Está en la página 1de 7

1

CLASIFICACIÓN AUTOMÁTICA DE
PATRONES DE VIBRACIÓN MECÁNICA EN
MÁQUINAS ROTATIVAS AFECTADA POR
DESBALANCEO Y DESALINEAMIENTO
USANDO REDES NEURONALES
ARTIFICIALES
programa de mantenimiento con el objetivo de proteger los
Abstract— Artificial neural networks (ANN) are efficient equipos y máquinas para aumentar su tiempo de servicio y
computational techniques widely used to solve complex alargar su vida útil.
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
El análisis de vibraciones mecánicas se utiliza como una
herramienta de monitoreo y diagnóstico de fallas, y hace

Edwin Gutierrez*, Alexander Carrillo**


*Universidad Antonio Nariño, edwinmike8a39@hotmail.com ** Universidad Antonio Nariño,
alecarrillo@uan.edu.co

angular misalignment, continuing the line of research developed parte del programa de mantenimiento predictivo; estas
by the University Antonio Nariño in maintenance engineering, técnicas permiten evaluar las condiciones externas de una
exploring the potential procedures for detecting damage using máquina sin necesidad de desarmarla y sin afectar su
neural networks from certain vibrational characteristics of the
rotors. backpropagation neural networks were trained to identify
funcionamiento normal, las señales de vibración se van
and classify the vibrational patterns obtained in several cases of captando en tiempo real con la máquina funcionando de tal
anguar displacement and unbalance causing by different forma que se pueda predecir a través del monitoreo
eccentric masses. The data needed to train networks were cuando esta va a fallar, logrando así grandes ventajas en
obtained by the test and PROVIDES made in LabView software. la competitividad de las empresas.
The results showed that these parameters and artificial neural
networks can be used as a tool in identifying problems present El propósito de este proyecto es continuar con la línea
in rotating machines. de investigación desarrollada por la universidad Antonio
keywords— Artificial Neural Networks (ANN), Mechanical Mariño, para crear soluciones inteligentes y eficaces, que
Vibrations, Predictive Maintenance, unbalance, misalignment. informen al usuario el estado de las máquinas para así
minimizar costos de mantenimiento correctivo e evitar
Resumen— Las redes neuronales artificiales (RNA) son paradas imprevistas que afectan el buen funcionamiento
eficientes técnicas computacionales, usadas ampliamente para del proceso productivo de la empresa.
solucionar problemas complejos en muchos campos del
conocimiento. En este proyecto fueron usadas las redes Según las necesidades anteriormente mencionadas se
neuronales backpropagation para identificar dos problemas requieren conocer nuevos sistemas de análisis de la señal
presentes en las máquinas rotativas, los cuales son el
desbalance y el desalineamiento angular, continuando así, la vibratoria que ofrezcan mayor información en el
línea de investigación desarrollada por la universidad Antonio procesamiento de la señal para obtener diagnósticos
Nariño en ingeniería de mantenimiento, explorando el potencial precisos del estado actual de equipos y máquinas que
de los procedimientos para la detección de daño usando redes tengan elementos rotativos. Unas de esas técnicas de
neuronales a partir de ciertas características vibracionales de análisis son las redes neuronales artificiales (RNA) que
los sistemas rotativos. Se entrenaron redes neuronales han demostrado ser de gran utilidad en la solución de
backpropagation para identificar y clasificar los patrones muchos problemas complejos, en este trabajo se estudia y
vibracionales obtenidos en varios casos de desplazamiento
se implementan redes neuronales backpropagation como
anguar vertical y desbalance causando por diferentes masas
excéntricas. Los datos necesarios para el entrenamiento de las un paso inicial en el avance del desarrollo de un sistema
redes fueron obtenidos mediante el banco de pruebas y el más robusto en el diagnóstico e identificación temprana de
software PROVIDES realizado en LabView. Los resultados fallas en máquinas rotativas.
demostraron que esos parámetros y las redes neuronales
artificiales pueden ser usados como una herramienta en la
identificación de problemas presentes en las máquinas
rotativas. II. VIBRACIONES MECÁNICAS
En términos simples, una vibración es un movimiento
Palabras clave— RNA Redes Neuronales Artificiales,
Vibraciones Mecánicas, Mantenimiento Predictivo, Desbalance,
oscilatorio de pequeña amplitud, todos los cuerpos
Desalineamiento presentan una señal de vibración en la cual se plasman
algunas de sus características. De acuerdo a esto, las
máquinas presentan su propia señal de vibración y en ella
se encuentra la información de cada uno de sus
I. INTRODUCCIÓN componentes relacionados con el movimiento, como son:
l mundo empresarial en los últimos años se ha rotores, ejes y cojinetes. Por tanto, la señal de vibración

E desarrollado a un ritmo acelerado, influenciado por la


competitividad, esto hace importante implementar un
capturada de una máquina significa la suma vectorial de la
vibración de cada uno de sus componentes. La base
2

principal de las señales de vibración en el dominio del


tiempo son las ondas sinusoidales, este tipo de ondas son
las más simples y son la representación 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 posición neutral. La amplitud se mide
generalmente en valores pico-pico para desplazamiento y
valores cero-pico y RMS para velocidad y aceleración. Fig. 3: Desalineamiento paralelo

III. FALLAS EN MÁQUINAS ROTATIVAS


El principal objetivo de la aplicación de prácticas
proactivas de mantenimiento está 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 análisis de las causas
raíces de falla de los equipos. Atendiendo estas causas, se
podrán ir eliminando los modos de falla, aumentando la
vida útil y disminuyendo costos de mantenimiento sobre Fig. 4: Desalineamiento angular
los equipos.

A.Desbalanceo IV. REDES NEURONALES ARTIFICIALES


Las redes neuronales artificiales (RNA) son una
Fenómeno presentado cuando se crea una fuerza por un representación del cerebro humano que intenta simular su
cuerpo que se encuentra en rotación debido la proceso de aprendizaje. El término artificial indica que las
excentricidad de su centro de masa respecto al eje de redes neuronales se implementan en un ordenador capaz
rotación. Este tipo de falla presenta unas características en de realizar el gran número de operaciones que conlleva el
el análisis de vibraciones que permiten su identificación. proceso de aprendizaje [1].
De manera genérica se sabe que se presenta al 1X y
describe un movimiento sinusoidal.

Fig. 1: Desbalanceo estático

Fig. 4: Estructura general de una neurona biológica

Las neuronas biológicas (Fig. 4) se caracterizan por su


capacidad de comunicarse. Las dendritas y el cuerpo
celular de la neurona reciben señales de entradas
excitatorias e inhibitorias de las neuronas vecinas; el
cuerpo celular las combina e integra y emite señales de
salida. El axón transporta esas señales a los terminales
axónicos, que se encargan de distribuir información a un
Fig. 2: Desbalanceo dinámico nuevo conjunto de neuronas. Por lo general, una neurona
recibe información de miles de otras neuronas y, a su vez,
envía información a miles de neuronas más.
B.Desalineamiento
La falta de colinealidad entre ejes acoplados induce Por su parte, la neurona artificial pretende mimetizar las
fuerzas tanto en dirección radial como en dirección axial, características más importantes de la neurona biológica.
aun cuando se empleen acoples flexibles provocando altas En general, recibe las señales de entrada de las neuronas
vibraciones en ambas direcciones. La amplitud de la vecinas ponderadas por los pesos de las conexiones. La
vibración depende de la gravedad del desalineamiento y se suma de estas señales ponderadas proporciona la entrada
presenta a frecuencias de 1X, 2X y 3X en los casos donde total o neta de la neurona y, mediante la aplicación de una
el grado de desalineación es severo. Genéricamente se función matemática denominada función de salida, sobre
sospecha de problemas de desalineamiento cuando la la entrada neta, se calcula un valor de salida, el cual es
amplitud de la vibración en dirección axial es mayor que la enviado a otras neuronas (Fig. 4). Tanto los valores de
mitad (1/2) de la medición más alta hecha en dirección entrada a la neurona como su salida pueden ser señales
radial. excitatorias (cuando el valor es positivo) o inhibitorias
(cuando el valor es negativo) [2].
3

• Redes mono capa: son aquellas compuestas por una


única 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 información
circula en un único sentido desde las neuronas de entrada
a las de salida
• Redes recurrentes o realimentadas (feedback): la
información puede circular entre las capas en cualquier
sentido.

Fig. 5: Funcionamiento general de una neurona artificial

Las partes que constituyen la neurona artificial (Fig. 5) son


las siguientes:

• Vector de entradas: formado por la señal de excitación.


• Pesos sinápticos: Indican el grado de intensidad o
excitación de las neuronas presinápticas ‘i’ en su
interacción con la neurona post-sináptica ‘j’, se representan Fig. 6: Esquema del modelo organizado de la neuronas artificiales
como ‘wij’.
• Regla de propagación: Determinan el valor del potencial B.Red Neuronal Backpropagation
postsináptico, en función de las señales de entrada y de
los pesos. La red Backpropagation es una red de aprendizaje
• Función de activación o función de transferencia: supervisado en dos fases. En la primera fase se propaga
Establece el grado de activación de cada neurona en un estímulo desde la primera capa hasta la salida. La
función del estado anterior y del potencial postsináptico diferencia entre la salida obtenida y la salida deseada es el
actual y establece el valor de la señal de salida (excepto en error. En la segunda fase se hace una propagación hacia
algunos casos como la máquina de Boltzmann donde a atrás del error partiendo de la capa de salida hasta la capa
esta función se le aplica otra función estocástica). de entrada. Este proceso se repite hasta que se alcance el
grado de aproximación deseado.
A.Arquitecturas

Se denomina arquitectura a la topología, estructura o


patrón de conexionado de una red neuronal. En una red
neuronal los nodos se conectan por medio de sinapsis,
esta estructura de conexiones sinápticas 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 más
capas constituye la red neuronal.

Se distinguen tres tipos de capas:


Fig. 7: Neuronas tipo backpropagation
• De entrada: Una capa de entrada o sensorial es
Ese tipo de neuronas es la generalización de la regla de
compuesta por neuronas que reciben datos o señales
aprendizaje Widrow-Hoff para redes de varias capas y
precedentes del entorno.
funciones de transferencia no lineales. Los vectores de
• Oculta: Es aquella que no tiene conexión directa con
entrada y sus correspondientes detectores de salida son
el entorno.
usados para entrenar este tipo de redes hasta que puedan
• Salida: Es aquella cuyas neuronas proporcionan la
aproximar una función, asociar vectores de entrada con
respuesta de la red neuronal.
vectores de salida, o clasificar vectores de entrada en una
forma apropiada definida por usted. Las redes con sesgos,
Las conexiones entre las neuronas pueden ser ex
capas sigmoidales, y una tapada de salida lineal son
citatorias o inhibitorias: un peso sináptico negativo define
capaces de aproximar cualquier función con un número
una conexión inhibitoria, mientras que uno positivo
finito de discontinuidades.
determina una conexión excitatoria. Las conexiones intra-
capa, también denominadas laterales, tienen lugar entre
Las redes estándar de ese tipo tienen un algoritmo de
las neuronas pertenecientes a una misma capa, mientras
gradiente descendiente, así como en la regla de
que las conexiones inter-capa se produce entre las
entrenamiento Widrow-Huff, en la cual los presos de la red
neuronas de las diferentes capas. Existen además
son movidos a través del gradiente negativo de la función.
conexiones realimentadas, que tienen un sentido contrario
El término de propagación hacia atrás, Backpropagation en
al de entrada-salida. En algunos casos puede existir
inglés, se refiere a la manera en el que el gradiente se
realimentación incluso de una neurona consigo misma.
computa por las redes no lineales multicapa. Hay un
número de variaciones en el algoritmo básico que se
Atendiendo a todos estos conceptos, se puede
basan en otras técnicas de optimización estándar así como
establecer distintos tipos de arquitecturas neuronales:
el gradiente conjugado y los métodos de Newton.
4

Cuando las redes de propagación hacia atrás están bien


entrenadas tienden a dar respuestas razonables cuando se
enfrentan a entradas que nunca han visto. Típicamente,
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 generalización
hace posible entrenar redes con un número representativo
de entrada y salida y obtener buenos resultados sin
entrenar la red con todas las entradas o salidas posibles.

Fig. 10: Espectro del banco normal a 1200 rpm


V. EXPERIMENTACIÓN
Se realizó la adquisición de datos de la vibración Prueba de desalineamiento con una inclinación de 1.5° a
causada por el efecto del desbalance y el efecto de 720 rpm
desalineamiento angular en el banco de pruebas (Fig. 8)
existente en la UNIVERSIDAD ANTONIO NARIÑO SEDE
BUCARAMANGA para el respectivo procesamiento de la
señal y análisis de vibraciones.

Fig. 11: Oscilograma de desalineamiento angular 1.5° a 720 rpm

Fig. 8: Banco de pruebas para análisis de vibraciones mecánicas

A través del programa PROVIDES desarrollado en


software de LabView [3], se tomaron cinco muestras de
cada una de las siguientes velocidades de rotación 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 3) consta de 1000
Fig. 12: .Espectro de desalineamiento angular 1.5° a 720 rpm
datos en un tiempo de muestreo de 1 segundo.

A. Análisis de los datos adquiridos en el banco Prueba de desbalanceo 1 disco y una masa de 20 gramos
Se elaborara un reconocimiento de patrones
representativos de los rasgos característicos de las fallas
ocasionadas por desbalance y desalineamiento con la
ayuda de una macro realizada en Excel para el análisis de
Fourier (FFT Transforma da rápida de Fourier).

Prueba Normal sin defecto introducido a 120 rpm

Fig. 13: Oscilograma banco con desbalance a 3000 rpm

Fig. 9: Oscilograma del banco normal a 1200 rpm

Fig. 14: Espectro banco con desbalance a 3000 rpm

VI. CREACIÓN DE LA RED NEURONAL

La red neuronal se creó Mediante el software MatLab


R2011 usando la herramienta de Neuronal Network.
5

Fig. 16: Red neuronal artificial, dos capas oculta de [243, 27]
neuronas

Después de al menos 15 reentrenamiento y dos reinicios


de pesos se obtuvo un porcentaje de acierto de 98%. Las
siguientes imágenes muestran el performance de la red y
Fig. 15: Arreglo usado en la Red Neuronal Artificial las matrices de confusión para el entrenamiento,
validación, test y completo.
A. 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 permitirán el entrenamiento, validación
y test de la red neuronal backpropagation para el
reconocimiento y clasificación de la señal vibratoria de
fallos por desbalance, desalineamiento y normales (sin
fallas).

El toolbox Neuronal Network Backpropagation, requiere


que los datos de entrada (impust) se organicen como un
arreglo N_ejem X N_elem (N_ejem = Número de ejemplos,
N_elem=Número 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).
Fig. 17: Desempeño de entrenamiento de la red neuronal artificial
B. 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 el
caso en particular que queremos que la red neuronal
backpropagation clasifique entre señales de desbalance,
desalineamiento y normales (sin falla). La afirmación
anterior da como resultado que los targets sean un arreglo
de 3xN_ejem, donde esta será la capa de salidas, que
constar de 3 neuronas las cuales tomaran valores 0 o 1, la
Figura 3 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 índice 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 señales
sin falla (normales).

C. Configuración del entrenamiento

• Datos de entrada”Dat_Inpusts”: 101 ejemplos


1000x101 ordenados por tipo de falla.
Fig. 18: Confusión de entrenamiento de la red neuronal artificial
• Datos de salida “Dat_targets”: 101 ejemplos 3x101
ordenados según inputs
• Función de entrenamiento: trancgp. D.Test de validación
• Red de una sola capa oculta: [243, 27] neuronas de
dos capas oculta, primera capa 243 neuronas, Se verifica la última red neuronal artificial, el caso 4 en
segunda capa 27 neuronas, 1000 entradas, 3 salidas. donde se obtuvo un porcentaje de acierto del 98%. El test
se realizara con los mismos datos pero entregándoselos a
la red RNA por grupos separados según la falla y por
ultimo un test con 12 ejemplos de cada una de las fallas.

TABLA I.
6

NOMBRE DE LOS ARCHIVOS UTILIZADOS EN EL TEST DE


• Se muestra claramente que una red neuronal de dos
VALIDACIÓN
capas ocultas es más poderosa al distinguir las diferencias
en los patrones de una huella vibratoria.
Datos de entrada Inputs Datos de Salida Target
Desb_Input [1000x50] Desb_Target [3x50] • Para obtener mejores resultados en el entrenamiento
Desal_Input [1000x12] Desal_Target [3x12] es necesario más ejemplos con muchas diversas
Norm_Input [1000x39] Norma_Target [3x39] configuraciones para que de este modo se logre obtener
12_Input [1000x36] 12_TargetV [3x36]
una red neuronal bien entrenada

Para realizar los test se creó un script el cual contiene


todos los procedimientos que permiten utilizar la VII. CONCLUSIONES
información de la red RNA entrenada para la clasificación La huella vibratoria de una máquina es un referente para
de fallas en señales vibratorias. Se carga el archivo identificar fallas y problemas en los equipos.
RNAVibraAnalisi_caso4.mat en el workspace y luego
abrimos el archivo RNAVibraAnalisi_TEST.m; Se le da La metodología desarrollada demostró que es posible
correr (RUN) el script y este solicitara en primer lugar que diseñar un sistema experto, a través de una red neuronal
le indiquemos los datos de entrada Inputs, y backpropagation, para analizar y vincular las vibraciones
posteriormente los datos de salida Target luego de esto en un eje rotodinámico con dos casos de estudio definidos.
entrega una matriz de confusión la cual mostrara el
porcentaje de acierto y el porcentaje de error. Es posible utilizar la vibración medida, en un equipo, a
través de acelerómetros e interpretada por redes
E. Resultados del Test neuronales backpropagation para ajustar un plan de
mantenimiento y de esta manera optimizar los costos;
La muestra la matriz de confusión para cada uno de los además de evitar paros repentinos del proceso de
test propuestos, en ellos podemos observar que para el producción.
caso de desbalance con 50 ejemplos la red RNA clasifico
a 49 como desbalance y 1 como desalineamiento Las redes neuronales backpropagation son algoritmos
obteniendo un 98% de acierto; para los 12 ejemplos de matemáticos que permiten establecer relaciones entre
desalineamiento la red RNA afirmo que 12 eran en verdad variables que de otra manera serían difíciles de identificar.
desalineamiento y 1 que era desbalance para optar con un
97.7% de acierto; Para los 39 ejemplos de señales que no La frecuencia natural y la velocidad crítica son variables
presentan fallas la red las clasifico 100% acertadas que permiten predecir condiciones de operación no
colocando los 39 ejemplos en el cuadro que representan a deseadas en los equipos.
los ejemplos sin fallos.
Las gráficas características obtenidas a partir del
proceso experimental son una referencia para determinar
si un elemento mecánico posee una falla.

La RNA demostró que es capaz de identificar los


parámetros asociados a la vibración con un error de
dispersión de 0.001%, de acuerdo a esto sería posible
ajustar los tiempos en que el eje requeriría de operaciones
preventivas para continuar con un desempeño consistente.

El uso de métodos de redes neuronales ckpropagation


provee nuevas herramientas que permiten hacer confiables
análisis complejos, como los vinculados al mantenimiento
predictivo.

La capacidad para cualquier sistema de diagnóstico


fallos por medio de vibración para tomar decisiones
correctas está directamente ligado a la calidad de las
señales tomadas por los sensores y de la misma forma a
la resolución de la tarjeta de adquisición de datos
necesaria para que los datos muestreados sean de
calidad, debido a las limitaciones del banco en este
proyecto los valores óptimos no fueron alcanzados, sin
embargo, es de notarse que los principios utilizados en el
análisis de fallas de las máquinas rotativas tienen validez
suficiente para considerarse en un proceso industrial.

REFERENCIAS
Fig. 19: Matriz de confusión validación de la RNA
[1] J. E. CACERES EGEA y DIAZ SIERRA, Julio Alberto,
Implementación de un banco de pruebas para análisis de
Para el último test en donde se tomaron 12 ejemplos de vibraciones mecánicas en maquinaria rotativa afectada por
desbalance, 12 de desalineamiento, y 12 sin fallas, se desbalanceo, Trabajo de grado Ingeniero Electromecánico.
observa que la red clasifico un ejemplo de Bucaramanga: Universidad Antonio Nariño. Facultad de
desalineamiento como desbalance, que resulta de acuerdo Ingeniería Electromecánica. 2012. 197 p..
con el test de los 12 ejemplos de desalineamiento, este [2] J. L. SILVA REYES, Implementación de análisis de fase en el
solo error produjo un error global del 97.2%.Este resultado banco de pruebas para el análisis de vibraciones mecánicas en
maquinaria rotativa afectada por desbalanceo, Trabajo de grado
permite concluir lo siguiente:
7

Ingeniero Electromecánico. Bucaramanga: Universidad Antonio [En


Nariño. Facultad de Ingeniería Electromecánica. 2013. 117 p.. línnea]<http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E
[3] C. E. GONZALEZ GONZALEZ y W. PEDRAZA FLOREZ, .pdf> [Citado en 14 de febrero de 2015].
Algoritmo en Matlab para la detección de desbalanceo en [21] G. A. ARANGO FLOREZ, Clasificación de fallas en motores
equipos rotativos usando la Transformada de Wavelet, Trabajo eléctricos utilizando señales de vibración, Trabajo de grado título
de grado Ingeniero Electromecánico. Bucaramanga: Universidad de Magister en Ingeniería Electríca. Universidad Tecnologica de
Antonio Nariño. Facultad de Ingeniería Electromecánica. 2013. Pereire. 2007. 91 p.
140 p. [22] Curso de análisis de vibraciones, [En
[4] N. E. HIGUERA, O. SILVA ROMERO y RUEDA PATIÑO, Jairo línea].<www.sinais.es/Recursos/Curso-
Humberto, Extracción de características representativas vibraciones/fundamentos/transformada_fourier.html> [Citado en
respecto al fenómeno de desbalanceo y des-alineamiento 15 de febrero de 2015].
angular utilizando la Transformada Wavelet, Trabajo de grado
Ingeniero Electromecánico. Bucaramanga: Universidad Antonio
Nariño. Facultad de Ingeniería Electromecánica. 2014. 164 p.
[5] O. GIL LEON y PIMIENTO RODRIGUEZ, Edinson Javier,
Obtención de características de patrones de desbalanceo y
desalineamiento angular en una máquina rotativa, utilizando
Transformada Wavelet y la técnica de enventanado, aplicada a
registros obtenidos a partir del sensado de vibraciones
mecánicas en un ban, Trabajo de grado Ingeniero
Electromecánico. Bucaramanga: Universidad Antonio Nariño.
Facultad de Ingeniería Electromecánica. 2042. 146 p..
[6] G. WHITE, Introducción al análisis de vibraciones., Azima DLI.
2010. 148 p.
[7] J. M. SOTOS, Aplicación de redes neuronales artificiales en el
procesado versátil de señales electroardiográficas, Trabajo de
grado Ingeniero Electrónico. España: Universidad Politécnica de
Valencia. Deparatamento de ingeniería electronica. 2012. 251 p..
[8] J. SANZ CORRETGE, Diagnosis de modos de fallo en
máquinas rotativas mediante técnicas basadas en redes
neuronales artificiales y en la transformación con ondículas,
Tesis Doctoral. Madrid, España: Universidad Nacional de
Educación a Distancia. Escuela Técnica Superior de Ingenieros
Industriales. 2007. 185 p.
[9] A. PALMER POL y MONTAÑO MORENO, J.J, ¿ Qué son las
redes neuronales artificales? Aplicaciones realizadas en el
ámbito de las adicciones, EN: ADICCIONES. 1999, Vol. 11 No.
3, p. 243-255.
[10] U. NAVARRENSIS, Vibraciones Mecánicas Mantenimiento
Predictivo., Departamento de ingeniería mecánica, energética y
de materiales.[En línea].
<http://www.imem.unavarra.es/EMyV/pdfdoc/vib/vib_predictivo.p
df>. [Citado en 12 de Febrero de 2015].
[11] M. B. MUÑOZ ABELLA, MANTENIMIENTO INDUSTRIAL.,
Universidad Carlos III de Madrid. Área de Ingeniería Mecánica.
[En línea]. <http://ocw.uc3m.es/ingenieria-mecanica/teoria-de-
maquinas/lecturas/MantenimientoIndustrial.pdf> [Citado en 12
de Febrero de 2015].
[12] J. A. MUNEVAR y CANAL, Andrés Iván, Diseño y simulación de
un sistema de diagnóstico de fallas para máquinas rotativas.,
Trabajo de grado Ingeniero Mecatrónico. Bogotá D.C.:
Universidad de San Buenaventura. 2010. 167 p..
[13] C. MOLINA VICUÑA y P. GONZALEZ PEDRO, La evolución y
perspectivas del mantenimiento predictivo proactivo en la
insdustria., En: VI CONGRESO PANAMERICANO DE
INGENIERÍA DE MANTENIMIENTO.( Septiembre: 2004) p. 23-
24.
[14] J. R. HILERA GONZALEZ y V. J. MARTINEZ HERNANDO,
Resdes neuronales artificales, ADDISON-WESLEY-
IBEROAMERICANA.
[15] P. E. GARDEL SOTOMAYOR, Aportaciones al mantenimiento
predictivo de motores de inducción mediante una metodología de
diagnóstico basada en el uso combinado de técnicas
estadísticas y Redes Neuronales Artificiales, Tesis doctoral.
España: Universidad de Valladoli. Escuela de ingenierías
industriales. Departamento de ingeniería eléctrica..
[16] P. J. Dempsey, comparison of Vibration and Oil Debris Gear
Damage Detection Method Applied to Pitting Damage, NASA
TM-210371, December 2000.
[17] A. I. CUC, Vibration-based techniques for damage detection and
health monitoring of mechanical systems, Politehnica University
of Timisoara, 1996.
[18] R. L. CAMPBELL, C. S. BYINGTON y M. S. LEBOLD,
Generation of Health Usage Monitoring Systems Diagnostic
Estimate Using Translational Data, Proceedings of the 13th
International Congress on Condition Monitoring and Diagnostic
Engineering Management, Houston, Texas, December 2000.
[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.
[20] X. BASOGAIN OLABE, Resdes neuronales artificiales y
aplicaciones, Departamento de Ingeniería de sistemas y
automática.Escuela Superior de ingeniería de Bilbao. UPV-EHU.