TESIS RNA Version Final

CLASIFICACIN AUTOMTICA DE PATRONES DE VIBRACIN MECNICA
EN MQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y

DESALINEAMIENTO USANDO REDES NEURONALES ARTIFICIALES
EDWIN GUTIERREZ ARRIETA

ALEXANDER CARRILLO SANDOVAL
UNIVERSIDAD ANTONIO NARIO

FACULTAD DE INGENIERA ELECTROMECNICA
BUCARAMANGA
2015
CLASIFICACIN AUTOMATICAS DE PATRONES DE VIBRACIN MECNICA

EN MQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y
DESALINEAMIENTO USANDO REDES NEURONALES ARTIFICALES

Trabajo de grado para optar al ttulo de:

Ingeniero Electromecnico
Director:
CAMILO LEONARDO SANDOVAL RODRIGUEZ
M.Sc. Electrnica
UNIVERSIDAD ANTONIO NARIO

FACULTAD DE INGENIERA ELECTROMECNICA
BUCARAMANGA
2015
DEDICATORIA
Gracias a Dios por permitir alcanzar esta meta por darme la fuerza y dejar acercar
personas que me apoyan y me acompaan.
Gracias Padre y Madre por los consejos y la gua que siempre me ofrecieron y
me forjaron para alcanzar todos mis logros.
A mi esposa por la comprensin y el amor que siempre est dispuesta dar
incondicionalmente.
A mis hijos por convertirse en la luz de mis ojos.
Gracias al todo Poderoso, y aquellas personas que nos colaboraron en alcanzar
este objetivo.
Gracias a mis familiares a mi Padre y Madre por los consejos y la gua que siempre
me ofrecieron y me forjaron para alcanzar todos mis logros.
A mi esposa por su comprensin y las largas jornadas de estudio que siempre
estuvo dispuesta a colaborarme
AGRADECIMIENTOS
El logro de este objetivo no hubiese sido posible sin la colaboracin incondicional
de nuestras familias las cuales eran testigos y acompaantes del trabajo arduo
durante el transcurrir de nuestros estudios.
Tambin extendemos nuestros sinceros agradecimientos y reconocimiento, a la
Ingeniera Indira Cassaleth por todo su apoyo, entrega y compromiso con la
Institucin y cada uno de sus estudiantes.
A nuestro director de proyecto y maestro, al Ingeniero y M.sc. Camilo Leonardo
Sandoval por su orientacin, aportes y direccionamiento efectivo; mil y mil gracias
Camilo.
CONTENIDO
Pg.
INTRODUCCIN ................................................................................................. 145

1
PLANTEAMIENTO DEL PROBLEMA ......................................................... 16
JUSTIFICACION ......................................................................................... 17
OBJETIVOS DEL PROYECTO ................................................................... 18
3.1
GENERAL ................................................................................................... 18
3.2
ESPECFICOS ............................................................................................ 18
MARCO CONCEPTUAL.............................................................................. 19
4.1
MANTENIMIENTO PREDICTIVO ............................................................... 19
4.2
VIBRACIONES MECNICAS...................................................................... 20
4.2.1 Clasificacin de las vibraciones ................................................................... 20

4.3
ANALISIS DE VIBRACIONES PARA EL MANTENIMIENTO PREDICTIVO

DE MQUINAS ........................................................................................... 22
4.4
MEDICIN DE LA VIBRACIN .................................................................. 23
4.4.1 CARACTERSTICAS, PARMETROS Y NIVELES DE VIBRACIN .......... 23

4.5
FALLAS EN MQUINAS ROTATIVAS ........................................................ 26
4.5.1 Desbalanceo ............................................................................................... 27

4.5.2 Desalineamiento .......................................................................................... 29
4.6
MANTENIMIENTO PREDICTIVO BASADO EN REDES NEURONALES ... 32
4.6.1 Red Neuronal Artificial ................................................................................. 32

4.6.2 Arquitecturas ............................................................................................... 35
4.6.3 Entrenamiento de las redes neuronales Artificiales ..................................... 37
4.6.4 Simulacin en computadora de redes neuronales artificiales...................... 38
4.6.5 Modelos de redes neuronales artificiales .................................................... 39
4.7
USO DE REDES NEURONALES EN EL MANTENIMIENTO DE

MQUINAS ................................................................................................. 42
DESARROLLO METODOLGICO ............................................................. 45
5.1
DESCRIPCIN ........................................................................................... 45
5.2
FASE 1- ESTUDIO BIBLIOGRFICO ......................................................... 46

5
5.3
FASE 2- EJECUCIN ................................................................................. 46
5.3.1 Anlisis de los datos adquiridos en el banco ............................................... 47

5.3.2 Creacin de la red neuronal ........................................................................ 52
5.3.3 Construccin Arreglo de ejemplos ............................................................... 53
5.3.4 Estructura de la red neuronal ...................................................................... 55
5.3.5 Configurar la Red Neuronal Artificial .......................................................... 56
5.3.6 Funcin de transferencia ............................................................................. 56
5.3.7 Funcin de entrenamiento Backpropagation ............................................... 57
5.3.8 Inicializacin de los Pesos y Bias Red Neuronal Artificial .......................... 58
5.3.9 Entrenamiento de la Red Neuronal Artificial ................................................ 58
5.4
FASE 3: EXPERIMENTACIN ................................................................... 60
5.4.1 Entrenamiento para la clasificacin de seales vibratorias ......................... 60

5.5
FASE 4: ANLISIS Y RESULTADOS ......................................................... 61
5.5.1 Configuracin caso1 entrenamiento: ........................................................... 61

5.5.2 Configuracin Caso2 de entrenamiento ...................................................... 64
5.5.3 Configuracin del entrenamiento Caso3 ..................................................... 66
5.5.4 Configuracin del Caso4 entrenamiento: .................................................... 68
5.5.5 Test de validacin ....................................................................................... 69
5.5.6 Interfaz de RNAVibraAnalisis en Matlab ..................................................... 72
6
CONCLUSIONES ........................................................................................ 74
RECOMENDACIONES ............................................................................... 76
REFERENCIAS BIBLIOGRFICAS ............................................................ 77
LISTA DE TABLAS
Pg.
Tabla 1. Relacin entre valores o niveles de vibracin .......................................... 26

Tabla 1. Resultados representativos para cada caso de estudio ........................... 51
Tabla 2. Nombre de los archivos utilizados en el test de validacin ...................... 70
LISTA DE FIGURAS
Pg.
Figura 1. Clasificacin de la vibraciones mecnicas .............................................. 21

Figura 2. Parmetros de una onda ........................................................................ 24
Figura 3. Valores de vibracin ............................................................................... 25
Figura 4. Forma de onda de desbalanceo ............................................................. 27
Figura 5. Desbalanceo esttico.............................................................................. 28
Figura 6. Desbalanceo dinmico............................................................................ 29
Figura 7. Rotor colgante ........................................................................................ 29
Figura 8. Desalineamiento paralelo ....................................................................... 31
Figura 9. Desalineamiento angular ........................................................................ 31
Figura 10. Estructura general de una neurona biolgica ....................................... 32
Figura 11. Funcionamiento general de una neurona artificial ................................ 33
Figura 12. Principales funciones de activacin utilizadas ...................................... 34
Figura 13. Esquema del modelo organizativo de las neuronas.............................. 36
Figura 14. Arquitectura Perceptrn de una sola capa ............................................ 40
Figura 15. Neuronas Tipo Backpropagation .......................................................... 41
Figura 16. Banco de pruebas para anlisis de vibraciones mecnicas. ................. 46
Figura 17. Archivo .lvm obtenido de PROVIDES LabView .................................... 47
Figura 18. Curva de respuesta del sistema transductor de proximidad ................. 48
Figura 19. Oscilograma del banco normal a 1200 rpm ....................................... 49
Figura 20. Espectro del banco normal a 1200 rpm ............................................... 49
Figura 21. Oscilograma de desalineamiento angular 1.5 a 720 rpm .................... 49
Figura 22.Espectro de desalineamiento angular 1.5 a 720 rpm ........................... 50
Figura 23. Oscilograma banco con desbalance a 3000 rpm ................................. 50
Figura 24. Espectro banco con desbalance a 3000 rpm ........................................ 50
Figura 25. Severidad de vibracin por ISO 10816 ................................................. 51
Figura 26. Arreglo usado en la RNA ...................................................................... 53
Figura 27. Ingreso de los archivos Input y Target .................................................. 54

Figura 28. Archivo Inputs ....................................................................................... 54
Figura 29. Archivo Targets ..................................................................................... 54
Figura 30. Esquema simplificado de la red neuronal ............................................. 55
Figura 31. Capas de la red neuronal...................................................................... 56
Figura 32. Configuracin de la red neuronal .......................................................... 56
Figura 33. Funcin de transferencia Log-Sigmoide ............................................... 57
Figura 34. Script de entrenamiento ........................................................................ 59
Figura 35. Ventana de proceso de entrenamiento ................................................. 60
Figura 36. Red neuronal artificial, una capa oculta de [243] neuronas ................. 62
Figura 37. Desempeo de entrenamiento de la red neuronal caso 1 .................... 63
Figura 38. Confusin de entrenamiento de la red neuronal caso 1........................ 63
Figura 41. Red neuronal artificial, dos capas oculta de [243, 27] neuronas .......... 66
Figura 46. Matriz de confusin validacin de la RNA ............................................. 71
Figura 47. Interfaz de RNAVibraAnalisis ................................................................ 72
Figura 48. Interfaz Caracterizacin RNAVibraAnalisis ........................................... 73
LISTA DE ANEXOS
Pg.
Anexo A. Cdigo Macro Excel Anlisis de Fourier ................................................. 80
Anexo B. Cdigo Macros datos de entrada RNA ................................................... 82
10
GLOSARIO
ACOPLAMIENTO: Forma de conexin semipermanente, entre dos ejes o rboles.
ALINEACIN: Mxima colinealidad posible entre las lneas de centro de dos ejes.
ANLISIS DE LA FORMA DE ONDA: Es el anlisis de la vibracin en el dominio
del tiempo, la cual extrae informacin til para el diagnstico del grfico de
la amplitud vibratoria versus el tiempo.
ASIMETRA TRMICA: Dilatacin de las partes de manera no uniforme y desigual,
debido a la falta de entrada de aire en el motor, produciendo un recalentamiento
Gs: Unidades de aceleracin de la gravedad.
GESTIN DE FALLAS: Conjunto de facilidades que permite la deteccin,
identificacin y correccin de las fallas
HANNING: Es la representacin grfica de la transformada rpida de Fourier
dentro de una ventana de trabajo, la cual muestra el resultado en funcin de una
onda cosenoidal
HORIZONTAL: Posicin que va perpendicular al sentido de la gravedad.
ONDA: Es una propagacin de una perturbacin de alguna propiedad de un medio.
PICO: cada una de las lneas que componen el espectro.
PRECISIN: Es la capacidad de un instrumento para producir mediciones dentro
de un rango.
PROGRAMA DE MANTENIMIENTO PREDICTIVO: Es el programa que contempla
de modo eficaz tres etapas indispensables: deteccin, identificacin y correccin,
adems de contribuir a detectar el comienzo de una nueva avera.
RED NEURONAL: Son elementos, que utilizan similitudes biolgicas con la
estructura de nuestro cerebro y del cerebro de los animales, para crear unidades de
procesamiento similares por medio de simulacin de software o por medio de
hardware especializado.
REPORTE: Es un Documento, generado por el Sistema, que nos presenta de
manera Estructurada y/o Resumida, datos relevantes guardados o generados por
la misma aplicacin de tal manera que se vuelvan tiles para los fines que
la aplicacin fue creada.
RESONANCIA: se presenta cuando la frecuencia natural de un componente
es excitada por un agente externo.
RODAMIENTO: Es un elemento mecnico que reduce la friccin entre un eje y las
piezas conectadas a ste, que le sirve de apoyo y facilita su desplazamiento
ROTOR: Parte giratoria de una mquina.
RPM: Otra de las unidades de la frecuencia, que equivale al nmero de ciclos por
minuto que presenta la mquina.
11
RPS: Otra de las unidades de frecuencia. Equivale a 1 Hz (ciclos por segundo).

RUIDO: Es una contaminacin de la seal medida, por lo general es informacin
de la seal que no representa importancia.
SENSIBILIDAD: Mnimo cambio de la entrada capaz de originar un cambio en la
salida con una caracterstica deseada.
SENSOR: Es un dispositivo de medicin que transforma una variable fsica en una
seal elctrica.
SEAL: Es toda informacin de magnitud fsica variable que se convierte a
magnitud elctrica mediante un transductor.
SERIE DE FOURIER: Representacin de una seal compleja en el dominio
del tiempo, por medio de las curvas sinusoidal es con valores de amplitud y
frecuencia especficos.
SISTEMA EXPERTO: Es una aplicacin informtica capaz de solucionar un
conjunto de problemas que exigen un gran conocimiento sobre un determinado
tema.
TRANSFORMADA RPIDA DE FOURIER: Tcnica que se utiliza por medio de un
computador para calcular la frecuencia de las series que conforman la onda en el
dominio del tiempo.
12
RESUMEN
TITULO
CLASIFICACIN AUTOMATICA DE PATRONES DE VIBRACIN MECNICA EN
MQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y DESALINEAMIENTO
USANDO REDES NEURONALES ARTIFICALES*
AUTORES
GUTIERREZ ARRIETA, Edwin
CARRILLO SANDOVAL, Alexander**
PALABRAS CLAVES
RNA Redes Neuronales Artificiales, Vibraciones Mecnicas, Mantenimiento Predictivo,
Desbalance, Desalineamiento
DESCRIPCIN
Las redes neuronales artificiales (RNA) son eficientes tcnicas computacionales, usadas
ampliamente para solucionar problemas complejos en muchos campos del conocimiento.
En este proyecto fueron usadas las redes neuronales backpropagation para identificar dos
problemas presentes en las mquinas rotativas, los cuales son el desbalance y el
desalineamiento angular, continuando as, la lnea de investigacin desarrollada por la
universidad Antonio Nario en ingeniera de mantenimiento, explorando el potencial de los
procedimientos para la deteccin de dao usando redes neuronales a partir de ciertas
caractersticas vibracionales de los sistemas rotativos. Se entrenaron redes neuronales
backpropagation para identificar y clasificar los patrones vibracionales obtenidos en varios
casos de desplazamiento angular vertical y desbalance causado por diferentes masas
excntricas. Los datos necesarios para el entrenamiento de las redes fueron obtenidos
mediante el banco de pruebas y el software PROVIDES realizado en LabView. Los
resultados demostraron que esos parmetros y las redes neuronales artificiales pueden ser
usados como una herramienta en la identificacin de problemas presentes en las mquinas
rotativas.
* Trabajo de Grado.
** Facultad de Ingeniera Electromecnica. Director: Camilo Sandoval, Ingeniero Electrnico
13
ABSTRACT
TITLE
AUTOMATIC CLASSIFICATION OF PATTERNS OF MECHANICAL VIBRATION IN
ROTATING MACHINES AFFECTED BY UNBALANCE AND MISALIGNMENT USING
ARTIFICIAL NEURAL NETWORKS*
AUTHORS
GUTIERREZ ARRIETA, Edwin
CARRILLO SANDOVAL, Alexander**
KAYWORDS
Artificial Neural Networks (ANN), Mechanical Vibrations, Predictive Maintenance,
unbalance, misalignment
DESCRIPTION
Artificial neural networks (ANN) are efficient computational techniques widely used to solve
complex problems in many fields of knowledge. In this project they were used neural
networks backpropagation to identify two problems present in rotating machines, which are
the imbalance and the angular misalignment, continuing the line of research developed by
the University Antonio Nario in maintenance engineering, exploring the potential
procedures for detecting damage using neural networks from certain vibrational
characteristics of the rotors. backpropagation neural networks were trained to identify and
classify the vibrational patterns obtained in several cases of anguar displacement and
unbalance causing by different eccentric masses. The data needed to train networks were
obtained by the test and PROVIDES made in LabView software. The results showed that
these parameters and artificial neural networks can be used as a tool in identifying problems
present in rotating machines.
* Work of Degree.
** Faculty of Electromechanical Engineering. Director: Camilo Sandoval, Electronic Engineer
14
INTRODUCCIN
El mundo empresarial en los ltimos aos se ha desarrollado a un ritmo acelerado,

influenciado por la competitividad, esto hace importante implementar un programa
de mantenimiento con el objetivo de proteger los equipos y mquinas para aumentar
su tiempo de servicio y alargar su vida til.
El anlisis de vibraciones mecnicas se utiliza como una herramienta de monitoreo

y diagnstico de fallas, y hace parte del programa de mantenimiento predictivo;
estas tcnicas permiten evaluar las condiciones externas de una mquina sin
necesidad de desarmarla y sin afectar su funcionamiento normal, las seales de
vibracin se van captando en tiempo real con la mquina funcionando de tal forma
que se pueda predecir a travs del monitoreo cuando esta va a fallar, logrando as
grandes ventajas en la competitividad de las empresas.
El propsito de este proyecto es continuar con la lnea de investigacin desarrollada

por la universidad Antonio Nario, para crear soluciones inteligentes y eficaces, que
informen al usuario el estado de las mquinas para as minimizar costos de
mantenimiento correctivo e evitar paradas imprevistas que afectan el buen
funcionamiento del proceso productivo de la empresa.
Segn las necesidades anteriormente mencionadas se requieren conocer nuevos

sistemas de anlisis de la seal vibratoria que ofrezcan mayor informacin en el
procesamiento de la seal para obtener diagnsticos precisos del estado actual de
equipos y mquinas que tengan elementos rotativos. Unas de esas tcnicas de
anlisis son las redes neuronales artificiales (RNA) que han demostrado ser de gran
utilidad en la solucin de muchos problemas complejos, en este trabajo se estudia
y se implementan redes neuronales backpropagation como un paso inicial en el
15
avance del desarrollo de un sistema ms robusto en el diagnstico e identificacin

temprana de fallas en mquinas rotativas.
1
PLANTEAMIENTO DEL PROBLEMA
El anlisis de vibraciones mecnicas es una metodologa utilizada en las rutinas de

mantenimientos predictivos industriales de las mquinas, para que tenga un alto
grado de confiabilidad se debe usar instrumentos de medicin de precisin, para
detectar fallas comunes como desbalanceo, des alineamiento angular entre otras
fallas. As mismo, hay que tener en cuenta que los equipos de medicin de alta
confiabilidad no son asequibles para todas las empresas industriales.
La UNIVERSIDAD ANTONIO NARIO Sede Bucaramanga a travs de un proyecto

de grado ya posee un banco de pruebas experimental [1] para la deteccin de
anlisis de falla y obtener seales caractersticas de desbalanceo y desalineamiento
angular a travs del procesamiento de seales utilizando el anlisis de fases [2],
que siendo no prctica para seales complejas no lineales y no estacionarias, se
elabor en otros proyecto de grado el estudio, la simulacin y la implementacin
del anlisis de la seal de vibracin a travs de la transformada wavelet [3] [4] [5].
Debido a la necesidad de seguir avanzando en tecnologa en el anlisis de

vibraciones en la UNIVERSIDAD ANTONIO NARIO, el objetivo de este proyecto
es dar a conocer un nuevo sistema de clasificacin basado en redes neuronales
que ofrecen mayor capacidad para obtener informacin escondida en la seal.
16
JUSTIFICACIN
En la industria es de vital importancia el estudio y anlisis de las vibraciones

mecnicas en el rea de mantenimiento predictivo, ya que es una herramienta para
la deteccin y diagnstico de fallas, que evita que una mquina falle durante su
funcionamiento ocasionando paradas en la produccin y en el peor de los casos
perdidas de vida humana; a su vez optimiza los recursos econmicos de cualquier
empresa industrial.
La UNIVERSIDAD ANTONIO NARIO con el fin de avanzar en tecnologa e

investigacin ha desarrollado varios proyectos anteriores el primero fue el del banco
de pruebas para anlisis de vibraciones [1] para estudiar las caractersticas de la
seal obtenida a travs de la implementacin de anlisis de fases [2] y la
Transformada Wavelet [3] [4] [5]. Seguido a eso este proyecto aportara un nuevo
mtodo de deteccin y diagnstico de fallas ms confiable implementando redes
neuronales que permitir seguir incursionando en el campo investigativo.
Es importante tener en cuenta que la proyeccin del laboratorio de vibraciones sirva

para el estudio y la enseanza de la misma, fortaleciendo los conocimientos vistos
en clase del estudiante de ingeniera a travs de herramientas pedaggicas como
la lnea de investigacin que se lleva con este banco de vibraciones.
17
OBJETIVOS DEL PROYECTO
3.1 GENERAL
Obtener las caractersticas dinmicas de desbalanceo y desalineamiento angular
en una mquina rotativa implementando redes neuronales artificiales como nuevo
mtodo de deteccin y diagnstico de fallas.
3.2 ESPECFICOS
Calcular las caractersticas (RMS, valor pico y energa) en el fenmeno de

desbalanceo y des-alineamiento angular en una maquina
Disear una red neuronal artificial basada en una arquitectura tipo

Backpropagation para ser desarrollada, programada y entrenada con la
herramienta computacional MATLAB en la clasificacin de las caractersticas
obtenidas en los estados de fallo considerados.
Determinar el comportamiento de las caractersticas (RMS, valor pico y

energa) en el fenmeno de desbalanceo y des-alineamiento angular en una
maquina rotativa, aplicando redes neuronales artificiales.
18
MARCO CONCEPTUAL
4.1 MANTENIMIENTO PREDICTIVO

Es
el
conjunto
de
actividades
de
seguimiento
diagnstico
continuo
(monitorizacin) de un sistema, que permiten una intervencin correctora inmediata

como consecuencia de la deteccin de algn sntoma de fallo.
El mantenimiento predictivo1 se basa en el hecho de que la mayora de los fallos se
producen lentamente y previamente, en algunos casos, arrojan indicios evidentes
de un futuro fallo, bien a simple vista, o bien mediante la monitorizacin, es decir,
mediante la eleccin, medicin y de algunos parmetros relevantes que representen
el buen funcionamiento del equipo analizado.
Este sistema tiene la ventaja de que el seguimiento nos permite contar con un
registro de la historia de la caracterstica en anlisis, sumamente til ante fallos
repetitivos; puede programarse la reparacin en algunos casos, junto con la parada
programada del equipo y existen menos intervenciones de la mano de obra en
mantenimiento.
El objetivo final del mantenimiento es:
Evitar, reducir, y en su caso, reparar, las fallos sobre los bienes

Disminuir la gravedad de las fallos que no se lleguen a evitar
Evitar detenciones intiles o paros de mquinas.
Evitar accidentes y reducir costos.
Evitar incidentes y aumentar la seguridad para las personas.
Alcanzar o prolongar la vida til de los bienes.
MUOZ ABELLA, Maria Belen.MANTENIMIENTO INDUSTRIAL. Universidad Carlos III de Madrid. rea de
Ingeniera
Mecnica.
[En
lnea].
<http://ocw.uc3m.es/ingenieria-mecanica/teoria-demaquinas/lecturas/MantenimientoIndustrial.pdf> [Citado en 12 de Febrero de 2015].
19
4.2 VIBRACIONES MECNICAS

En trminos simples, una vibracin es un movimiento oscilatorio de pequea
amplitud, todos los cuerpos presentan una seal de vibracin en la cual se plasman
algunas 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 relacionados con el movimiento, como son: rotores, ejes y cojinetes.
Por tanto, la seal de vibracin capturada de una mquina significa la suma vectorial
de la vibracin de cada uno de sus componentes. La base principal de las seales
de vibracin en el dominio del tiempo son las ondas sinusoidales, este tipo de ondas
son las ms simples y son la representacin de las oscilaciones puras.
La amplitud desde el punto de vista de las vibraciones es la cantidad de movimiento

que puede tener una masa desde una posicin neutral. La amplitud se mide
generalmente en valores pico-pico para desplazamiento y valores cero-pico y RMS
para velocidad y aceleracin.
4.2.1 Clasificacin de las vibraciones 2

Existen diferentes puntos de vista para clasificar las vibraciones mecnicas, la
Figura 47 muestra los diferentes puntos de vista para clasificacin de las vibraciones
mecnicas. Se reconocen cinco formas diferentes de asociar las vibraciones
mecnicas; La primera es dependiendo del tipo de seal, se refiere a como es la
descripcin matemtica de las vibraciones, se dividen en determinsticas y
probabilsticas. En las determinsticas asociamos a todas aquellas vibraciones que
se puedan expresar matemticamente entre ellas est la peridicas armnicas, las
peridicas no armnicas, y las no peridicas.
ARDILA, Johan et. Al. Seminario de investigacin en vibraciones torsionales en mquinas rotativas y
reciprocantes. Tesis de grado. Universidad Industrial de Santander. Bucaramanga. 2013.
20
Figura 1. Clasificacin de la vibraciones mecnicas
Fuente: ARDILA, Johan et. Al. Seminario de investigacin en vibraciones torsionales en

mquinas rotativas y reciprocantes. Tesis de grado. UIS. 2013
El segundo, es el tipo de vibracin, se refiere a como se observa el fenmeno

vibratorio en el sistema, entre ellas encontramos la vibracin axial, lateral, torsional
y rotacional. El tercer punto de vista es dependiendo de la excitacin; la respuesta
que tiene un sistemas es diferente si el sistema est siendo forzado a vibrar
(vibracin forzada) o si por el contrario vibra libremente (vibracin libre). El cuarto
enfoque clasifica las vibraciones dependiendo de la linealidad de sus elementos,
esta se debe a que podemos encontrar elementos que tienen un comportamiento
lineal y otros con comportamiento no lineal, por lo tanto su respuesta vibratoria ser
lineal o no lineal. En el quinto enfoque tenemos la vibraciones amortiguadas y no
amortiguadas, estas depende de s disipan energa o no.
21
4.3 ANLISIS DE VIBRACIONES PARA EL MANTENIMIENTO PREDICTIVO

DE MQUINAS 3
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.
El anlisis de vibraciones es ampliamente utilizado especialmente en el

mantenimiento predictivo, su objetivo principal es extraer el mximo la informacin
que permita la identificacin de fallas tales como desbalance, desalineamiento,
desgastes, etc. Antes de realizar un anlisis de vibraciones el analista debe tener
en cuenta las caractersticas tpicas de los equipos:
Componentes principales.
Principios bsicos de operacin.
Velocidades tpicas de operacin.
Principales tipos de fallas que presentan.
Frecuencias a las cuales estas se presentan.
NAVARRENSIS, UNIVERSITAS.Vibraciones Mecnicas Mantenimiento Predictivo. Departamento de

ingeniera
mecnica,
energtica
y
de
materiales.[En
lnea].
<http://www.imem.unavarra.es/EMyV/pdfdoc/vib/vib_predictivo.pdf>. [Citado en 12 de Febrero de 2015].
22
Las seales que describen la vibracin se puede representar en dominio de tiempo

o en dominio de frecuencia dependiendo de la informacin y el anlisis que se
requiera, las tcnicas de anlisis ms frecuentes son:
El anlisis espectral.
El anlisis en forma de onda.
Anlisis de Fase de Vibraciones.
Anlisis de Orbitas.
Anlisis de Vibraciones en arranques y paradas de una mquina.
4.4 MEDICIN DE LA VIBRACIN

La medicin de la vibracin se obtiene a partir de un registro del desplazamiento, la
velocidad o de la aceleracin en puntos estratgicos, utilizando un conjunto de
instrumentos y dispositivos de almacenamiento y registro para su posterior anlisis
y as conocer las condiciones reales a las que se encuentran los componentes. Este
proceso de medicin y registro es a lo que se denomina, de manera genrica
adquisicin de datos y los componentes necesarios para llevar a cabo este proceso
bsicamente son: un equipo de cmputo, el cual debe satisfacer los requerimientos
mnimos para la labor; una tarjeta de adquisicin de datos y un acondicionador y
amplificador de seales o en su defecto estos dos elementos pueden ser
reemplazados por los modernos sistemas de adquisicin de datos que cumplen las
funciones de estos dos elementos. Adicionalmente se deber contar con
transductores de vibraciones y por supuesto un sistema mecnico.
4.4.1 CARACTERSTICAS, PARMETROS Y NIVELES DE VIBRACIN

Las caractersticas de una vibracin (o parmetros caractersticos) son las
magnitudes mediante las cuales la vibracin queda definida o determinada. Para
23
una vibracin simple, las caractersticas son:
Amplitud - Indica la intensidad de la vibracin.
Frecuencia - Indica el ritmo de la vibracin
Fase - Indica la posicin relativa a otra seal de referencia.
Los parmetros o funciones de una vibracin son los parmetros cinemticos

usados para denotar la amplitud de dicha vibracin. Los parmetros (cinemticos)
usados normalmente son: Aceleracin, velocidad y desplazamiento.
Figura 2. Parmetros de una onda
Fuente: Tomado de: http://rabfis15.uco.es/proyectovibracion/ [En lnea, citado 10/05/2015]

Desplazamiento,
= sin
(1)
=
Velocidad,
=
= cos
= = 2
24
(2)
Aceleracin,
=
2
= 2 sin
2
(3)
= 2 = 4 2 2
Los niveles o valores de vibracin son las diferentes formas en que se puede valorar
la intensidad o amplitud de una vibracin (Ver Figura 47).
Figura 3. Valores de vibracin
Fuente: Tomado de: http://rabfis15.uco.es/proyectovibracion/ [En lnea, citado 10/05/2015]
Valor Pico-Pico: Indica el recorrido o desplazamiento total de la pieza. Es til

cuando el desplazamiento es crtico por los esfuerzos generados o por el
espacio disponible.
= 2
(4)
Valor Pico: Es la amplitud mxima de la vibracin a partir de la posicin de

equilibrio. Es til para indicar niveles de choque de corta duracin, pero no
considera la historia de la vibracin en el tiempo.
=
(5)
Valor medio: (Rectificado) Hace intervenir la historia de la vibracin en el
25
tiempo, pero es de poco inters prctico porque no est relacionado

directamente con alguna magnitud fsica.
() =
1
()
0
(6)
Valor eficaz: RMS (Root Mean Square). Es el valor ms significativo de la

amplitud de vibracin porque adems de tener en cuenta la historia de la
vibracin en el tiempo da un valor de amplitud relacionado directamente con
la energa, es decir, con la capacidad destructora de la vibracin.
1
= 2 ()
0
(7)
La siguiente tabla muestra los factores de conversin entre los valores de vibracin
Tabla 1. Relacin entre valores o niveles de vibracin

Para obtener
Pico-Pico
Pico
RMS
Valor medio
Pico-Pico
1
0.5
0.354
0.318
Multiplicar valor de x
Pico
RMS
2
2.828
1
1.414
0.707
1
0.637
0.9
Valor medio
3.142
1.571
1.111
1
Fuente: Los autores
4.5 FALLAS EN MQUINAS ROTATIVAS

El principal objetivo de la aplicacin de prcticas proactivas de mantenimiento est
en optimizar la confiabilidad de los equipos de forma costo-efectiva. Es por ello que
la mayor parte en este tipo de programas de mantenimiento se enfoca en el anlisis
de las causas races de falla de los equipos. Atendiendo estas causas, se podrn ir
eliminando los modos de falla, aumentando la vida til y disminuyendo costos de
26
mantenimiento sobre los equipos. A continuacin se presentan las fallas a estudiar

en este proyecto.
4.5.1 Desbalanceo
Fenmeno presentado cuando se crea una fuerza por un cuerpo que se encuentra
en rotacin debido la excentricidad de su centro de masa respecto al eje de rotacin.
Este tipo de falla presenta unas caractersticas en el anlisis de vibraciones que
permiten su identificacin. De manera genrica se sabe que se presenta al 1X y
describe un movimiento sinusoidal.
Figura 4. Forma de onda de desbalanceo

Amp
ONDA EN EL TIEMPO
t [seg]
Fuente: ARANGO FLOREZ, Gustavo Adolfo.Clasificacin de fallas en motores elctricos

utilizando seales de vibracin. Trabajo de grado ttulo de Magister en Ingeniera Electrca.
Universidad Tecnologica de Pereire. 2007. p.11
Algunas de las principales causas de desbalanceo en mquinas se deben

generalmente a los siguientes problemas:
Aglomeracin desigual de polvo en los rotores.
Falta de homogeneidad en partes coladas. Pueden ser desde burbujas,

agujeros de soplado o partes porosas.
Errores propios de la mquina.
Distribucin desigual en las barras del rotor de motores elctricos o en el

enrollado.
27
Erosin y corrosin desigual de los impulsores de una bomba.
Pesos de balanceo faltantes o flecha flectada.
Por otra parte, esta falla puede darse de dos maneras, ya sea de carcter esttico
o dinmico, dependiendo las caractersticas del rotor y de la falla.
4.5.1.1 Desbalanceo esttico

Se presenta principalmente en rotores rgidos (cuya relacin dimetro/longitud D/L
> 3), debido al desgaste superficial no uniforme que se da en direccin radial, de
ah que su espectro sea ms claro en esta direccin marcando el caracterstico pico
en 1X.
AMPLITUD
Figura 5. Desbalanceo esttico
1x RADIAL
FRECUENCIA
Fuente: A-MAQ S.A. ANLISIS DE MAQUINARIA. 2005 www.a-maq.com
4.5.1.2 Desbalanceo dinmico

Este tipo de desbalance se da en rotores flexibles (D/L < 3), es decir, en aquellos
donde la longitud del rotor es significativa respecto a su dimetro. Se debe
generalmente a desgastes simultneos superficiales tanto en direccin radial como
en direccin axial. El espectro evidencia vibracin dominante con vaivn simultneo
al 1X.
28
AMPLITUD
Figura 6. Desbalanceo dinmico
1x RADIAL
FRECUENCIA
Fuente: WHITE, Glen. Introduccin al anlisis de vibraciones. Azima DLI. 2010. p. 106
Rotor Colgante
Ocurre en rotores que se encuentran en el extremo de un eje. Es producido por
desgaste en la superficie del rotor y doblamiento del eje. El espectro presenta
vibracin dominante a 1X del rotor, muy notoria en direccin axial y radial.
AMPLITUD
Figura 7. Rotor colgante

1X AXIAL
FRECUENCIA
4.5.2 Desalineamiento
La falta de colinealidad entre ejes acoplados induce fuerzas tanto en direccin radial
como en direccin axial, aun cuando se empleen acoples flexibles provocando altas
vibraciones en ambas direcciones. La amplitud de la vibracin depende de la
gravedad del desalineamiento y se presenta a frecuencias de 1X, 2X y 3X en los
29
casos donde el grado de desalineacin es severo. Genricamente se sospecha de

problemas de desalineamiento cuando la amplitud de la vibracin en direccin axial
es mayor que la mitad (1/2) de la medicin ms alta hecha en direccin radial.
Entre las principales causas de desalineacin en la maquinaria se encuentran los

siguientes factores:
Ensamble impreciso de los componentes.
Alteracin de la posicin relativa de los componentes luego del montaje
Distorsin debido a fuerzas en tuberas.
Distorsin en soportes flexibles debido a torque
Expansin de la estructura de la maquina debido a incrementos en la

temperatura. Alteracin de la maquina cuando los pernos de fijacin son
puestos bajo fuerzas de torque.
Debe tenerse en cuenta que esta falla puede darse de tres formas, ya sea
desalineacin paralela, angular o combinacin de las dos.
4.5.2.1 Desalineamiento paralelo
Esta patologa se debe a que los ejes se encuentran paralelos pero no estn
colineales, lo cual produce una fuerza de cizallamiento y un momento de flexin en
la extremidad acoplada de cada flecha. Espectralmente esto se evidenciara con
niveles altos al 1X y 2X. En la mayora de los casos, los componentes que se
presentan al 2X son de mayor amplitud que los del 1X, lo cual se nota principalmente
con mediciones en direccin radial. Cuando aumenta la severidad, genera picos en
armnicos superiores (4X , 8X).
30
Figura 8. Desalineamiento paralelo
AMPLITUD
2x
AXIAL
1x
4x
FRECUENCIA
4.5.2.2 Desalineamiento angular
Este caso se da cuando las flechas no se encuentran paralelas, produciendo como

consecuencia un momento de flexin en cada eje lo cual genera alta vibracin al 1X
y en menor amplitud en el 2X; esto podr notarse en la direccin axial en ambos
rodamientos. Tambin se presenta 3X.
Figura 9. Desalineamiento angular
AMPLITUD
2x
AXIAL
1x
3x
FRECUENCIA

4.5.2.3 Desalineacin combinada
Por lo general, cuando se evidencia desalineacin en un montaje, esta se presenta
como la combinacin de los casos descritos anteriormente. Al tenerse desalineacin
31
combinada se podrn evidenciar picos al 2X de mayor amplitud que los que se

presentan al 1X y habr picos axiales en 1X y 2X.
4.6 MANTENIMIENTO PREDICTIVO BASADO EN REDES NEURONALES

4.6.1 Red Neuronal Artificial
Las redes neuronales artificiales (RNA) son una representacin del cerebro humano
que intenta simular su proceso de aprendizaje. El trmino artificial indica que las
redes neuronales se implementan en un ordenador capaz de realizar el gran nmero
de operaciones que conlleva el proceso de aprendizaje [6].
Figura 10. Estructura general de una neurona biolgica
Fuente: PALMER POL, A. y MONTAO MORENO, J.J. Qu son las redes neuronales
artificiales? Aplicaciones realizadas en el mbito de las adicciones. EN: ADICCIONES. 1999, Vol.
11 No. 3, 245 p.
Las neuronas biolgicas (Figura 4710) se caracterizan por su capacidad de

comunicarse. Las dendritas y el cuerpo celular de la neurona reciben seales de
entradas excitatorias e inhibitorias de las neuronas vecinas; el cuerpo celular las
combina e integra y emite seales de salida. El axn transporta esas seales a los
terminales axnicos, que se encargan de distribuir informacin a un nuevo conjunto
32
de neuronas. Por lo general, una neurona recibe informacin de miles de otras

neuronas y, a su vez, enva informacin a miles de neuronas ms.
Por su parte, la neurona artificial pretende mimetizar las caractersticas ms

importantes de la neurona biolgica. En general, recibe las seales de entrada de
las neuronas vecinas ponderadas por los pesos de las conexiones. La suma de
estas seales ponderadas proporciona la entrada total o neta de la neurona y,
mediante la aplicacin de una funcin matemtica denominada funcin de salida,
sobre la entrada neta, se calcula un valor de salida, el cual es enviado a otras
neuronas (Figura 47. Tanto los valores de entrada a la neurona como su salida
pueden ser seales excitatorias (cuando el valor es positivo) o inhibitorias (cuando
el valor es negativo) [10].
Figura 2. Funcionamiento general de una neurona artificial.
Figura 11. Funcionamiento general de una neurona artificial

1
Entrada
Peso
Entrada neta
Funcin
de salida
(entrada neta)
Salida
Neuronas j
Neuronas i
Fuente: PALMER POL, A. y MONTAO MORENO, J.J. Qu son las redes neuronales
artificiales? Aplicaciones realizadas en el mbito de las adicciones. EN: ADICCIONES. 1999, Vol.
11 No. 3, 245 p
Las partes que constituyen la neurona artificial (Figura 11) son las siguientes:
33
Vector de entradas: formado por la seal de excitacin.
Pesos sinpticos: Indican el grado de intensidad o excitacin de las neuronas

presinpticas i en su interaccin con la neurona post-sinptica j, se
representan como wij.
Regla de propagacin: Determinan el valor del potencial postsinptico, en

funcin de las seales de entrada y de los pesos.
Funcin de activacin o funcin de transferencia: Establece el grado de

activacin de cada neurona en funcin del estado anterior y del potencial
postsinptico actual y establece el valor de la seal de salida (excepto en
algunos casos como la mquina de Boltzmann donde a esta funcin se le
aplica otra funcin estocstica).
Existen numerosos tipos de funcin de transferencia entre los que caben destacar,
por su uso, las funciones de identidad, las funciones sigmoideas y las funciones
Gaussianas [11].
Figura 12. Principales funciones de activacin utilizadas
a) Escaln
b) Lineal
c) Sigmoidea
d) Tanh
e) Gaussiana
Fuente: SANZ CORRETGE, JAVIER. Diagnosis de modos de fallo en mquinas rotativas

mediante tcnicas basadas en redes neuronales artificiales y en la transformacin con ondculas.
Tesis Doctoral. Madrid, Espaa: Universidad Nacional de Educacin a Distancia. Escuela Tcnica
Superior de Ingenieros Industriales. 2007. 185 p.
34
4.6.2 Arquitecturas 4
Se denomina arquitectura a la topologa, estructura o patrn de conexionado de una
red neuronal. En una red neuronal los nodos se conectan por medio de sinapsis,
esta estructura de conexiones sinpticas determina el comportamiento de la red. En
general, las neuronas se suelen agrupar en unidades estructurales que se
denominan capas. Finalmente, el conjunto de una o ms capas constituye la red
neuronal.
Se distinguen tres tipos de capas:
De entrada: Una capa de entrada o sensorial es compuesta por neuronas

que reciben datos o seales precedentes del entorno.
Oculta: Es aquella que no tiene conexin directa con el entorno.
Salida: Es aquella cuyas neuronas proporcionan la respuesta de la red

neuronal.
Las conexiones entre las neuronas pueden ser ex citatorias o inhibitorias: un peso
sinptico negativo define una conexin inhibitoria, mientras que uno positivo
determina una conexin
excitatoria. Las conexiones intra-capa, tambin
denominadas laterales, tienen lugar entre las neuronas pertenecientes a una misma
capa, mientras que las conexiones inter-capa se produce entre las neuronas de las
diferentes capas. Existen adems conexiones realimentadas, que tienen un sentido
contrario al de entrada-salida. En algunos casos puede existir realimentacin incluso
de una neurona consigo misma.
ARANGO FLOREZ, Gustavo Adolfo. Clasificacin de fallas en motores elctricos utilizando seales
de vibracin. Trabajo de grado ttulo de Magister en Ingeniera Elctrica. Universidad Tecnolgica de
Pereira. 2007. p. 39
35
Atendiendo a todos estos conceptos, se puede establecer distintos tipos de

arquitecturas neuronales:
Redes mono capa: son aquellas compuestas por una nica capa de
neuronas.
Redes multicapa (layered networks): son aquellas cuyas neuronas se

organizan en varias capas.
Atendiendo al flujo de datos en la red neuronal, podemos hablar de:
Redes unidireccionales (feedforward): la informacin circula en un nico

sentido desde las neuronas de entrada a las de salida
Redes recurrentes o realimentadas (feedback): la informacin puede circular

entre las capas en cualquier sentido.
Figura 13. Esquema del modelo organizativo de las neuronas
Fuente: SANZ CORRETGE, JAVIER.Diagnosis de modos de fallo en mquinas rotativas

mediante tcnicas basadas en redes neuronales artificiales y en la transformacin con ondculas.
Tesis Doctoral. Madrid, Espaa: Universidad Nacional de Educacin a Distancia. Escuela Tcnica
Superior de Ingenieros Industriales. 2007. p. 90
36
4.6.3 Entrenamiento de las redes neuronales Artificiales

Una de las principales caractersticas de las RNA es su capacidad de aprendizaje.
El entrenamiento de las RNA muestra algunos paralelismos con el desarrollo
intelectual delos seres humanos. No obstante aun cuando parece que se ha
conseguido entender el proceso de aprendizaje conviene ser moderado porque el
aprendizaje de las RNA est limitado.
El objetivo del entrenamiento de una RNA es conseguir que una aplicacin

determinada, para un conjunto de entradas produzca el conjunto de salidas
deseadas o mnimamente consistentes. El proceso de entrenamiento consiste en la
aplicacin secuencial de diferentes conjuntos o vectores de entrada para que se
ajusten los pesos de las interconexiones segn un procedimiento predeterminado.
Durante la sesin de entrenamiento los pesos convergen gradualmente hacia los
valores que hacen que cada entrada produzca el vector de salida deseado. Los
algoritmos de entrenamiento o los procedimientos de ajuste de los valores de las
conexiones de las RNA se pueden clasificar en dos grupos: Supervisado y No
Supervisado [12].
4.6.3.1 Aprendizaje supervisado

El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se
realiza mediante un entrenamiento controlado por un agente externo (supervisor,
maestro) que determina la respuesta que debera generar la red a partir de una
entrada determinada. El supervisor controla la salida de la red y en caso de que sta
no coincida con la deseada, se proceder a modificar los pesos de las conexiones,
con el fin de conseguir que la salida obtenida se aproxime a la deseada.
37
4.6.3.2 Aprendizaje no supervisado

Las redes con aprendizaje no supervisado (tambin conocido como autosupervisado) no requieren influencia externa para ajustar los pesos de las
conexiones entre sus neuronas. La red no recibe ninguna informacin por parte del
entorno que le indique si la salida generada en respuesta a una determinada entrada
es o no correcta. Estas redes deben encontrar las caractersticas, regularidades,
correlaciones o categoras que se puedan establecer entre los datos que se
presenten en su entrada. Existen varias posibilidades en cuanto a la interpretacin
de la salida de estas redes, que dependen de su estructura y del algoritmo de
aprendizaje empleado.
En algunos casos, la salida representa el grado de familiaridad o similitud entre la

informacin que se le est presentando en la entrada y las informaciones que se le
han mostrado hasta entonces (en el pasado). En otro caso, podra realizar una
clusterizacin (clustering) o establecimiento de categoras, indicando la red a la
salida a qu categora pertenece la informacin presentada a la entrada, siendo la
propia red quien debe encontrar las categoras apropiadas a partir de las
correlaciones entre las informaciones presentadas [13].
4.6.4 Simulacin en computadora de redes neuronales artificiales

Las investigaciones en el campo de redes neuronales usualmente se hacen por
medio de simulacin en computadoras. Considerando el hecho de que hay varios
paquetes de software tanto comercial como libre para la simulacin de redes
neuronales, se debe escoger dichos paquetes por medio de algunos criterios.
Un buen paquete de simulacin debe tener:
Simulacin de todas las caractersticas de las redes neuronales.
38
Facilidad de programacin para adoptar, algunas tareas particulares de

simulacin.
Ser eficiente simulando tareas a pequea y gran escala.
Tener una interface amigable.
Ser populares en el campo para tener una comunicacin sencilla y para

realizar intercambio de ideas.
La simulacin de redes neuronales por computadora no es difcil, y es preferible en

la mayora de investigaciones. Programando se puede ganar flexibilidad y eficiencia.
Se hace ms recomendable cuando es necesario simular, redes neuronales muy
complejas, a gran escala, o cuando la entrada necesita un procesamiento especial
o mtodos de presentacin.
4.6.5 Modelos de redes neuronales artificiales 5

4.6.5.1 Perceptrn
Rosenblatt6 cre muchas variaciones del perceptrn. Una de las ms simples fue
una red de slo una capa cuyos pesos y conexiones podan ser entrenados para
producir el vector correcto cuando se le presentaba un vector de entrada. Esta
tcnica de entrenamiento se llama la regla de aprendizaje del perceptrn. El
perceptrn gener gran inters debido a su habilidad de generalizar a travs de sus
vectores de entrenamiento y de aprender empezando por conexiones distribuidas
aleatoriamente, los perceptrnes son utilizados para problemas simples de
clasificacin de patrones. Son rpidos y confiables para los problemas que puedan
MUNEVAR, Juan Andrs y CANAL, Andrs Ivn. Diseo y simulacin de un sistema de diagnstico de fallas
para mquinas rotativas. Trabajo de grado Ingeniero Macarrnico. Bogot D.C.: Universidad de San
Buenaventura. 2010. p. 56-60
6 Frank
Rosenblatt (Julio 11, 1928 Julio 11, 1971) fue un psiclogo estadounidense notable en el campo de la
inteligencia artificial.
39
resolver. Adems, el entendimiento de las operaciones del perceptrn provee bases

para entender redes ms complejas.
Una neurona tipo perceptrn, usa una funcin de transferencia tipo escaln (Figura
12 a). Cada entrada externa es pesada y la suma de las entradas con cada peso,
es enviada a la funcin de transferencia escaln, que tambin tiene una entrada de
uno trasmitida hacia ella por medio de una entrada de sesgo. La funcin de
transferencia de esa neurona produce un 1 si la entrada neta de la funcin de
transferencia es igual o mayor a cero; y si no produce un 0. La funcin de
transferencia escaln da al perceptrn la habilidad de clasificar los vectores de
entrada dividiendo el espacio en dos regiones. Especficamente, las salidas sern
cero si la entrada neta es menor que cero o uno si la entrada neta de cero o ms.
Figura 14. Arquitectura Perceptrn de una sola capa
Fuente: MUNEVAR, Juan Andrs y CANAL, Andrs Ivn. Diseo y simulacin de un sistema de
diagnstico de fallas para mquinas rotativas. Trabajo de grado Ingeniero Mecatrnico. Bogot
D.C.: Universidad de San Buenaventura. 2010. p. 57
Una red de perceptrnes consiste en una sola capa de neuronas conectadas a un

nmero determinado de salidas, a travs de unos pesos. La regla del perceptrn
40
para aprender es capaz de entregar slo una capa. Por lo tanto slo las redes de
una sola capa son consideradas aqu. Esta restriccin pone limitaciones en las
tareas que puede resolver un perceptrn.
4.6.5.2 Backpropagation
La red Backpropagation es una red de aprendizaje supervisado en dos fases. En la
primera fase se propaga un estmulo desde la primera capa hasta la salida. La
diferencia entre la salida obtenida y la salida deseada es el error. En la segunda
fase se hace una propagacin hacia atrs del error partiendo de la capa de salida
hasta la capa de entrada. Este proceso se repite hasta que se alcance el grado de
aproximacin deseado.
Figura 15. Neuronas Tipo Backpropagation
Fuente: MUNEVAR, Juan Andrs y CANAL, Andrs Ivn. Diseo y simulacin de un sistema de
diagnstico de fallas para mquinas rotativas. Trabajo de grado Ingeniero Mecatrnico. Bogot
D.C.: Universidad de San Buenaventura. 2010. p. 57
Ese tipo de neuronas es la generalizacin de la regla de aprendizaje Widrow-Hoff

para redes de varias capas y funciones de transferencia no lineales. Los vectores
de entrada y sus correspondientes detectores de salida son usados para entrenar
este tipo de redes hasta que puedan aproximar una funcin, asociar vectores de
entrada con vectores de salida, o clasificar vectores de entrada en una forma
41
apropiada definida por usted. Las redes con sesgos, capas sigmoidales, y una
tapada de salida lineal son capaces de aproximar cualquier funcin con un nmero
finito de discontinuidades.
Las redes estndar de ese tipo tienen un algoritmo de gradiente descendiente, as

como en la regla de entrenamiento Widrow-Huff, en la cual los presos de la red son
movidos a travs del gradiente negativo de la funcin. El trmino de propagacin
hacia atrs, Backpropagation en ingls, se refiere a la manera en el que el gradiente
se computa por las redes no lineales multicapa. Hay un nmero de variaciones en
el algoritmo bsico que se basan en otras tcnicas de optimizacin estndar as
como el gradiente conjugado y los mtodos de Newton.
Cuando las redes de propagacin hacia atrs estn bien entrenadas tienden a dar
respuestas razonables cuando se enfrentan a entradas que nunca han visto.
Tpicamente, una nueva entrada hace que la red presente salidas similares a las
salidas correctas de los vectores de entrada usados para entrenar. Esta propiedad
de generalizacin hace posible entrenar redes con un nmero representativo de
entrada y salida y obtener buenos resultados sin entrenar la red con todas las
entradas o salidas posibles.
4.7 USO DE REDES NEURONALES EN EL MANTENIMIENTO DE MQUINAS

La implementacin de herramientas de monitoreo y diagnstico de fallas requiere
una adecuada seleccin de los sensores de la lectura de la seal (el tipo de
instrumentacin), realizar un sistema de adquisicin de datos que permite muestrear
la seal en cuestin, y el procesamiento de la seal. La mayora de los sistemas de
deteccin actuales no con capaces de realizar un monitoreo en tiempo real del
funcionamiento de la maquina; y generalmente las medidas registradas necesitan
un post-proceso de procesamiento e interpretacin de la seal [21]. Adems el
42
cambio de las condiciones operativas de las maquinas afectan el diagnstico de

fallas ya que en repetidas ocasiones se han detectado falsas alarmas con estos
sistemas [15].
Actualmente se utilizan tres alternativas de anlisis para realizar un diagnstico
sobre el estado de la mquina; estn los anlisis acsticas, las dinmicas (anlisis
de vibraciones) y el anlisis de partculas.
Hay que tener en cuenta que la implementacin del anlisis de vibraciones para la
deteccin de fallas ha tenido durante los ltimos aos un crecimiento en el mbito
comercial e industrial, se debe a que es de fcil aplicacin y menor costo; aunque
los anlisis acstico y los basados en el control de partculas se han empleado y se
siguen empleando an [15].
La ventaja de implementar anlisis de vibraciones radica en que los anlisis
acsticos con ms sensibles al ruido de fondo del entorno de la maquinaria; y el
anlisis de partculas solo muestra resultados satisfactorios cuando hay arranque
de materia [11].
En la ltima dcada se han realizado grandes avances para desarrollar tcnicas de
deteccin y sistemas de diagnstico basado en el anlisis de vibraciones [16] [17].
Las tcnicas de procesamiento de seales se puede dividir en transformaciones en
el dominio temporal, en el dominio de la frecuencia o en el domino tiempofrecuencia. La eleccin del tipo de procesamiento depende de la naturaleza de la
seal y de la informacin que se quiere obtener de ella [18].
Los anlisis ms simples son basados en el dominio temporal. Estos sistemas
emplean habitualmente medidas estadsticas efectuadas sobre las historias
temporales, con el fin de establecer parmetros de tendencia que permitan de
detectar la presencia de un modo de fallo. Entre estas tcnicas temporales se debe
destacar, dado su xito, el promediado sncrono [11].
43
Las tcnicas basadas en el anlisis de la frecuencia (transformada rpida de Fourier

(FFT), que representa una seal compleja en el dominio del tiempo por medio de
series de curvas sinusoidales con valores de amplitud y frecuencia especficos.
Entonces lo que hace un analizador de espectros que trabaja con la transformada
rpida de Fourier es capturar una seal de una mquina, calcular todas las series
de seales sinusoidales que contiene la seal compleja y por ltimo mostrarlas de
forma individual en una grfica de espectro [19].
Se debe considerar que el anlisis de la transformada rpida de Fourier ha
dominado el campo del anlisis de la seal debido a su destreza y simplicidad,
aunque tiene sus respectivas limitaciones ya que no es prctica para seales
complejas, y la mayora de las maquinas industriales contiene seales no lineales y
no estacionarias [18]. A partir de estas desventajas se han propuesto nuevos
mtodos en el anlisis basado en el dominio tiempo-frecuencia de este tipo de
seales entre los cuales se destaca la Transformada Wavelet [20].
Aunque la Transformada Wavelet es capaz de analizar ese tipo de seales para el
diagnstico de fallas en mquinas muchas deficiencias se han presentado como la
generacin de picos indeseados en las escalas de frecuencias que hace que los
resultados sean confusos y difciles de interpretar. La transformada wavelet continua
es computacionalmente intensiva, por otro lado aunque la transformada wavelet
discreta es muy eficiente para trabajar en el computador, la resolucin a alta
frecuencia es pobre [21].
Para el anlisis de la frecuencia se pueden implementar redes neuronales artificiales
para la identificacin de diversas fallas que se podran presentar en las maquinas
rotativas, ya que debido a la complejidad de las seales de vibracin no es suficiente
entregar la informacin de las frecuencias, sino que es necesario analizar de nuevo
este tipo de seales para obtener resultados concretos y simples para el usuario
[14].
44
El sistema de anlisis de fallas de una red neuronal se escogi ya que ofrecen

numerosas ventajas entre las que estn aprendizaje adaptativo, auto-organizacin,
tolerancias a fallos, operacin en tiempo real y fcil insercin dentro de la tecnologa
existente [22].
En el mantenimiento predictivo las redes neuronales pueden ser empleadas para
modelar el sistema en cuestin, de modo que pueda hacerse una comparacin entre
las salidas del sistema y las de la red neuronal. Las discrepancias pueden ser un
indicativo de un funcionamiento anmalo del sistema. Tambin puede usarse su
capacidad para discernir la pertenencia a una clase u otra de los datos que llegan a
la red. Otra manera de emplear las redes neuronales es predecir las salidas futuras
de una serie determinada, de manera que sea posible anticiparse a los fenmenos
que pudieran ocurrir en el sistema7.
La combinacin entre este sistema experto (basado en redes neuronales) y bases
de datos de mquinas ya que puede generalizar la informacin que fue registrada
por reportes escritos, en un futuro permitir analizar cualquier tipo de mquina
rotativa.
DESARROLLO METODOLGICO
5.1 DESCRIPCIN
La metodologa que se us para obtener las caractersticas de desbalanceo y
desalineamiento angular en una mquina rotativa implementando redes neuronales
artificiales se divide en cuatro fases, las cuales permiti cumplir con los objetivos
propuestos.
7MUOZ
ABELLA, Maria Belen.MANTENIMIENTO INDUSTRIAL. Universidad Carlos III de Madrid.

rea de Ingeniera Mecnica. [En lnea]. <http://ocw.uc3m.es/ingenieria-mecanica/teoria-demaquinas/lecturas/MantenimientoIndustrial.pdf> [Citado en 12 de Febrero de 2015].
45
5.2 FASE 1- ESTUDIO BIBLIOGRFICO

Esta fase consisti en hacer una recopilacin del material bibliogrfico que se us
para fundamentar el proyecto y proporcionar conocimientos previos sobre el tema y
durante su desarrollo.
5.3 FASE 2- EJECUCIN
Se realiz la adquisicin de datos de la vibracin causada por el efecto del
desbalance y el efecto de desalineamiento angular en el banco de pruebas (ver
Figura
47)
existente
en
la
UNIVERSIDAD
ANTONIO
NARIO
SEDE
BUCARAMANGA para el respectivo procesamiento de la seal y anlisis de

vibraciones.
Figura 16. Banco de pruebas para anlisis de vibraciones mecnicas.
Fuente: ERASMO, Joaqun; DIAZ, Julio. Implementacin de un banco de pruebas para anlisis
de vibraciones mecnicas en maquinaria rotativa afectada por desbalanceo. Tesis de grado.
Universidad Antonio Nario facultad de ingeniera electromecnica. 2012
A travs del programa PROVIDES desarrollado en software de LabView [1], se

tomaron cinco muestras de cada una de las siguientes velocidades de rotacin del
motor; 600rpm, 1200rpm, 1800rpm, 2400rpm, 3000rpm y 3600rpm, para cada caso
de estudio, banco sin defecto aplicado (estado normal), en desbalance y en
desalineamiento angular. El archivo de datos .lvm obtenido para cada una de la
pruebas (ver Figura 47) consta de 1000 datos en un tiempo de muestreo de 1
segundo.
46
Figura 17. Archivo .lvm obtenido de PROVIDES LabView
Fuente: Los autores
5.3.1 Anlisis de los datos adquiridos en el banco

Se elabor un reconocimiento de patrones representativos de los rasgos
caractersticos de las fallas ocasionadas por desbalance y desalineamiento con la
ayuda de una macro realizada en Excel para el anlisis de Fourier (FFT Transforma
da rpida de Fourier), en el Anexo A., se muestra el cdigo realizado.
47
En la macro se considera la curva caracterstica de respuesta del sistema

transductor (Figura 47) de la seal de los sensores inductivos 3300 XL de 8mm de
Bently Nevada usados en el banco de vibraciones para obtener la amplitud del
espectro de vibracin en velocidad en unidades mm/s mediante la ecuacin (5) y .
() = 5[()] + 5
(8)
(/) = [() 0.0254(/)] 2()
(9)
Donde es la frecuencia de rotacin del motor en la prueba
Figura 18. Curva de respuesta del sistema transductor de proximidad

-24
-22
-20
Output (Volts)
-18
-16
-14
-12
-10
-8
-6
-4
-2
Gap (m ils)
10
20
30
40
50
60
Th=+25 C (+77 F)
70
80
90
100
Th=+260 C (+500 F)
Fuente: Bently Nevada. 3300 XL 8mm Proximity Transducer System Asset Condition Monitoring.
2013
5.3.1.1 Resultados de la macro de Excel

Las siguientes figuras muestran los espectros y los oscilogramas obtenidos por
medio de la macros a una velocidad de rotacin representativa que muestra los
patrones caractersticos de cada condicin de estudio.
48
a) Prueba Normal sin defecto introducido

Figura 19. Oscilograma del banco normal a 1200 rpm
ONDA Voltaje
-7,6
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
-7,8
-8
-8,2
-8,4
-8,6
-8,8
-9
-9,2
Fuente: Los autores

Figura 20. Espectro del banco normal a 1200 rpm
ESPECTRO V mm/s
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
10
20
30
40
50
60
70
80
90
100 110 120 130 140 150
Fuente: Los autores
b) Prueba de desalineamiento con una inclinacin de 1.5 a 720 rpm

Figura 21. Oscilograma de desalineamiento angular 1.5 a 720 rpm
ONDA Voltaje
11
10,5
10
9,5
9
0
0,1
0,2
0,3
0,4
0,5
Fuente: Los autores

49
0,6
0,7
0,8
0,9
Figura 22.Espectro de desalineamiento angular 1.5 a 720 rpm

ESPECTRO V mm/s
2,5
2
1,5
1
0,5
0
0
10
20
30
40
50
60
70
80
90
100 110 120 130 140 150
Fuente: Los autores
c) Prueba de desbalanceo 1 disco y una masa de 20 gramos

Figura 23. Oscilograma banco con desbalance a 3000 rpm
ONDA Voltaje
-7,5
0
-7,7
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
-7,9
-8,1
-8,3
-8,5
-8,7
-8,9
-9,1
-9,3
Fuente: Los autores

Figura 24. Espectro banco con desbalance a 3000 rpm
ESPECTRO V mm/s
3
2,5
2
1,5
1
0,5
0
0
50
100
150
Fuente: Los autores
50
200
250
5.3.1.2 Comparacin de los datos con estndares internacionales.

La ISO International Estndar Organization sobre la severidad de vibraciones de
mquinas tiene una extensa gama de normas, pero para el anlisis de este trabajo
se utiliz la norma ISO 10816.
En la Figura 25 se relaciona la tabla de severidad de vibracin segn la norma ISO
10816 Vibracin mecnica de mquinas con velocidades de operacin entre 10 y
200 rev/s. Bases para la especificacin de estndares de evaluacin.
Figura 25. Severidad de vibracin por ISO 10816
Fuente:
Tomado
de:
www.reliabilitydirectstore.com
[On-line,
citado
http://www.reliabilitydirectstore.com/v/vspfiles/assets/images/iso%20standard.jpg
07/05/2015]
Tabla 2. Resultados representativos para cada caso de estudio

Prueba
Velocidad (RPM)
Amplitud V(mm/s)
Picos significativos
Normal
1200
0,91
1X
desbalanceo
3000
3,25
1X
desalineamiento
720
2,2
1X 2X 3X
Fuente: Los autores
La Tabla 2 muestra el valor de la amplitud de la velocidad de vibracin para cada

caso, comparando estos resultados con el criterio de severidad para mquinas clase
51
I de la Figura 25, se concluye que los datos tomados son vlidos para el
entrenamiento de la red neuronal.
5.3.2 Creacin de la red neuronal

La red neuronal se cre Mediante el software MatLab R2011 usando la herramienta
de Neuronal Network.
5.3.2.1 Datos de entrada (Inputs)
Para el entrenamiento de la red neuronal se usaron 50 pruebas de desbalanceo,

12 pruebas de desalineamiento y 39
pruebas Normales, a estos datos los
llamaremos ejemplos los cuales permitirn el entrenamiento, validacin y test de la

red neuronal backpropagation para el reconocimiento y clasificacin de la seal
vibratoria de fallos por desbalance, desalineamiento y normales (sin fallas). El
archivo mostrado en la Figura 17 nos muestra diversos datos de los cuales los de
inters son las columnas de tiempo y voltaje para cada uno de los ejemplos.
El toolbox Neuronal Network Backpropagation, requiere que los datos de entrada
(impust) se organicen como un arreglo N_ejem X N_elem (N_ejem = Nmero de
ejemplos, N_elem=Nmero de elementos). Entonces se define que cada columna
representa un ejemplo con 1000 elementos, donde los 1000 elementos son la
columna de voltajes de cada una de las pruebas realizadas (desbalance,
desalineamiento, normal).
5.3.2.2 Datos de salida (Targets)

Los targets son los datos deseados de salida de la RNA (Red Neuronal Artificial)
para cada uno de los ejemplos de los datos de entrada (inputs). Los valores de
salida de las neuronas de salida toman valores de 0 o 1, lo que representa inactiva
o Activa respectivamente, por consiguiente los targets tomaran dichos valores, para
52
el caso en particular que queremos que la red neuronal backpropagation clasifique

entre seales de desbalance, desalineamiento y normales (sin falla). La afirmacin
anterior da como resultado que los targets sean un arreglo de 3xN_ejem, donde
esta ser la capa de salidas, que constar de 3 neuronas las cuales tomaran valores
0 o 1, la Figura 47 representa la capa de salidas, en la parte izquierda se observa
un arreglo de tres neuronas donde sus variables en salida se nombran con un sub
ndice que va de 1 a 3 y cuya salida es un vector de tres elementos, donde el vector
[1;0;0] representa desbalance, [0;1;0] representa desalineamiento y [0;0;1]
representa seales sin falla (normales).
Figura 26. Arreglo usado en la RNA
Fuente: Los autores
5.3.3 Construccin Arreglo de ejemplos

Para construir el arreglo de datos se gener una macros Dat_Entrada RNA en
Excel la cual selecciona y copia la columna de voltajes para cada archivo de
ejemplos en un archivo nico con 1000 filas y N_ejem columnas en la hoja 1 y un
arreglo de salidas Target en la hoja 2 con tres filas y N_ejem columnas. Con este
archivo Excel guardamos la hoja1 como Inputs y la hoja dos Target como archivos
.Txt.
53
Estos archivos sern ingresados a la interfaz de MATLAB (Workspace) con el

siguiente comando o manualmente:
>>Input_Dat=importdata('NombreArchivo_Input');
>>Target_Dat=importdata('NombreArchivo_Target';
(10)
Figura 27. Ingreso de los archivos Input y Target
Fuente: Los autores

Despus de tener los datos gualdados en Worskspace, creamos las variables
inputs y targets para que el cdigo RNA_VibraAnalisis.m lea los datos as:
inputs = Input_Dat;
targets = Target_Dat;
(11)
Las siguientes figuras muestran como ejemplo los arreglos en los archivos:
Figura 28. Archivo Inputs
Fuente: Los autores

Figura 29. Archivo Targets
Fuente: Los autores
54
5.3.4 Estructura de la red neuronal

La red neuronal est compuesta por una capa de entradas (inputs), una capa oculta
compuesta por 100 neuronas, una capa de salida compuesta por 3 neuronas; la
siguiente grafica muestra el esquema simplificado.
Figura 30. Esquema simplificado de la red neuronal
Fuente: Los autores

El siguiente cdigo MATLAB crea un objeto llamado net el cual es nuestra red
neuronal artificial de una capa oculta con 100 neuronas, los valores predefinidos de
esta red se pueden cambiar usando los siguientes comandos.
% Create a Pattern Recognition Network
hiddenLayerSize = 100;
net = patternnet(hiddenLayerSize);
(12)
En el caso en que se requiera hacer una red neuronal con ms de una capa oculta
se le debe ingresar un vector fila en Patternnet ( ) con el nmero de neuronas que
contiene cada capa; el siguiente es un ejemplo.
>>hiddenLayerSize = [100 50];
>>net = patternnet(hiddenLayerSize)
(13)
Se genera una red neuronal de dos capas ocultas, la primera con 100 y la segunda
con 50 neuronas, se muestra en la Figura 47.
55
Figura 31. Capas de la red neuronal
Fuente: Los autores
5.3.5 Configurar la Red Neuronal Artificial

Pero aun la red neuronal artificial (RNA) no est terminada ha de ser configurar,
para ello se usa el comando (5), para esto debemos indicarle las entradas y las
salidas.
net=configure(net,inputs,targets)
(14)
Figura 32. Configuracin de la red neuronal
Fuente:
La funcin (5) inicializa los pesos y las Bias para la red acabada de crear (ver Figura
47).
5.3.6 Funcin de transferencia
Los textos recomiendan para una red de clasificacin de patrones backpropagation
se deba usar la funcin sigmoidea, esta funcin entrega valores entre 0 y 1.
56
Figura 33. Funcin de transferencia Log-Sigmoide
Fuente: MatLab Ayuda.
5.3.7 Funcin de entrenamiento Backpropagation

Las siguientes son funciones de optimizacin numrica de funciones para nuestro
caso el gradiente de entrenamiento de la red neuronal artificial, algunas funciones
aumentan los tiempos de entrenamiento y otras lo hacen ms corto, algunas de
estas entregan unos mejores resultados para nuestro caso como la traincgp, es un
mtodo de optimizacin no lineal el cual es un mtodo que conjuga el gradiente para
una funcin cuadrtica.
trainbfg - BFGS quasi-Newton backpropagation.
trainbr - Bayesian Regulation backpropagation.
traincgb - Conjugate gradient backpropagation with Powell-Beale restarts.
traincgf - Conjugate gradient backpropagation with Fletcher-Reeves updates.
traincgp - Conjugate gradient backpropagation with Polak-Ribiere updates.
traingd - Gradient descent backpropagation.
traingda - Gradient descent with adaptive lr backpropagation.
traingdm - Gradient descent with momentum.
traingdx - Gradient descent w/momentum & adaptive lr backpropagation.
trainlm - Levenberg-Marquardt backpropagation.
trainoss - One step secant backpropagation.
57
trainrp - RPROP backpropagation.

trainscg - Scaled conjugate gradient backpropagation.
Para seleccionar la funcin que se desea se utiliza el siguiente comando.
(15)
Esta lnea guarda el nombre de la funcin de entrenamiento en el interior del objeto
llamado net.
5.3.8 Inicializacin de los Pesos y Bias Red Neuronal Artificial

Como se mencion en la seccin 5.3.5, al usar la funcin (14) se inicializan los pesos
y las Bias de acuerdo a las dimensiones de los datos de entrada y salidas as como
del nmero de capas y de neuronas.
5.3.9 Entrenamiento de la Red Neuronal Artificial

Despus de tener creada y configurada la red con las funciones de transferencia,
entradas, salidas y todos estos parmetros que nos interesan, se procede al
entrenamiento. Para facilitar este proceso y la de la creacin de la RNA se cre un
archivo script en el cual est contenido todos los comandos y funciones necesarias
para la configuracin optima de una red neuronal que permita el reconocimiento de
sealas vibratorias de fallas por desbalance, desalineamiento y seales sin falla
normales. La Figura 47 muestra como es el aspecto del script, en primer lugar en
este se puede configurar el nmero de capas ocultas y neuronas en cada capa, y
todas las otras funciones descritas anterior mente. La lnea netamente encargada
del entrenamiento de la red RNA ya configurada e iniciada es la siguiente:
(16)
58
Posterior mente se corre el cdigo (Run) despus de haber seleccionados los datos
de entrada y salida empieza el entrenamiento de la red, este despliega una ventana
donde muestra este proceso datos de configuracin y resultados obtenidos para el
entrenamiento, validacin y test (ver Figura 47).
Figura 34. Script de entrenamiento
Fuente: Los autores
59
Figura 35. Ventana de proceso de entrenamiento
Fuente: Los autores
5.4 FASE 3: EXPERIMENTACIN

5.4.1 Entrenamiento para la clasificacin de seales vibratorias
Las seales recogidas para el proceso de entrenamiento fueron 50 pruebas de
desbalance con diferentes grados de desbalance y a diferentes velocidades de
rotacin, 39 pruebas sin ninguna falla a diferentes velocidades de rotacin, y 12
60
pruebas de desalineamiento. Estas pruebas estn repartidas en 101 archivos *.txt

los cuales los procesamos con la macros Excel (ver Anexo B) para que las organice
como un arreglo de columnas [1000x#pruebas] donde cada columna representa las
amplitudes para cada una de la 101 pruebas. Este mismo macros crea los vectores
de salida para cada prueba como un arreglo de [3x#pruebas]. Los datos se guardan
como:
Dat_Inputs .txt como datos de Entrada 1000x#pruebas
Dat_Targets.txt Como datos de salida requeridos 3x#pruebas
Se plane hacer el entrenamiento de dos formas, una fue con los datos ordenados
segn el caso de estudio (desbalance, desalineamiento, Normal), en otra con los
datos al azar pero con conocimiento de que falla se trataba.
Se desarrollaron dos pruebas cambiando la funcin de entrenamiento por:
traincgp - Conjugate gradient backpropagation with Polak-Ribiere updates
trainbfg - BFGS quasi-Newton backpropagation.
En la siguiente seccin se mostrara el cambio entre una red neuronal de una capa
oculta de 243 neuronas y dos capas ocultas de 243 y 27 neuronas respectivamente.
5.5 FASE 4: ANLISIS Y RESULTADOS

5.5.1 Configuracin caso1 entrenamiento:
Datos de entradaDat_Inpusts: 101 ejemplos 1000x101 ordenados por tipo

de falla
Datos de salida Dat_targets: 101 ejemplos 3x101 ordenados segn inputs
Funcin de entrenamiento: trainbfg
Red de una sola capa oculta: [243] neuronas en capa oculta 243, 1000
entradas, 3 salidas (ver Figura 47).
61
Lneas de cdigo modificadas:
(17)
Figura 36. Red neuronal artificial, una capa oculta de [243] neuronas
Fuente: Los autores
Despus de entrenar y reentrenar la RNA esta se estanc obteniendo un porcentaje

de acierto del 81.2% se realizaron tres veces reiniciando los pesos y bias de la
RNA, las siguientes imgenes muestra el performance de la red y las matrices de
confusin para el entrenamiento, validacin, test y completo.
62
Figura 37. Desempeo de entrenamiento de la red neuronal caso 1
Fuente: Los autores

Figura 38. Confusin de entrenamiento de la red neuronal caso 1
Fuente: Los autores
63
5.5.2 Configuracin Caso 2 de entrenamiento

Con misma configuracin de red del primer test de entrenamiento, exceptuando la
funcin de entrenamiento: traincgp - Conjugate gradient backpropagation with
Polak-Ribiere updates.

de falla.
Funcin de entrenamiento: trancgp
Red de una sola capa oculta: [243] neuronas en capa oculta 243, 1000
entradas, 3 salidas.
Despus de varios reentrenamientos se logro un porcentaje de acierto del 84.2%.

Las siguientes imgenes muestran el performance de la red y las matrices de
Fuente: Los autores
64
Fuente: Los autores
Analizando los datos obtenidos de los casos 1 y 2 se concluye lo siguiente:
La funcin traincgp produce ms aciertos que la otra funcin utilizada.
La convergencia de los dos casos no es muy buena, aunque el primer caso

traincgf muestra una convergencia pero con unos porcentajes de acierto
menor que los obtenidos en la segundo caso con la funcin traincgp.
El primer caso con la funcin trancgf no reconoci ningn ejemplo como

desalineamiento en cambio el caso con traincgp mostro 4 ejemplos como
desalineamiento, 4 como desbalance y 4 sin falla (normales).
65
5.5.3 Configuracin del entrenamiento Caso 3

de falla.
Funcin de entrenamiento: trancgf.
Red de una sola capa oculta: [243, 27] neuronas de dos capas oculta, primera
capa 243 neuronas, segunda capa 27 neuronas, 1000 entradas, 3 salidas.
Lneas de cdigo modificadas:
(18
)
Figura 41. Red neuronal artificial, dos capas oculta de [243, 27] neuronas
Fuente: Los autores

Despus de varios reentrenamientos se logr un porcentaje de acierto del 92.1%.
Las siguientes imgenes muestran el performance de la red y las matrices de
66
Fuente: Los autores

Fuente: Los autores

67
5.5.4 Configuracin del Caso 4 entrenamiento:

de falla.
Funcin de entrenamiento: trancgp.
Red de una sola capa oculta: [243, 27] neuronas de dos capas oculta, primera
capa 243 neuronas, segunda capa 27 neuronas, 1000 entradas, 3 salidas.
Despus de al menos 15 reentrenamiento y dos reinicios de pesos se obtuvo un

porcentaje de acierto de 98%. Las siguientes imgenes muestran el performance
de la red y las matrices de confusin para el entrenamiento, validacin, test y
completo.
Fuente:
68
Fuente: Los autores

Los datos obtenidos en los cuatro entrenamientos se guardaron en archivos .m y
contienen toda la informacin de entrenamiento de la red as como todos los
resultados necesarios para su posterior uso en cualquier test futuro.
RNAVibraAnalisis_caso1
5.5.5 Test de validacin

Se verifica la ltima red neuronal artificial, el caso 4 en donde se obtuvo un
porcentaje de acierto del 98%. El test se realizara con los mismos datos pero
69
entregndoselos a la red RNA por grupos separados segn la falla y por ultimo un
test con 12 ejemplos de cada una de las fallas.
Tabla 3. Nombre de los archivos utilizados en el test de validacin
Datos de entrada Inputs
Desb_Input [1000x50]
Desal_Input [1000x12]
Norm_Input [1000x39]
12_Input [1000x36]
Datos de Salida Target

Desb_Target [3x50]
Desal_Target [3x12]
Norma_Target [3x39]
12_TargetV [3x36]
Fuente: Los autores
Para realizar los test se cre un script el cual contiene todos los procedimientos que
permiten utilizar la informacin de la red RNA entrenada para la clasificacin de
fallas en seales vibratorias. Se carga el archivo RNAVibraAnalisi_caso4.mat en el
workspace y luego abrimos el archivo RNAVibraAnalisi_TEST.m; Se le da correr
(RUN) el script y este solicitara en primer lugar que le indiquemos los datos de
entrada Inputs, y posteriormente los datos de salida Target luego de esto entrega
una matriz de confusin la cual mostrara el porcentaje de acierto y el porcentaje de
error.
5.5.5.1 Resultados del Test
La muestra la matriz de confusin para cada uno de los test propuestos, en ellos
podemos observar que para el caso de desbalance con 50 ejemplos la red RNA
clasifico a 49 como desbalance y 1 como desalineamiento obteniendo un 98% de
acierto; para los 12 ejemplos de desalineamiento la red RNA afirmo que 12 eran en
verdad desalineamiento y 1 que era desbalance para optar con un 97.7% de acierto;
Para los 39 ejemplos de seales que no presentan fallas la red las clasifico 100%
acertadas colocando los 39 ejemplos en el cuadro que representan a los ejemplos
sin fallos.
70
Figura 46. Matriz de confusin validacin de la RNA
Fuente: Los autores

Para el ltimo test en donde se tomaron 12 ejemplos de desbalance, 12 de
desalineamiento, y 12 sin fallas, se observa que la red clasifico un ejemplo de
desalineamiento como desbalance, que resulta de acuerdo con el test de los 12
ejemplos de desalineamiento, este solo error produjo un error global del 97.2%.Este
resultado permite concluir lo siguiente:
Se muestra claramente que una red neuronal de dos capas ocultas es ms

poderosa al distinguir las diferencias
vibratoria.
71
en los patrones
de una huella
Para obtener mejores resultados en el entrenamiento es necesario ms

ejemplos con muchas diversas configuraciones para que de este modo se
logre obtener una red neuronal bien entrenada
5.5.6 Interfaz de RNAVibraAnalisis en Matlab

Para ser ms prctico el uso de la red neuronal se cre una interfaz de usuario que
facilita su entrenamiento y validacin, as como analizar los datos de vibracin de
una mquina.
La interfaz se compone de tres mdulos; El primero carga los datos de la matriz
obtenidos con el uso de la macros de Excel (Datos de entrada RNA), el segundo el
mdulo de entrenamiento, validacin (test) y re-entrenamiento adems se configura
las capas y el nmero de neurona de cada capa, y el tercer mdulo es la carga del
archivo a analizar ya entrenada y validada la RNA, (ver Figura 47).
Figura 47. Interfaz de RNAVibraAnalisis
Fuente: Los autores
72
5.5.6.1 Interfaz de valores parmetros de vibracin

En MatLab se cre un cdigo que permite visualizar el oscilograma y calcular los
valores de la amplitud de la vibracin en valores pico, RMS y energa de vibracin
con los mismos datos de entrada para el anlisis de vibraciones usado por la RNA
como se muestra en la Figura 48.
Figura 48. Interfaz Caracterizacin RNAVibraAnalisis
Fuente: Los autores
73
CONCLUSIONES
La huella vibratoria de una mquina es un referente para identificar fallas y
problemas en los equipos.
La metodologa desarrollada demostr que es posible disear un sistema
experto, a travs de una red neuronal backpropagation, para analizar y
vincular las vibraciones en un eje rotodinmico con dos casos de estudio
definidos.
Es posible utilizar la vibracin medida, en un equipo, a travs de
acelermetros e interpretada por redes neuronales backpropagation para
ajustar un plan de mantenimiento y de esta manera optimizar los costos;
adems de evitar paros repentinos del proceso de produccin.
Las redes neuronales backpropagation son algoritmos matemticos que
permiten establecer relaciones entre variables que de otra manera seran
difciles de identificar.
La frecuencia natural y la velocidad crtica son variables que permiten
predecir condiciones de operacin no deseadas en los equipos.
Las grficas caractersticas obtenidas a partir del proceso experimental son
una referencia para determinar si un elemento mecnico posee una falla.
La RNA demostr que es capaz de identificar los parmetros asociados a la
vibracin con un error de dispersin de 0.001%, de acuerdo a esto sera
posible ajustar los tiempos en que el eje requerira de operaciones
preventivas para continuar con un desempeo consistente.
74
El uso de mtodos de redes neuronales backpropagation provee nuevas

herramientas que permiten hacer confiables anlisis complejos, como los
vinculados al mantenimiento predictivo.
La capacidad para cualquier sistema de diagnstico fallos por medio de
vibracin para tomar decisiones correctas est directamente ligado a la
calidad de las seales tomadas por los sensores y de la misma forma a la
resolucin de la tarjeta de adquisicin de datos necesaria para que los datos
muestreados sean de calidad, debido a las limitaciones del banco en este
proyecto los valores ptimos no fueron alcanzados, sin embargo, es de
notarse que los principios utilizados en el anlisis de fallas de las mquinas
rotativas tienen validez suficiente para considerarse en un proceso industrial.
75
RECOMENDACIONES
De acuerdo a los resultados obtenidos en este proyecto se recomienda
realizar una modificacin al banco de vibraciones que permita realizar la
experiencia de desalineamiento angular de manera ms prctica ya que en
la
configuracin
actual
realizar
pruebas
induciendo
fallos
por
desalineamiento es tedioso y los espectros de vibracin obtenidos no son

significativos para establecer un patrn satisfactorio de fallo por
desalineamiento.
Para obtener mejores resultados en el entrenamiento es necesario ms
ejemplos con configuraciones diversas para que de este modo se logre
obtener una red neuronal bien entrenada.
Al carecer de pruebas de bancos de vibracin de otras universidades o datos
en condiciones reales no se puede afirmar que la red neuronal desarrollada
en este trabajo tenga el mismo porcentaje de aciertos con dichos datos, por
lo tanto se recomienda continuar con el desarrollo y optimizacin de redes
neuronales artificiales.
El gran limitante de las Redes Neuronales Artificiales es determinar para ellas
una buena calidad de datos de entrenamiento, es una buena idea con
respecto a este proyecto generar una base de datos fidedigna de los
diferentes tipos de falla que puedan ocurrir para obtener una mejor
aproximacin a los resultados.
76
REFERENCIAS BIBLIOGRFICAS
[17] A. I. CUC, Vibration-based techniques for damage detection and health

monitoring of mechanical systems, Politehnica University of Timisoara, 1996.
[9] A. PALMER POL y MONTAO MORENO, J.J, Qu son las redes neuronales
artificales? Aplicaciones realizadas en el mbito de las adicciones, EN:
ADICCIONES. 1999, Vol. 11 No. 3, p. 243-255.
[19] B. BAUER y J. SHAN, The Joint Time - Frequency Analysis and its Application
for Vibration Diagnosis of Machines, Institute of Mining and Metallurgical
Engineering, June 2004.
[3] C. E. GONZALEZ GONZALEZ y W. PEDRAZA FLOREZ, Algoritmo en Matlab
para la deteccin de desbalanceo en equipos rotativos usando la
Transformada de Wavelet, Trabajo de grado Ingeniero Electromecnico.
Bucaramanga: Universidad Antonio Nario. Facultad de Ingeniera
Electromecnica. 2013. 140 p.
[13] C. MOLINA VICUA y P. GONZALEZ PEDRO, La evolucin y perspectivas
del mantenimiento predictivo proactivo en la insdustria., En: VI CONGRESO
PANAMERICANO DE INGENIERA DE MANTENIMIENTO.( Septiembre:
2004) p. 23-24.
[22] Curso de anlisis de vibraciones, [En lnea].<www.sinais.es/Recursos/Cursovibraciones/fundamentos/transformada_fourier.html> [Citado en 15 de febrero
de 2015].
[21] G. A. ARANGO FLOREZ, Clasificacin de fallas en motores elctricos
utilizando seales de vibracin, Trabajo de grado ttulo de Magister en
Ingeniera Electrca. Universidad Tecnologica de Pereire. 2007. 91 p.
[6] G. WHITE, Introduccin al anlisis de vibraciones., Azima DLI. 2010. 148 p.
[12] J. A. MUNEVAR y CANAL, Andrs Ivn, Diseo y simulacin de un sistema de
diagnstico de fallas para mquinas rotativas., Trabajo de grado Ingeniero
Mecatrnico. Bogot D.C.: Universidad de San Buenaventura. 2010. 167 p..
[1] J. E. CACERES EGEA y DIAZ SIERRA, Julio Alberto, Implementacin de un
banco de pruebas para anlisis de vibraciones mecnicas en maquinaria
rotativa afectada por desbalanceo, Trabajo de grado Ingeniero
Electromecnico. Bucaramanga: Universidad Antonio Nario. Facultad de
Ingeniera Electromecnica. 2012. 197 p..
[2] J. L. SILVA REYES, Implementacin de anlisis de fase en el banco de
pruebas para el anlisis de vibraciones mecnicas en maquinaria rotativa
afectada por desbalanceo, Trabajo de grado Ingeniero Electromecnico.
77
Bucaramanga: Universidad Antonio

Electromecnica. 2013. 117 p..
Nario.
Facultad
de
Ingeniera
[7] J. M. SOTOS, Aplicacin de redes neuronales artificiales en el procesado

verstil de seales electroardiogrficas, Trabajo de grado Ingeniero
Electrnico. Espaa: Universidad Politcnica de Valencia. Deparatamento de
ingeniera electronica. 2012. 251 p..
[14] J. R. HILERA GONZALEZ y V. J. MARTINEZ HERNANDO, Resdes
neuronales artificales, ADDISON-WESLEY-IBEROAMERICANA.
[8] J. SANZ CORRETGE, Diagnosis de modos de fallo en mquinas rotativas
mediante tcnicas basadas en redes neuronales artificiales y en la
transformacin con ondculas, Tesis Doctoral. Madrid, Espaa: Universidad
Nacional de Educacin a Distancia. Escuela Tcnica Superior de Ingenieros
Industriales. 2007. 185 p.
[11] M. B. MUOZ ABELLA, MANTENIMIENTO INDUSTRIAL., Universidad Carlos
III
de
Madrid.
rea
de
Ingeniera
Mecnica.
[En
lnea].
<http://ocw.uc3m.es/ingenieria-mecanica/teoria-demaquinas/lecturas/MantenimientoIndustrial.pdf> [Citado en 12 de Febrero de
2015].
[4] N. E. HIGUERA, O. SILVA ROMERO y RUEDA PATIO, Jairo Humberto,
Extraccin de caractersticas representativas respecto al fenmeno de
desbalanceo y des-alineamiento angular utilizando la Transformada Wavelet,
Trabajo de grado Ingeniero Electromecnico. Bucaramanga: Universidad
Antonio Nario. Facultad de Ingeniera Electromecnica. 2014. 164 p.
[5] O. GIL LEON y PIMIENTO RODRIGUEZ, Edinson Javier, Obtencin de
caractersticas de patrones de desbalanceo y desalineamiento angular en una
mquina rotativa, utilizando Transformada Wavelet y la tcnica de
enventanado, aplicada a registros obtenidos a partir del sensado de
vibraciones mecnicas en un ban, Trabajo de grado Ingeniero
Electromecnico. Bucaramanga: Universidad Antonio Nario. Facultad de
Ingeniera Electromecnica. 2042. 146 p..
[15] P. E. GARDEL SOTOMAYOR, Aportaciones al mantenimiento predictivo de
motores de induccin mediante una metodologa de diagnstico basada en el
uso combinado de tcnicas estadsticas y Redes Neuronales Artificiales, Tesis
doctoral. Espaa: Universidad de Valladoli. Escuela de ingenieras industriales.
Departamento de ingeniera elctrica..
[16] P. J. Dempsey, comparison of Vibration and Oil Debris Gear Damage Detection
Method Applied to Pitting Damage, NASA TM-210371, December 2000.
[18] R. L. CAMPBELL, C. S. BYINGTON y M. S. LEBOLD, Generation of Health
Usage Monitoring Systems Diagnostic Estimate Using Translational Data,
78
Proceedings of the 13th International Congress on Condition Monitoring and

Diagnostic Engineering Management, Houston, Texas, December 2000.
[10] U. NAVARRENSIS, Vibraciones Mecnicas Mantenimiento Predictivo.,
Departamento de ingeniera mecnica, energtica y de materiales.[En lnea].
<http://www.imem.unavarra.es/EMyV/pdfdoc/vib/vib_predictivo.pdf>. [Citado
en 12 de Febrero de 2015].
[20] X. BASOGAIN OLABE, Resdes neuronales artificiales y aplicaciones,
Departamento de Ingeniera de sistemas y automtica.Escuela Superior de
ingeniera
de
Bilbao.
UPV-EHU.
[En
lnnea]<http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdf> [Citado
en 14 de febrero de 2015].
79
Anexo A. Cdigo Macro Excel Anlisis de Fourier

Sub Insertar_datos()
' Insertar_datos Macro
Range("a2:e1025").Clear
archivo = Range("G1")
Range("A2").Select
With ActiveSheet.QueryTables.Add(Connection:= _
"TEXT;C:\Users\USUARIO\Dropbox\TESIS
RED
NEURONAL
PROGRAMA\TEMPORALES\VIBRATION DATA\" & archivo _
, Destination:=Range("$A$2"))
.Name = archivo
.FieldNames = True
.RowNumbers = False
.FillAdjacentFormulas = False
.PreserveFormatting = True
.RefreshOnFileOpen = False
.RefreshStyle = xlInsertDeleteCells
.SavePassword = False
.SaveData = True
.AdjustColumnWidth = True
.RefreshPeriod = 0
.TextFilePromptOnRefresh = False
.TextFilePlatform = 850
.TextFileStartRow = 1
.TextFileParseType = xlDelimited
.TextFileTextQualifier = xlTextQualifierDoubleQuote
.TextFileConsecutiveDelimiter = False
.TextFileTabDelimiter = True
.TextFileSemicolonDelimiter = False
.TextFileCommaDelimiter = False
.TextFileSpaceDelimiter = False
.TextFileColumnDataTypes = Array(1, 1)
.TextFileTrailingMinusNumbers = True
.Refresh BackgroundQuery:=False
End With
'Range("A1:B1").Select
'Selection.Delete Shift:=xlToLeft
End Sub
Sub FFT()
' FFT Macro
Range("B2:B25").Select
80
VIBRACIONAL\DOCUMENTOS
Selection.Copy
ActiveWindow.SmallScroll Down:=1
Range("B1002").Select
ActiveSheet.Paste
ActiveWindow.SmallScroll Down:=12
Range("A999:A1001").Select
Application.CutCopyMode = False
Selection.AutoFill Destination:=Range("A999:A1025"), Type:=xlFillDefault
'Range("A999:A1025").Select
Range("D2").Select
Application.Run "ATPVBAEN.XLAM!Fourier", ActiveSheet.Range("$B$2:$B$1025") _
, ActiveSheet.Range("$D$2"), False, False
'ActiveWindow.SmallScroll Down:=-15
Range("E2").Select
ActiveCell.FormulaR1C1 = "=(2/1024)*IMABS(RC[-1])"
Range("E2").Select
Selection.AutoFill Destination:=Range("E2:E1025")
'Range("E2:E1025").Select
Range("C2").Select
ActiveCell.FormulaR1C1 = "0"
Range("C3").Select
ActiveCell.FormulaR1C1 = "=1*1000/1024"
Range("C2:C513").Select
Selection.DataSeries Rowcol:=xlColumns, Type:=xlLinear, Date:=xlDay, _
Step:=0.9765625, Stop:=1000, Trend:=False
Range("C3:C513").Select
Range("C3:C513,E3:E1025").Select
Range("E1025").Activate
End Sub
Sub SpectrumVelocityRMS()
' SpectrumVelocityRMS Macro
Application.Run "ATPVBAEN.XLAM!Fourier", ActiveSheet.Range("$O$2:$O$1025") _
, ActiveSheet.Range("$P$2"), False, False
ActiveWindow.SmallScroll ToRight:=2
ActiveWindow.SmallScroll Down:=-1
Range("S2").Select
End Sub
Sub start()
Mdulo1.Insertar_datos
Mdulo1.FFT
Mdulo3.SpectrumVelocityRMS
End Sub
81
Anexo B. Cdigo Macros datos de entrada RNA

Public NomArch As String
Public NumNor As String
Public NumEjem As String
Public NumDes As String
Public NumDesal As String
Public num As Integer
Public ind As Integer
Public indd As Integer
Public ramd As Boolean
Sub insertar(NomArch)
' insertar Macro
ruta = "C:\Users\JUEGOS\Dropbox\TESIS RED NEURONAL ANALISIS VIBRACIONAL\DOCUMENTOS
PROGRAMA\DATOS ENTRADA"
ChDir _
ruta
'abre el archivo que se copiaran los datos
Workbooks.OpenText Filename:= _
ruta & "\" & NomArch _
, Origin:=xlMSDOS, StartRow:=1, DataType:=xlDelimited, TextQualifier:= _
xlDoubleQuote, ConsecutiveDelimiter:=False, Tab:=True, Semicolon:=False, _
Comma:=False, Space:=False, Other:=False, FieldInfo:=Array(Array(1, 1), _
Array(2, 1)), TrailingMinusNumbers:=True
'prepara los datos para copiar
Range("A1:D24").Select
Selection.Delete Shift:=xlUp
Columns("A:A").Select
Selection.Delete Shift:=xlToLeft
'remplaza la coma"," por "." como simbolo decimal
Columns("A:A").Select
Selection.Replace What:=",", Replacement:=".", LookAt:=xlPart, _
SearchOrder:=xlByRows, MatchCase:=False, SearchFormat:=False, _
ReplaceFormat:=False
Selection.NumberFormat = "0.0000000"
End Sub
Sub copy()
' copy Macro
'copia los datos que interesan para cada ejemplo de la red neuronal
'en el archivo llamado "Dat_Entrada RNA.xlsm"
82
Windows(NomArch).Activate
Columns("A:A").copy
Windows("Dat_Entrada RNA.xlsm").Activate
Mdulo1.Secctcells (Mdulo1.num) 'Selecciona la celda correcta para pegar los datos
ActiveSheet.Paste
End Sub
Function Secctcells(num)
'selecciona la selda para pegar los datos
Windows("Dat_Entrada RNA.xlsm").Activate
'Workbooks(1).Worksheets(1).
'Cells(1, num).Select
'Range(Cells(1, num)).Activate
ind = num
indd = 1
Cells(indd, ind).Select
Mdulo1.num = num + 1
End Function
Function Nombre(NumEjem, Caso)
'El valor "caso" toma valores 1= desbalance;2=desalineamiento;3=
' esta funcion construye el nombre del archivo para que excel lo lea
For i = 1 To NumEjem
'clasifica segun sea el caso
Select Case Caso
Case Is = 1
'pruebsa de desbalance7
NomArch = "PDesb (" & i & ").lvm"
Mdulo1.insertar (NomArch) 'Abre un archivo y hace los procedimientos
Mdulo1.copy 'Copia la informacion requerida
Windows(NomArch).Close (False)
Cells(1002, num - 1) = 1
Cells(1003, num - 1) = 0
Cells(1004, num - 1) = 0
Case Is = 2
'pruebas de desalineamiento
NomArch = "PDeslin (" & i & ").lvm"
Cells(1002, num - 1) = 0
Cells(1003, num - 1) = 1
Cells(1004, num - 1) = 0
83
Case Is = 3
'pruebas normales
NomArch = "PNorm (" & i & ").lvm"
Cells(1002, num - 1) = 0
Cells(1003, num - 1) = 0
Cells(1004, num - 1) = 1
Case Else
Caso = MsgBox("El caso al que se refere no es valido", vbCritical, "CASO NO VALIDO")
End Select
Next
End Function
Sub inicio()
UserForm1.Show
Mdulo1.num = 1 'reinicia cuenta de columna de datos
For j = 1 To 3 'evalua los tres casos posibles para generar los nombre
Select Case j
Case Is = 1
'pruebsa de desbalance7
NomArch = Mdulo1.Nombre(Mdulo1.NumDes, j)
Case Is = 2
'pruebas de desalineamiento
NomArch = Mdulo1.Nombre(Mdulo1.NumDesal, j)
Case Is = 3
'pruebas normales
NomArch = Mdulo1.Nombre(Mdulo1.NumNor, j)
Case Else
Caso = MsgBox("El caso al que se refiere no es vlido", vbCritical, "CASO NO VALIDO")
End Select
Next
End Sub
84
85

TESIS RNA Version Final

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TESIS RNA Version Final

Cargado por

Copyright:

Formatos disponibles

CLASIFICACIN AUTOMTICA DE PATRONES DE VIBRACIN MECNICA

EN MQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y

EDWIN GUTIERREZ ARRIETA

UNIVERSIDAD ANTONIO NARIO

CLASIFICACIN AUTOMATICAS DE PATRONES DE VIBRACIN MECNICA

EDWIN GUTIERREZ ARRIETA

Trabajo de grado para optar al ttulo de:

UNIVERSIDAD ANTONIO NARIO

INTRODUCCIN ................................................................................................. 145

PLANTEAMIENTO DEL PROBLEMA ......................................................... 16

OBJETIVOS DEL PROYECTO ................................................................... 18

MANTENIMIENTO PREDICTIVO ............................................................... 19

4.2.1 Clasificacin de las vibraciones ................................................................... 20

ANALISIS DE VIBRACIONES PARA EL MANTENIMIENTO PREDICTIVO

MEDICIN DE LA VIBRACIN .................................................................. 23

4.4.1 CARACTERSTICAS, PARMETROS Y NIVELES DE VIBRACIN .......... 23

FALLAS EN MQUINAS ROTATIVAS ........................................................ 26

4.5.1 Desbalanceo ............................................................................................... 27

MANTENIMIENTO PREDICTIVO BASADO EN REDES NEURONALES ... 32

4.6.1 Red Neuronal Artificial ................................................................................. 32

USO DE REDES NEURONALES EN EL MANTENIMIENTO DE

DESARROLLO METODOLGICO ............................................................. 45

FASE 1- ESTUDIO BIBLIOGRFICO ......................................................... 46

FASE 2- EJECUCIN ................................................................................. 46

5.3.1 Anlisis de los datos adquiridos en el banco ............................................... 47

FASE 3: EXPERIMENTACIN ................................................................... 60

5.4.1 Entrenamiento para la clasificacin de seales vibratorias ......................... 60

FASE 4: ANLISIS Y RESULTADOS ......................................................... 61

5.5.1 Configuracin caso1 entrenamiento: ........................................................... 61

REFERENCIAS BIBLIOGRFICAS ............................................................ 77

Tabla 1. Relacin entre valores o niveles de vibracin .......................................... 26

Figura 1. Clasificacin de la vibraciones mecnicas .............................................. 21

Figura 27. Ingreso de los archivos Input y Target .................................................. 54

RPS: Otra de las unidades de frecuencia. Equivale a 1 Hz (ciclos por segundo).

El mundo empresarial en los ltimos aos se ha desarrollado a un ritmo acelerado,

El anlisis de vibraciones mecnicas se utiliza como una herramienta de monitoreo

El propsito de este proyecto es continuar con la lnea de investigacin desarrollada

Segn las necesidades anteriormente mencionadas se requieren conocer nuevos

avance del desarrollo de un sistema ms robusto en el diagnstico e identificacin

PLANTEAMIENTO DEL PROBLEMA

El anlisis de vibraciones mecnicas es una metodologa utilizada en las rutinas de

La UNIVERSIDAD ANTONIO NARIO Sede Bucaramanga a travs de un proyecto

Debido a la necesidad de seguir avanzando en tecnologa en el anlisis de

En la industria es de vital importancia el estudio y anlisis de las vibraciones

La UNIVERSIDAD ANTONIO NARIO con el fin de avanzar en tecnologa e

Es importante tener en cuenta que la proyeccin del laboratorio de vibraciones sirva

OBJETIVOS DEL PROYECTO

Calcular las caractersticas (RMS, valor pico y energa) en el fenmeno de

Disear una red neuronal artificial basada en una arquitectura tipo

Determinar el comportamiento de las caractersticas (RMS, valor pico y

4.1 MANTENIMIENTO PREDICTIVO

(monitorizacin) de un sistema, que permiten una intervencin correctora inmediata

Evitar, reducir, y en su caso, reparar, las fallos sobre los bienes

4.2 VIBRACIONES MECNICAS

La amplitud desde el punto de vista de las vibraciones es la cantidad de movimiento

4.2.1 Clasificacin de las vibraciones 2

Figura 1. Clasificacin de la vibraciones mecnicas

Fuente: ARDILA, Johan et. Al. Seminario de investigacin en vibraciones torsionales en

El segundo, es el tipo de vibracin, se refiere a como se observa el fenmeno

4.3 ANLISIS DE VIBRACIONES PARA EL MANTENIMIENTO PREDICTIVO

Un cambio en la vibracin bsica de una mquina, suponiendo que est

El anlisis de vibraciones es ampliamente utilizado especialmente en el

NAVARRENSIS, UNIVERSITAS.Vibraciones Mecnicas Mantenimiento Predictivo. Departamento de

Las seales que describen la vibracin se puede representar en dominio de tiempo