas o la degradacin en el funcionamiento del elemento [1]. Es aplicado a un equipo en determinados periodos de tiempo, resultando mucho ms econmico y efectivo que el tradicional mantenimiento correctivo, que igualmente lo define la misma norma como: mantenimiento realizado despus del reconocimiento del fallo y con la intencin de poner un elemento en un estado en el que se pueda realizar una funcin requerida [1]. La aplicacin de este ltimo tipo de mantenimiento se ha venido minimizando en la industria, debido a que es una tcnica costosa en comparacin con los otros tipos de mantenimiento, adems tiende a ser riesgoso para quien lo emplea.

El mantenimiento predictivo es un tipo de mantenimiento que relaciona una variable fsica con el desgaste o estado de una mquina. El mantenimiento predictivo se basa en la medicin, seguimiento y monitoreo de parmetros y condiciones operativas de un equipo o instalacin. A tal efecto, se definen y gestionan valores de pre-alarma y de actuacin de todos aquellos parmetros que se considera necesario medir y gestionar. Para el mantenimiento predictivo encontramos tcnicas que permiten evaluar la condicin de la mquina mientras est en funcionamiento, como es el anlisis de vibraciones, definida como; tcnica del mantenimiento predictivo que permite hallar las causas de posibles fallos anticipndose a la avera [17]. Las seales de vibracin son medidas en trminos de una funcin amplitud contra tiempo o frecuencia, denominados registro temporal y espectral respectivamente. Esto es lo que se conoce como espacios de representacin y constituyen el desarrollo de la seal bajo una variable espacial determinada (tiempo, frecuencia, tiempo-frecuencia) [15]. Para efectos de monitoreo en lnea, siempre es deseable reducir la gran cantidad de informacin contenida en la seal de vibracin a un ndice nico o un pequeo nmero de especificaciones que reflejen las caractersticas generales de la seal, Este procedimiento es conocido como extraccin de caractersticas de la seal y se define como el proceso mediante el cual se obtiene un espacio de caractersticas que representan de la manera ms adecuada una seal que tiene una gran cantidad de puntos con el fin de simplificar conjuntos de datos de alta dimensionalidad, que afectan el desarrollo computacional del proceso disminuyendo la velocidad de convergencia [18]. Las caractersticas en el dominio del tiempo, frecuencia se extraen de la seal de vibracin en bruto y transformando la seal a travs de parmetros estadsticos como; Valor Pico (Peak value, Pv), Raz media cuadrtica (Root mean square, RMS); Factor de Cresta (Crest factor, Crf), Kurtosis (Kv), Asimetra (Skewness, Sw), Desviacin Estndar (Standard desviation, Std), Entropa (Entropy, E), Lmite superior de histograma (Histogram upper bound, UB), Lmite inferior del histograma (Histogram lower bound, LB) [16 , 18]. Las caractersticas extradas se utilizan para entrenar y probar el clasificador, que se define como una estructura matemtica y estadstica que posee la propiedad del aprendizaje, permitiendo procesar informacin de carcter redundante, impreciso y distorsionado [19]. 6

La etapa de clasificacin es una parte importante de los sistemas inteligentes y es considerada como la tarea final de procesado, pues una vez recogidas y pre-procesadas las seales de forma conveniente y definido el vector de caractersticas representativo, el paso final es la implementacin de un clasificador que pueda decidir a qu clase corresponde cada una de las seales [20]. Actualmente existen un gran nmero de algoritmos de clasificacin, entre las tcnicas ms comunes utilizadas en dicho proceso estn las tcnicas tradicionales como los modelos ocultos de Markov(HMM), que es un modelo estadstico en el cual el sistema que se est modelando se asume que es un proceso de Markov con estados ocultos. La aplicacin de los HMM se fundamenta en que el sistema a modelar consiste en una cadena de Markov de parmetros desconocidos [21].

5.2 ANTECEDENTES La palabra mantenimiento se emplea para designar las tcnicas utilizadas para asegurar el correcto y continuo uso de equipos y maquinaria. Durante la revolucin industrial el mantenimiento era correctivo (de urgencia). Los accidentes y prdidas que ocasionaron las primeras calderas y la apremiante intervencin de las aseguradoras exigiendo mayores y mejores cuidados, propiciaron la aparicin de talleres mecnicos. En esa poca, los operarios tenan la misin de diagnosticar las fallas que se presentaran en la maquinaria, empleando para ello nicamente sus sentidos [4, 22]. El sentido del tacto lo empleaban para investigar un cambio en el nivel de vibracin o la temperatura. Con el sentido de la visin, investigaban fugas de lquidos y con el sentido auditivo escuchaban y detectaban ruidos extraos que pudieran alertar de posibles fallas. Sin embargo, con el paso del tiempo se fue comprobando que esta ltima tcnica era til solo cuando la falla estaba en una etapa avanzada. A partir de 1925, se hace patente en la industria americana la necesidad de organizar el mantenimiento con una base cientfica. Se empieza a pensar en la conveniencia de reparar antes de que se produzca el desgaste o la rotura, para evitar interrupciones en el proceso productivo, con lo que surge el concepto del mantenimiento Preventivo. A partir de los aos sesenta, con el desarrollo de las industrias electrnica, espacial y aeronutica, aparece en el mundo anglosajn el mantenimiento Predictivo, por el cual la intervencin no depende ya del tiempo de funcionamiento sino del estado o condicin efectiva del equipo o sus elementos y de la fiabilidad determinada del sistema. Actualmente el mantenimiento afronta lo que se podra denominar como su tercera generacin, con la disponibilidad de equipos electrnicos de inspeccin y de control, sumamente fiables, para conocer el estado real de los equipos mediante mediciones peridicas o continuas de determinados parmetros: vibraciones, ruidos, temperaturas, anlisis fsico-qumicos, tecnografa, ultrasonidos, endoscopia, etc., y la aplicacin al mantenimiento de sistemas de informacin basados en ordenadores que permiten la acumulacin de experiencia emprica y el desarrollo de los sistemas de tratamiento de datos [23]. El anlisis de vibraciones mecnicas con fines de diagnstico en mquinas rotativas es una tcnica que lleva siendo empleada con xito desde hace varios aos en la industria. Se han desarrollado una gran variedad de aplicaciones para este propsito, consistente en sensores de vibraciones (acelermetros) los cuales son colocados en varios puntos de las mquinas que se deseen monitorear; estos sensores se encargan de transformar las vibraciones en seales elctricas. Luego, estas seales elctricas, a travs de la tarjeta de adquisicin de datos son ingresadas a una computadora donde se realizan diferentes tipos de procesamientos para obtener toda la informacin que se requiere para el anlisis y monitoreo de las vibraciones de las mquinas [24]. Los primeros medidores de vibracin hicieron su aparicin en los aos 50, los cuales medan el nivel de banda ancha de vibracin en mquinas. Ms tarde, los filtros anlogos fueron adicionados para poder hacer la diferencia entre los componentes de frecuencia diferente y de esta manera producir una especie de espectro de vibracin. La dcada de los 70 vieron la llegada de la computadora personal y el procesador de las seales digitales, lo que posibilit el clculo de un espectro de frecuencias muy rpido; en la dcada de los 80 surge el microprocesador conformado 8

por un nico chip de silicn. Poco despus, se introduce el verdadero analizador de seales digitales porttil, activado por bateras, era un aparato que junto con un programa de computadora almacenaba los datos y manejaba los aspectos lgicos de la recopilacin de datos, lo cual, revolucion la aplicacin del anlisis de vibracin en el diagnstico de fallas [25]. El anlisis de vibraciones es una de las tcnicas de mantenimiento ms utilizadas debido al bajo costo en relacin con otras tcnicas, a la posibilidad de efectuarlo sin necesidad de hacer una parada en el proceso de produccin, y a sus buenos resultados en el diagnstico de fallas en mquinas rotativas. La PSD (Power Spectral Density) fue una de las primeras tcnicas en el rea de diagnstico de fallas, se comenz a utilizar porque permita observar las vibraciones producidas a bajas y altas frecuencias [26]. No obstante, poco tiempo despus se descubri que esta tcnica presentaba ciertas limitaciones como son: la prdida de la fase de la seal de vibracin y la incapacidad para detectar seales no estacionarias [27]. No obstante, se hicieron diferentes estudios con ella, tales como evaluar la utilidad del biespectro respecto a la PSD, para la deteccin de fracturas en vigas [28], evaluar la utilidad de la transformada de Hilbert respecto a la PSD para la deteccin de fallas en rodamientos de bolas de motores elctricos [29], entre otras, y donde se evidenciaron ms sus limitaciones. Dichas desventajas motivaron a los investigadores a desarrollar tcnicas ms eficientes para el anlisis de vibraciones mecnicas con fines de diagnstico en mquinas rotativas, orientados a la deteccin de fallas en rodamientos, los cuales se enfocaron en la aplicacin de nuevas tcnicas de procesamiento digital de seales. Recientemente muchos estudios y pruebas se han realizado en el campo del diagnstico de fallas en rodamientos; algunos han empleado detectores de modulacin en amplitud, para diagnosticar fallas en la pista exterior de un rodamiento rgido de bolas [25], otros han evaluado la utilidad del biespectro y el triespectro para diagnosticar una falla en la pista externa de un rodamiento de bolas auto alineables [30]. Este tipo de desarrollo, conducir en un futuro hacia el uso en mantenimiento de los sistemas expertos y a la inteligencia artificial, con amplio campo de actuacin en el diagnstico de avenas y en facilitar las actuaciones de mantenimiento en condiciones difciles. Por otra parte, existen cambios en las polticas de mantenimiento marcados por la legislacin sobre Seguridad e Higiene en el Trabajo y por las presiones del Medio Ambiente, como dispositivos depuradores, plantas de extraccin, elementos para la limitacin y atenuacin de ruidos y equipos de deteccin, control y alarma. Se vaticina que los costes de mantenimiento sufrirn un incremento progresivo, esto induce a la fabricacin de productos ms fiables y de fcil mantenimiento [23].

5.3 MARCO TERICO 5.3.1 MANTENIMIENTO PREDICTIVO El mantenimiento predictivo es una tcnica para pronosticar el punto futuro de rotura o avera de un componente de una mquina, de tal forma que dicho componente pueda reemplazarse, con base en un plan, justo antes de que falle. As, el tiempo muerto del equipo se minimiza y el tiempo de vida del componente se maximiza. Para la realizacin de un mantenimiento predictivo es necesario poseer una organizacin y medicin de parmetros con base en, primer lugar, en una perspectiva histrica de la relacin entre la variable seleccionada y la vida del componente. Esto se logra mediante la toma de lecturas en intervalos peridicos hasta que el componente se rompa o se avere [31]. 5.3.2 DIAGNSTICO DE FALLAS La deteccin de fallas en un sistema se basa en comparar variables de salida o entrada al mismo y as mismo poder diferenciar un estado de salud con un estado de falla. Se requiere conocimiento del sistema y sus variables de entrada y salida, un mtodo adecuado de adquisicin de datos y un procedimiento de diagnstico basado en un buen anlisis de resultados. Su objetivo es determinar cul es el problema especfico que se ha producido cuando un sistema de monitoreo registra cambios en los valores de las magnitudes medidas. Para determinar el estado de salud de una mquina, se evalan una serie de sntomas que ella emite al exterior, tales como: anlisis de aceites, termografa, ultrasonido y anlisis de vibraciones, siendo esta ltima, sobre la que se centran la mayora de implementaciones del mantenimiento predictivo [32]. 5.3.3 ANLISIS DE VIBRACIONES El anlisis de vibraciones, es una tcnica de mantenimiento predictivo que permite hallar las causas de posibles fallos, anticipndose a la avera. Para la implantacin de un mantenimiento predictivo resulta imprescindible la realizacin de un programa y una organizacin que asegure el seguimiento constante y riguroso de los elementos que componen la mquina [33]. Las seales de vibracin contienen mucha informacin, la cual puede ser aplicada para monitoreo de condiciones, sin interferir con la operacin de la mquina. Por ejemplo, cuando una falla localizada en una superficie del rodamiento choca con otra superficie, se generan vibraciones de impacto. La monitorizacin de condiciones se lleva a cabo mediante el anlisis de los cambios en la firma de la vibracin debido a la presencia de estos impulsos [18].

10

5.3.4 VIBRACIONES

Una vibracin es un movimiento oscilatorio de pequea amplitud. Todos los cuerpos presentan una seal de vibracin en la cual plasman cada una de sus caractersticas. De acuerdo a esto, las mquinas presentan su propia seal de vibracin y en ella se encuentra la informacin de cada uno de sus componentes. Por tanto, una seal de vibracin capturada de una mquina es la suma de la vibracin de cada una de sus componentes. Las seales de vibracin de una mquina pueden ser interpretadas como un conjunto de sinusoides superpuestas con diversas amplitudes y frecuencias que implican y determinan un estado general. Los parmetros de la amplitud (severidad de la vibracin) y la frecuencia (mecanismo vibrante) se emplean para determinar el estado de salud de la mquina [34]. 5.3.5 TIPO DE FALLAS Desalineamiento: Este tipo de problema se produce cuando el eje motriz y el conducido no tienen la misma lnea de centro. La condicin no coaxial puede ser: un desalineamiento paralelo como el de la Figura 1.a un desalineamiento angular como en la Figura 1.b. El desalineamiento causa que los rodamientos se encuentren sometidos a magnitudes de cargas mayores para el cual fueron diseados, provocando con ello, que el rodamiento falle por fatiga. La expansin trmica de los ejes, las fuerzas transmitidas por tuberas y las cimentaciones desniveladas son algunos de los factores que pueden producir el desalineamiento [35].

Figura 1: Desalineamiento a) paralelo, b) angular. Desbalanceo: El desbalanceo es una condicin que se produce cuando no existe una distribucin uniforme de la masa alrededor del centro de giro del rotor cuando el peso del rotor flexiona al eje que lo soporta. Estas dos causas de desbalanceo provocan que el centro de gravedad del rotor no coincida con su centro de rotacin, permitiendo con ello, la generacin de fuerzas y momentos de inercia indeseables sobre los rodamientos. En la Figura 2 se muestran los cuatro tipos de desbalance: el desbalance esttico, desbalance por par de fuerzas, desbalance casi-esttico y el desbalance dinmico [36]. Estos se describen como sigue: Desbalance esttico: Esta condicin se presenta cuando el eje longitudinal principal de inercia del rotor esta desplazado paralelamente con respecto al eje de rotacin. Desbalance por par de fuerzas: Se presenta cuando el eje principal longitudinal de inercia del rotor intercepta al eje de rotacin en el centro de gravedad del rotor. 11

Desbalance casi-esttico: Ocurre cuando el eje longitudinal principal de inercia del rotor intercepta al eje de rotacin en un punto arbitrario o sea, un punto que no coincide con el centro de gravedad del rotor. Desbalance dinmico: Se presenta cuando el eje longitudinal principal de inercia del rotor no intercepta al eje de rotacin y tampoco es paralelo a ste [37].

Figura 2: Tipos de desbalance, a) esttico, b) par de fuerzas, c) casi-esttico, d).dinmico.

Soltura o aflojamiento mecnico: La vibracin caracterstica de un aflojamiento mecnico es generada por alguna otra fuerza de excitacin, como un desbalance o una falta de alineamiento. Sin embargo, el aflojamiento mecnico empeora la situacin, transformando cantidades relativamente pequeas de desbalance o falta de alineamiento en amplitudes de vibracin excesivamente altas. Corresponde por lo tanto decir que el aflojamiento mecnico permite que se den mayores vibraciones de las que ocurriran de por s, derivadas de otros problemas. El aflojamiento mecnico y la accin de golpeo resultante producen vibracin a una frecuencia que a menudo es el doble o mltiplos ms elevados de su frecuencia fundamental [38].
Rodamientos: Los rodamientos estn entre los ms importantes y frecuentemente encontrados

componentes en la gran mayora de las mquinas rotativas, su capacidad de carga y confiabilidad son importantes para el desempeo general de la mquina. La deteccin y diagnstico de fallas en las primeras etapas de daos es necesario para evitar su mal funcionamiento y fallos durante su operacin [33]. Cuando una falla localizada en una superficie del rodamiento choca con otra superficie, se generan componentes de vibracin no sncronos. La existencia de componentes no sncronos en un espectro de vibraciones es el indicador ms claro de problemas en los rodamientos y permite excluir otras posibles fuentes que originan la vibracin [15].

12

Las fallas en rodamientos se dan en sus principales componentes: anillo interior, anillo exterior, jaula y elementos rodantes, adems, cada componente del rodamiento presenta una frecuencia de falla nica calculadas a partir de la gemetra del rodamiento y de las partes que lo componen, y por lo general, corresponden a un rango de alta frecuencia [39]. 5.3.6 ACONDICIONAMIENTO DE SEAL Son dispositivos que adaptan la seal proveniente de un sensor, para ser presentada, registrada o procesada posteriormente. Son en general circuitos electrnicos de cdigos, que amplifican, filtran, adaptan, modulan, desmodulan y digitalizan seales. Para el caso de vibraciones, el acondicionamiento de la seal se debe a que cuando se obtiene la seal, esta contiene informacin que no es relevante para el anlisis, por lo cual se requiere el uso de un sistema acondicionador de seal para adquirir solamente aquella informacin que pueda facilitar su anlisis [40]. Filtro: Son circuitos caracterizados por una entrada y una salida de forma que en la salida solo aparecen parte de las componentes de frecuencia de la seal de entrada. Son por tanto circuitos que se pueden caracterizar por su funcin de transferencia cumplindose que:

La funcin de transferencia toma el valor 1 para una frecuencia i si se desea que la seal pase a esa frecuencia, mientras que tomar el valor 0 si no debe pasar, dicindose que se rechaza la seal. De acuerdo al tipo de tecnologa (componentes) con que se fabrica los filtros se clasifican en: 1. Pasivos: Usan solamente como componentes los de tipo pasivo, es decir R, C y L. 2. Activos: Utilizan R, C y amplificadores que pueden ser discretos o integrados. 3. De capacidades conmutadas: Utilizan condensadores en conmutacin en lugar de resistencias. Los valores resistivos que se obtienen dependen de la capacidad y de la frecuencia de conmutacin. Por tanto variando la frecuencia podemos cambiar el valor de las resistencias y la respuesta en frecuencia del filtro. 4. Digitales: Realizan la funcin del filtro a travs de algoritmos numricos[41]. De acuerdo a su respuesta en frecuencia los filtros se clasifican en: Paso baja Paso alta Paso banda Rechazo de banda

13

5.3.7 VENTANA Las ventanas son funciones matemticas usadas con frecuencia en el anlisis y el procesamiento de seales para evitar las discontinuidades al principio y al final de los bloques analizados. En procesamiento de seales, una ventana se utiliza cuando nos interesa una seal de longitud voluntariamente limitada. En efecto, una seal real tiene que ser de tiempo finito; adems, un clculo slo es posible a partir de un nmero finito de puntos. Para observar una seal en un tiempo finito, la multiplicamos por una funcin ventana. La ms simple es la ventana rectangular, que se define como:

Al aplicar una ventana a una seal, esta afecta el espectro de la seal original. La aplicacin de una ventana sobre una seal es equivalente a una convolucin en la frecuencia de los espectros de la ventana y la seal. El ancho del lbulo principal del espectro de una ventana es una caracterstica relevante de la ventana. La resolucin en frecuencia de la seal a la que se le aplica la ventana es limitada por el ancho del lbulo principal.

Caractersticas de las Ventanas A la hora de escoger una ventana en particular, se requiere conocer sus caractersticas primero. La forma del lbulo principal est determinada por la medida de su anchura en -3 dB y -6 dB del pico del lbulo principal. Los lbulos laterales son determinados por el nivel mximo del lbulo lateral y su tasa de disminucin. El nivel mximo del lbulo lateral es el mayor nivel de lbulo lateral en decibeles relativo al pico de ganancia del lbulo principal. La tasa de disminucin es la tasa de cada asinttica en decibeles por dcada de frecuencia de los picos de los lbulos laterales. En la siguiente tabla se muestran las caractersticas de varias ventanas y sus efectos en resolucin y prdida espectral [42].

14

Ancho en -3 dB del Ancho en -6 dB del lobulo Principal lobulo Principal Windows Rectangular 0,88 1,21 Bartlett 1,28 1,74 Hanning 1,44 2 Hamming 1,3 1,81 Blackman-Harris 1,62 2,27 Exact Blackman 1,61 2,25 Blackman 1,64 2,3 2,94 3,56 Flat Top

Maximo Nivel del lobulo lateral (dB) -13 -27 -32 -43 -71 -67 -58 -44

Tasa de Disminucion del Lobulo Lateral (dB/decada) 20 40 60 20 20 20 60 20

Tabla 1, Caracterstica de ventanas 5.3.8 TRANSFORMADA DE FOURIER

La transformada de Fourier, permite pasar del dominio tiempo al dominio frecuencia de una seal vibratoria y est dada por la ecuacin: Donde la transformada inversa de Fourier est dada por la ecuacin: La dificultad de este procedimiento radica en que requiere conocer la ecuacin de la seal, que para los casos reales es imposible, ya que la seal est contaminada con ruido y seales provenientes de otros equipos, lo que hace prcticamente inviable que este mtodo sea aplicable en la realidad.

Transformada Discreta de Fourier (TDF) Al no poder contar con una funcin de la vibracin, lo que se hace es que, una vez se tiene la seal medida, se procede a tomar valores puntuales de sta (discretizarla), luego la TDF transforma, por medio de las ecuaciones siguientes, N puntos tomados de la seal temporal en N/2 puntos discretos del espectro, que son llamadas Lneas cuando trabajamos en el espectro en frecuencias: : Valores discretos de la seal temporal medida,

=1, 2, , N.

15

: Nmero de puntos a considerar en la discretizacin de la seal temporal. Resolucin en frecuencias. : Frecuencia mxima del espectro. X(k): Valor de la componente del espectro que corresponde a la frecuencia | |: Amplitud de la componente que corresponde para la frecuencia

Transformada Rpida de Fourier (FFT) El clculo de la TDF, requiere de muchos recursos y obviamente lo hace ms lento, hasta que en 1965, se present el algoritmo de la FFT, que permiti simplificar de forma importante el clculo de la TDF. Este, adems de reducir el tiempo de clculo, tambin reduce el error La gran diferencia de este mtodo est en el nmero de elementos que se emplean en el desarrollo, en el clculo de la TDF, se requeran un nmero de clculos de NN/2 trminos, mientras que en la FFT, se emplean solamente Nlog N trminos, lo que hace este mtodo significativamente ms rpido [35]. 5.3.9 EXTRACCIN Y SELECCIN DE CARACTERSTICAS Obtenida y filtrada la seal se pasa a una etapa de procesamiento, que para efectos de monitoreo en lnea, siempre es deseable reducir la gran cantidad de informacin contenida en la seal de vibracin en lnea a un ndice nico o un pequeo nmero de caractersticas que reflejen el comportamiento general de la seal. Este procedimiento se conoce como extraccin de caractersticas de la seal [34]. En este trabajo se emplea el dominio del tiempo como el de la frecuencia desarrollando un sistema de representacin con sus caractersticas estriadas de la seal de vibracin a travs de parmetros de frecuencia como : Frecuencia Media (MF), Varianza (Var), Asimetra (Sf), Kurtosis (Kf), etc y de tiempo Valor Medio (Mv), Raz media cuadrtica(RMS) Factor de cresta (Crf ) entre otros. 5.3.10 ESPACIOS DE REPRESENTACIN Constituyen el desarrollo de la seal bajo una variable espacial determinada (tiempo, frecuencia, tiempo-frecuencia). La seal X(t) en el dominio del tiempo es la seal de vibracin adquirida del sistema e involucra la naturaleza del funcionamiento de la mquina. La seal de vibracin puede ser analizada como una suma de funciones seno con distintas frecuencias, f, amplitudes, A, y fases, , donde cada sinusoide representa un mecanismo en particular. Donde el subndice (i) denota cada componente o mecanismo presente en la mquina. Para pasar del dominio del tiempo a otro espacio de representacin se hace uso de funciones ortogonales o funciones base que permitan transformar la seal x(t) a otro espacio.

16

5.3.11 CARACTERSTICAS EN EL DOMINIO DEL TIEMPO Y LA FRECUENCIA

Las caractersticas en el dominio de la frecuencia se extraen de la seal de vibracin realizando la transformada de Fourier en esta. A continuacin se listan un conjunto de estadsticos consideradas como las principales caractersticas debido a la simplicidad para calcularlas y a la interpretacin que brindan (en su mayora) al proceso de discriminacin de fallas en mquinas rotativas [15 ,44, 45]. Algunas caractersticas de tiempos son: Valor Medio (Mean Value, ): Es el primer momento estadstico. Se identifica el punto medio de la seal, pero es bastante sensible a interferencias o valores atpicos que se obtienen en la adquisicin de la seal.

Vm

N n 1

x ( n)

Valor Pico (Peak value, ): Particularmente til para el monitoreo del cambio en la cantidad de impulsividad, posiblemente debido al incremento de dao ocasionado por impulsos. Esta caracterstica puede incluir factores adicionales que pueden incrementar el nivel pico de la seal.

Pv mx | x(n) |
Raz media cuadrtica (Root Mean Square, RMS): El valor RMS de una seal de vibracin es una caracterstica que mide el contenido de potencia en la firma de vibracin. Esta caracterstica es muy efectiva en la deteccin de desbalance en maquinaria rotativa.

RMS

N n 1

( x(n)) 2 N

Factor de cresta (Crest Factor, Crf ): Es la relacin del (Pv) de la seal de entrada al nivel RMS. Por lo tanto, los picos en las series de tiempo darn como resultado un incremento en el

Crf

Para

operaciones normales, el Crf puede estar entre 2 y 6. Esta caracterstica es usada para detectar cambios en el patrn de la seal debido a fuentes de vibracin impulsivas como un diente roto en un engranaje o un defecto en la pista externa de un rodamiento

Kurtosis (Kurtosis, Kv): La kurtosis es definida como el cuarto momento de la distribucin y mide los picos o valles relativos de la distribucin comparada a una distribucin. Esta caracterstica tiene la ventaja mayor de que el valor calculado es independiente de las variaciones de carga y velocidad.

17

Kv

N n 1

( x(n) Vm) 4

( N 1) std 4

Asimetra (Skewness, Sw): El tercer momento estadstico normalizado, puede ser tan efectivo como la kurtosis si los datos son rectificados inicialmente. La ventaja de este momento sobre el valor de kurtosis tradicional es su menor susceptibilidad a vibraciones espurias, la cual es considerada uno de los inconvenientes de los momentos estadsticos de alto orden. La sensibilidad de este momento al cambio de carga y velocidad es menor que la de la kurtosis.

Sw

N n 1

( x(n) Vm)3

( N 1) std 3

Factor de forma (Shape Factor, Shf): Es el valor normalizado del nivel RMS mediante la media de la magnitud de la seal. Este parmetro permite centralizar el valor imprecisin ocasionada por problemas en la adquisicin.

RMS

para reducir la

Shf

RMS
N 1 | x ( n) | n 1 N

Desviacin estndar (Standard Desviation, std): Es el segundo momento estadstico de la seal y permite cuantificar el nivel de variabilidad y dispersin que presentan las amplitudes con respecto a (Vm).

std

( x(n) Vm) n 1 N 1

Otro conjunto de estadsticos que contribuyen a la identificacin de fallos en mquinas rotativas estn relacionados a continuacin: Factor de Clearance (Clearance factor, Clf):
Clf ( Pv

N n 1

| x ( n) | N

)2

Factor de impulso (Impulse factor, Imf):

Im f

Pv
N 1 | x ( n) | n 1 N

18

Lmite superior de histograma ( Histogram upper bound, UB):

UB max( Xn) 0.3*(

max(n) min(n) ) N 1
max(n) min(n) ) N 1

Lmite inferior de histograma (Histogram lower bound, LB):

LB min( Xn) 0.3*(

Donde n, es la amplitud en el punto de muestreo y N es el nmero de puntos de muestreo.

Algunas caractersticas de la frecuencia son: Frecuencia Media (mean frequency, MF): La frecuencia media representa el nivel de vibracin medio de la seal en trminos de la frecuencia. Indica la energa de vibracin de la seal en el dominio de la frecuencia.

Varianza (Variance . VF): La varianza definida como el segundo momento estadstico, es un indicador de la variabilidad de la amplitud de la vibracin en el espectro con respecto a la MF. Esta caracterstica se define como

Asimetra (Asymmetry, Es el tercer momento estadstico de la distribucin de las frecuencias y mide la estabilidaddel espectro con medida a la MF. Kurtosis (Kurtosis, ): Es el cuarto momento estadstico de la seal de vibracin y es til para caracterizar fallas en rodamientos y engranajes.

Frecuencia central (Center frequency, CF): La frecuencia central muestra los cambios de posicin de las frecuencias principales . Es til como referente de normalizacin del rango de frecuencias presentes en la seal.

19

Desviacin estndar (standard deviation, STDF): La STDF describe el grado de convergencia del espectro de potencia.

Raz media cuadrtica (Root mean square, RMSF): La RMSF, al igual que la FC, muestra los cambios de posicin de las frecuencias principales. Es un parmetro que define el nivel de vibracin global de la mquina, y es la medida utilizada con las normas internacionales de vibracin.

5.3.12 CLASIFICACIN En busca de la solucin del problema, y tomar la decisin correcta, para la clasificacin de las caractersticas de frecuencia es necesario clasificar el problema o la situacin, para despus aplicar la metodologa correspondiente [46]. El procesamiento de informacin de carcter redundante, imprecisa y distorsionada juega un papel importante en el campo de la solucin de problemas reales de clasificacin de fallas. El objetivo principal de los sistemas de reconocimiento de patrones es clasificar datos de entrada dentro de un nmero definido de clases. Habitualmente este problema de clasificacin se trata como un problema cualquiera de clasificacin multiclase. En esta situacin, la arquitectura de los clasificadores est formada por dos mdulos: anlisis de caractersticas y clasificacin de patrones [47]. El primer mdulo consistira en la parametrizacin y extraccin de caractersticas de la seal de vibracin; donde la etapa de extraccin de caractersticas se emplea para reducir el tamao del espacio de representacin de los datos, de tal manera que se utilicen nicamente las variables que se obtenga mayor informacin al proceso de clasificacin y se reduzca el espacio de representacin. Este conjunto de caractersticas se pasan al segundo modulo, donde el clasificador establece el tipo de falla. Un problema de inters fundamental es caracterizar las seales de vibracin en trminos de modelos de seal. Hay varias posibles elecciones para el tipo de modelo de seal a usar para caracterizar las propiedades de una cierta seal. En lneas generales, uno puede dictaminar los tipos de modelo de seal en modelos deterministas y en estadsticos. Los modelos estadsticos, que son los que nos interesan; intentan caracterizar exclusivamente las propiedades estadsticas de la seal. 5.3.13 MODELOS OCULTOS DE MARKOV (HMM):

20

Es una cadena de Markov donde sus seales o estados no son observables. Rabiner, en [21] explica que los modelos ocultos de Markov son un: doble proceso estocstico con un proceso subyacente que no es observable (oculto) pero que puede ser observado a travs de otro conjunto de procesos estocsticos que generan la secuencia de observaciones. Otra explicacin con la cual se puede exponer los HMM es: Una funcin probabilstica de una cadena oculta de Markov es un proceso estocstico generado por dos mecanismos interrelacionados, una cadena de Markov subyacente que tiene un nmero nito de estados, y un conjunto de funciones aleatorias, cada una asociada con un estado. En instantes discretos de tiempo, se asume que el proceso est en algn estado y una observacin es generada por la funcin aleatoria asociada al estado actual. La cadena de Markov subyacente cambia entonces de estado de acuerdo con su matriz de probabilidad de transicin. El observador ve localmente la salida de las funciones aleatorias asociadas a cada estado y no puede observar directamente los estados de la cadena de Markov. [48] Los HMM constan bsicamente de 5 elementos para su construccin los cuales son: 1. El nmero de estados en el modelo N. Aunque los estados en los que se encuentra el sistema modelado se consideran ocultos, para muchas aplicaciones prcticas existe alguna signicacin fsica asociada a los estados del sistema. Generalmente los estados estn interconectados de tal manera que cualquier estado puede ser } y el alcanzado desde cualquier otro. Todos los estados sern denotados como estado en el instante como . 2. El nmero de smbolos de observacin distintos por estado M. Es de tamao discreto del modelo. Sus smbolos corresponden usualmente a la salida fsica u }. observable del sistema modelado. Se denotan los smbolos como 3. La distribucin de probabilidad de transicin A en donde: { } { } Usualmente representada por una matriz |

4. La distribucin de probabilidad de observacin de smbolos } Esta distribucin de probabilidad representa la probabilidad de observar el smbolo k estando en el estado j donde: B { } ( | )

5. La distribucin inicial Representa el estado inicial del sistema modelado, donde: } Dados valores apropiados para N, M, A, B y , el HMM puede ser utilizado como el generador de una secuencia de observaciones

21

Smbolo

A { } B { } ={ } Notacin compacta del modelo completo Tabla 2, resumen HMM de elementos para su construccin

Significado Longitud de la secuencia de observaciones Cantidad de estados en el modelo Cantidad de smbolos observables } Estados: } Secuencia de Transiciones: Conjunto discreto de observaciones posibles: } Estados visitados en el momento | | }

Los 3 problemas de los HMM Es comn encontrar en la literatura que versa sobre los HMM, que sus caractersticas tericas que son descritas en trminos de 3 problemas fundamentales, estos son [49]: Problema 1. Dada una secuencia de observaciones y un modelo , cmo se puede calcular eficientemente la probabilidad de la secuencia de observaciones de haber sido generada por el modelo ? Problema 2. Dada la secuencia de observaciones y el modelo , cmo se selecciona una secuencia de estados que sea ptima en algn sentido til(Por ejemplo, que explique de la mejor manera posible las observaciones) ? Problema 3. Cmo se pueden ajustar los parmetros del modelo

para maximizar P (O | )?

22

6 DISEO METODOLGICO
6.1 METODOLOGA El trabajo se desarrollara en cinco etapas, basadas en los objetivos planteados. Estas etapas se llevaran a cabo siguiendo una secuencia de actividades que permitirn obtener los resultados de forma adecuada y apoyada en la tcnica de anlisis enfocados en el Mtodo Sistmico. Ya que se pretende modelar el sistema como partes aisladas, (adquisicin, procesamiento, extraccin, entrenamiento) determinando sus caractersticas, para posterior a esto determinar las relaciones entre ellas. Esas relaciones determinan por un lado la estructura del problema y por otro su dinmica. Se trabajara bajo la plataforma de matlab, basndose en el entrenamiento y clasificacin de modelos usando HMM. Para verificar un buen resultado del sistema se ir probando cada etapa, a medida que se van estas. Dentro del diseo metodolgico tenemos: 6.1.1 FAMILIARIZACIN CON LA TEMTICA EN DIAGNSTICO DE FALLAS EN RODAMIENTOS: En esta primera etapa desarrollaremos conceptos importantes para entender el procedimiento en el diagnostico de fallas en los rodamientos, centrndonos exclusivamente en la etapa de deteccin y prediccin de estos, Empleando un anlisis documentado, en donde se estudiaran los principios bsicos de fallas de los rodamientos en el dominio de la frecuencia, pudiendo as tener un sistema de referencia general, para la implementacin de un sistemas capaz de diagnosticar fallas en rodamientos. 6.1.2 ANLISIS, ADECUACIN Y SEGMENTACIN DE LA BASE DE DATOS: Esta segunda etapa tiene como objetivo, extraer las caractersticas presentes en la seal obtenida de la base de datos, con el fin de permitir atenuar el ruido blanco presente en la seal, filtrar algunas otras seales, acortarla, descomponerla en el dominio del tiempo y la frecuencia, con el fin de tener los datos adecuados para posterior a esto, poder identificar claramente el tipo de seal obtenido de los rodamientos normales y defectuosos. La base de dato a utilizar es proporcionada por el Bearing Data Center de la Western Reserve University [50]. 6.1.3 CARACTERIZACIN DE LAS SEALES DE VIBRACIN: La tercera etapa tiene como objetivo individualizar las caractersticas de los datos en el dominio de del tiempo y la frecuencia, buscando as las caractersticas ms significativas para un anlisis y eliminado caractersticas que no represente informacin significativa para nuestro anlisis, para esto se desarrollan anlisis por mtodos estadsticos y multi-variable con el fin de tener un mejor grado de acercamiento a la respuesta.

23

6.1.4 ENTRENAMIENTO EN EL SISTEMA CLASIFICADOR DE FALLAS: La cuarta etapa tiene como funcin, que a partir de los fundamentos bsicos en los que se basa el aprendizaje mquina, implementar el montaje en un sistema clasificador ya desarrollado basado en Modelos Ocultos de Markov (HMM) que pueda decidir a qu tipo de falla en el rodamiento corresponde, a partir de los datos caractersticos ms significativo en tiempo y frecuencia. Para esto se escogern un conjunto de datos con el fin de modelar el sistema; posterior a esto se crearan el conjunto de caractersticas para utilizarlos como material de referencia, la creacin y entrenamiento del sistema. 6.1.5 VERIFICACIN Y EVALUACIN Para la quinta etapa, se verificarn los resultados obtenidos con el clasificador de fallas a partir de datos para validacin (no presentados en el entrenamiento), el resultado obtenido ser ptimo o no dependiendo del grado de acierto arrojado por el sistema, adems determinar el grado de relevancia que posee cada caracterstica. Con base en esto, se realizarn las respectivas conclusiones para elaborar el documento para la presentacin final del proyecto. 6.2 VALIDEZ Este trabajo tiene valides descriptiva ya que muchos de los algoritmos y formulacin planteada se encuentra en la literatura, la cual es soportada por la comunidad cientfica e ingeniera IEEE, adems el resultado obtenido describe cual de las caractersticas son 6.3 CONFIABILIDAD La confiabilidad de este trabajo de grado radica en las fuentes a utilizar, las cuales son varios artculos cientficos de revistas, tesis y trabajos de grados publicados, y avaluados por universidades reconocidas, pertenecientes a la comunidad de la IEEE, la utilizacin de una base de datos y software de reconocimiento y aceptacin de la comunidad cientfica como es Matlab adems de ser asesorados por personal con titulo de doctorado y maestra, compete a la temtica a trabajar, lo cual garantiza que los mtodos a trabajar son confiables y seguros.

24

7 ESQUEMA TEMTICO
Este es el contenido provisional que va a tener el documento final de la presentacin del proyecto. Introduccin Justificacin Formulacin del problema Propuestas de solucin Estado del arte Marco Terico Marco experimental Resultados y discusin Conclusiones Bibliografa

8 CRONOGRAMA DE TRABAJO
Semana 8 - 10 11 - 13 14 - 16 X X X -

Actividad Recopilacin y revisin de la informacin Seleccin y clasificacin de los datos Desarrollo de caractersticas del sistema Implementacin del sistema Anlisis y discusin de resultados Desarrollo final de informe y conclusiones Disertacin

1- 2 X -

3- 5 X -

6- 7 X -

17 X

Tabla 3, cronograma de trabajo

25

9 RECURSOS
9.1 Talento Humano Director: Mauricio Holgun Londoo Ingeniero Electricista. Magister en Ingeniera Elctrica (rea de automtica y control). Estudiante de Doctorado en Ingeniera (rea de Automtica). Profesor Programa de Ingeniera Elctrica. Ejecutor: Diego Fernando Medina Cifuentes Tecnlogo Electrnico. Estudiante de Ingeniera Elctrica. Cdigo: 1113622302. 9.2 Recursos Materiales Dentro de los recursos a utilizar encontramos: Libros y material bibliogrfico dentro de la biblioteca de Universidad. Conexin a internet. Computador personal. Instalaciones de la universidad.

9.3 Presupuesto Dentro del presupuesto encontramos:


Papelera Asesora de consulta Viticos Mensajera Otros Total $ 70.000,00 $ 150.000,00 $ 200.000,00 $ 30.000,00 $ 100.000,00 $ 550.000,00

Nota: los costos del presente proyecto de grado son asumidos en su totalidad por el ejecutor del mismo.

26

10 BIBLIOGRAFA
[01] Renove Tecnologa .:Mantenimiento predictivo. http://www.energiza.org/index.php/mantenimiento-plantas/13-mantenimiento-predictivo, , Fecha de consulta 30 de Septiembre del. 2013 [02] F.P. Schmid and J. Conde .: Reliability Centered Approach to Remote Condition Monitoring. A. Railway Points Case Study. Engineering and System Safety. [03] J. Moubray .:Reliability Centred Maintenance (RCM-II) Butterworth Heinemann. Oxford, 1991. [04] SKF. Manual SKF de mantenimiento de rodamientos. Dinamarca, 1996.

[05] R. Kulichevsky, M. Sacchi, M. Ghiselli. .:Medicin y anlisis de vibraciones: Una herramienta para la prediccin y evaluacin de fallas en maquinarias. Estudio y Ensayo de Componentes Estructurales - U. A. ENDE - Comisin Nacional de Energa Atmica, Buenos Aires, Argentina. [06] J. M Pintor .:Vibraciones en mquinas. Mantenimiento predictivo. http://www.imac.unavarra.es/web_imac/pages/docencia/asignaturas/emyv/pdfdoc/vib/vib _predictivo.pdf, Fecha de consulta 30 de Septiembre del. 2013.

[07] Jr Patton .: Preventive Maintenance. New York: Instrument Society of America, 2004, 3 Edition, ISBN-10: 1556178751.. [08] M. R. Somonte .:anlisis de filtros para la deteccin de fallos en Rodamientos industriales a partir de su seal de vibracin. Trabajo de grado, Universidad Carlos III de Madrid. [09] A. Montenegro .:Anlisis Espectral. Departamento de Economa, Universidad Javeriana, Noviembre 2008. [10] M. Hariharan, M. P. Paulraj, SazaliYaacob. Diagnosis of vocal fold pathology using timedomain features and systole activated neural network. School of Mechatronic Engineering, University Malaysia Perlis (UniMAP), Perlis, Malaysia. [11] G. A. Arango .:Clasificacin de Fallas en Motores Elctricos utilizando Seales de Vibracin. Tesis, Universidad Tecnolgica de Pereira, 2007. [12] X. Z. Yuan, C. Song, H. Wang, J. Zhang .:Electrochemical Impedance Spectroscopy in PEM Fuel Cells.Fundaments and Applications. [13] P.J. Unsworthc, D.F. Shia F. Tsungb .:Adaptive time frecuencydescomposition for transient vibration monitoring of rotating machinery.MechanicalSystem and SignalProcessing. [14] E. Flrez, S. Cardona, L. Jordi..: Caracterizacin de seales de vibracin no estacionarias en el dominio conjunto tiempo-frecuencia. A: Congreso Internacional de Ingeniera Mecnica y 27

de Ingeniera Mecatrnica. Proceedings del V Congreso Internacional de Ingeniera Mecnica y III de Ingeniera Mecatrnica". Bogot: 2011.
[15]

M. Yadav, S. Wadhwani. .:Vibration analysis of bearing for fault detection using time domain features and neural network. International Journal of Applied Research in Mechanical Engineering, Vol. 1, Issue 1, 2011.

[16] O. Cardona .:Anlisis tiempo-frecuencia de seales de vibraciones mecnicas para la deteccinde fallos en mquinas rotativas. Tesis, Universidad Nacional de Colombia, 2011. [17] I. Adrian I .:Vibration-based techniques for damage detection and health monitoring of mechanical systems. PolitehnicaUniversity of Timisoara, 1996.

[18] Y. Manish , Dr. SulochanaWadhwani .:Vibration analysis of bearing for fault detection using time domain features and neural network.Department of Electrical Engineering. Madhav Institute of Technology and Science Gwalior, India. [19] A. Delgado .:Inteligencia Artificial y Minirobots. Segunda edicin, Julio 1998. [20] C. M. Belalcazar. y.Z. V Rengifo .: Clasificacin de Seales Electromiograficas (EMG) para una prtesis de mano. Universidad del Cauca, 2007. [21] L. R. Rabiner .:A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition.Proceedings of the IEEE, February 1989, vol. 77, No. 2. [22] DLI Engineering Corporation .:Historia del anlisis de vibracin y su uso en el Mantenimiento de maquinaria. http://www.dliengineering.com/vibmanspanish/historiadelanalisisde vibracionysuusoenelmantenimientodemaquinaria.htm, Fecha de consulta 30 de Septiembre del. 2013. [23] M. B. Muoz .:MANTENIMIENTO INDUSTRIAL. Universidad Carlos III de Madrid rea de Ingeniera Mecnica [24] Sistema de Evaluacin y Diagnstico de Mquinas Rotativas mediante Anlisis de Vibraciones. National Instruments http://www.ni.com, Fecha de consulta 30 de Septiembre del. 2013. [25] J R. Stack et al .:An amplitudeMudulation Detector for Fault Diagnosis in Rolling Element Bearings. EN: IEEE Transactionson Industrial Electronics, October 2004, Volume 51 (5), pp 1097-1102. [26] M. A. Flores, L. H. Hernadez, C. palacios .:Problemas tipicso de vibracion. Instituto Polictenico Nacional, volumen 6

28

[27] P. W. Tse, Y. H. Pengand, R. Yam .:Wavelet Analysis and Envelope detection for Rolling Element Bearing Fault Diagnosis - Their Effectiveness and Flexibilities.Journal of Vibration and Acoustics. July 001, Vol. 123. [28] Julio R. Navarro y Jaime F. Aviles Vifias.Procesamiento Digital de Seales de Vibracin con Fines de Diagnostico. Tesis de Maestra en Ingeniera Mecatrnica; Cuernavaca, Mxico, cenideg, Noviembre 2003. [29] A. Martelo .: Deteccin de Fallas en Rodamientos de Bolas de Motores Elctricos Mediante Anlisis Espectral de Vibracin, Ruido y Corriente de Estator. Tesis Magister, Universidad de los Andes; Diciembre 2000. [30] A. Rivola .:Applications of Higher Order Spectra to the Machine Condition Monitoring. Dipartimento di IngegneriadelleCostruzioniMeccaniche, Nucleari, Aeronautiche e di Metallurgia, Pubbl. DIEM, 2000, No, 07, Bologna, Italia, Luglio. [31] G. Mosquera .:Vibraciones mecnicas y su aplicacin al mantenimiento predictivo. Universidad central de Venezuela 2000 [32] H. R. Di Pratula .:Diagnstico predictivo de fallas rotricas en mquinas elctricas de induccin.UTN [33] J. A Royo, G. Rabanaque, F. Torres, .:Anlisis de vibraciones e interpretacin de datos. DIDYF Universidad de Zaragoza [34] G. Daza .:Apuntes del Curso VIBRACIONES MECNICAS Para la carrera de Ingeniera de Ejecucin en Mecnica de procesos y Mantenimiento Industrial. UTFSM [35] V. Capistrn , R. I. Paredes .:Diagnstico de condiciones de operacin de rodamientos en mquinas usando espectros de alto orden. Centro nacional de investigacin y desarrollo tecnolgico.

[36] J. Mller .:balanceo dinmico y esttico, Tob Equilibradoras Electrnica. http//www.equitob.com/balanceo.htm, Fecha de consulta 30 de Septiembre del. 2013 [37] A. Rava .:Desequilibrio esttico y dinmico. http://www.elettrorava.es/espanol/docum/docum.htm, Fecha de consulta 30 de Septiembre del. 2013 [38] J. A: Giglioli .:Soltura o Aflojamiento Mecanico Vibraciones. http://es.scribd.com/doc/82398879/Soltura-o-Aflojamiento-Mecanico-Vibraciones, Fecha de consulta 30 de Septiembre del. 2013 [39] AT PRO .:Detectando fallas en rodamientos utilizando mtodos de Prueba elctricos y mecnicos de vibracin. .sistemamid.com/do nload.php?a= 2 , Fecha de consulta 30 de Septiembre del. 2013

29

[40] G. White .: Introduccin al anlisis de vibraciones. Azima DLI, 2009. [41] P. A. Ramn .: Sensores y acondicionadores de seal. Marcombo, 2003 [42] J.I.Escudero, M.Parada, F.Simn http://www.dte.us.es/ing_inf/ins_elec/temario/Tema%204.%20Filtros.pdf. consulta 30 de Septiembre del. 2013 .:FILTROS Fecha de

[43] A.V. Oppenheim, R.W. Schafer .:Tratamiento de Seales en Tiempo Discreto. Prentice Hall, pp. 632-639. [44] M. Lebold, K McClintic, R Campbell, C Byington Maynard .:Review of vibration analysis methods for gearbox diagnostics and prognostics. En: P ceedings of the 54th Meeting of the Society for Machinery Failure Prevention TechnoloVirginia Beach, 2000, p. 623634 [45] Lei Y. ; He Z. ; Zi, Y .: A new approach to intelligent fault diagnosis of rotat machinery. En: Expert Systems with Applications, 2008, Nr. 4, p. 1593 1600 [46] H. Blandn, Y. Martnez .:DESARROLLO DE UNA METODOLOGA PARA LA DETECCIN DE FALLAS A PARTIR DEL ANLISIS DE VIBRACIONES EN RODAMIENTOS USANDO CARACTERSTICAS DE TIEMPO Y MODELOS OCULTOS DE MARKOV (HMM). Trabajo de grado, Universidad tecnolgica de Pereira. [47] S.F Olsen, M. Martuzzi, and P Elliott .:Cluster analysis and disease mapping. BMJ 1996; 313: 863-866. [48] X. Wang and K. Paliwal .:Feature extraction and dimensionality reduction algorithms and their applications in vowel recognition. Pattern Recognition, 2003, p 2429-2439. [49] T. Navarrete .:Deteccin de anomalas en la carga de un procesador, usando modelos ocultos de markov. Tesis, Instituto Tecnolgico de Morelia.

[50] Bearing Data Center http://csegroups.case.edu/bearingdatacenter/pages/welcome-casewestern-reserve-university-bearing-data-center-website, . Fecha de consulta 30 de Septiembre del. 2013

30