Valles NRI

Detección de barras rotas
en motores de inducción
tipo jaula de ardilla por
medio de MCSA y EMD
Por:
Ing. Ricardo Iván Vallés Novo
Tesis sometida como requisito parcial para
obtener el grado de
MAESTRO EN CIENCIAS DE LA
ELECTRÓNICA
en el
Instituto Nacional de Astrofı́sica,
Óptica y Electrónica
Noviembre 2014
Tonantzintla, Puebla.
Supervisada por:
Dr. José de Jesús Rangel Magdaleno
c
INAOE 2014
El autor otorga al INAOE el permiso de
reproducir y distribuir copias en su totalidad o
en partes de esta tesis
ii
RESUMEN
En el presente trabajo se estudia el desarrollo de una metodologı́a que, ba-

sada en Motor Current Signature Analysis (MCSA) y la Descomposición Modal
Empı́rica (EMD), detecta de manera eficiente daño en el rotor de un motor tipo
jaula de ardilla, especı́ficamente, la fisura o ruptura total de una de las barras que
lo forman. La metodologı́a propuesta se divide en 2 partes principales: La EMD
de la señal de corriente obtenida de una fase del estator del motor y el desarrollo
de un clasificador capaz de discernir entre una corriente proveniente de un motor
dañado o un motor en buen estado. También se presenta la descripción en Hard-
ware Description Language (HDL) de la EMD y su implementación en un Field
Programable Gate Array (FPGA).
iii
iv
Abstract
In this paper, the development of a methodology based on Motor Current

Signature Analysis and Empirical Modal Decomposition (EMD) wich efficiently
detects damage to the rotor of a squirrel cage motor type is presented. Specifically,
crack or complete rupture of one of the rotor’s bars can be detected. The propo-
sed methodology is divided into 2 main parts: The EMD of the current signal
obtained from a phase of the motor stator and the development of a classifier able
to discern between a current from a damaged motor or a motor in good condi-
tion. The description in Hardware Description Language (HDL) of EMD and its
implementation on a Field Programmable Gate Array (FPGA) is also presented.
v
vi
Agradecimientos
A la Dra. Guadalupe Novo, mi madre, por todo su apoyo incondicional.
Al Dr. José Rangel, por dirigir el trabajo de tesis y el presente documento,

a los doctores Juan Ramı́rez, Jorge Martı́nez y Estaban Tlelo por sus valiosas
revisiones.
Al Dr. Arturo Sarmiento, por aceptarme como residente y como alumno de

maestrı́a, y a todo el personal docente y administrativo del INAOE, por sus en-
señanzas y apoyo.
Finalmente, a CONACYyT, por la beca con la que me apoyaron económica-

mente para realizar mis estudios de maestrı́a, y a todos los contribuyentes de esta
nación.
vii
viii
ÍNDICE GENERAL
Resumen III
Índice general XI
Índice de figuras XV
Índice de tablas XVII
1. Detección de fallas en motores de inducción 1

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Marco Teórico 7
2.1. El Motor Ası́ncrono tipo jaula de ardilla . . . . . . . . . . . . . . 8
2.2. Estado del arte en detección de fallas en motores ası́ncronos . . . 9
2.3. Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4. Descomposición Modal Empı́rica . . . . . . . . . . . . . . . . . . . 18
2.4.1. Intrinsic Mode Function . . . . . . . . . . . . . . . . . . . 19
2.4.2. El sifting process . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.3. Criterio de paro . . . . . . . . . . . . . . . . . . . . . . . . 26
ix
x Índice general
3. Metodologı́a Propuesta 33
3.1. Adquisición de datos . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2. Muestras entre Cruce por Cero . . . . . . . . . . . . . . . . . . . 35
3.3. Tiempo entre Cruces por Cero Sucesivos . . . . . . . . . . . . . . 37
3.4. EMD de la corriente de un motor . . . . . . . . . . . . . . . . . . 38
3.5. Clasificación basada en la Mediana . . . . . . . . . . . . . . . . . 39
3.6. Criterio de clasificación basado en los TSZC . . . . . . . . . . . . 42
3.6.1. Detección de fallas en transitorio . . . . . . . . . . . . . . 43
3.6.2. Detección de fallas en estado estable . . . . . . . . . . . . 45
4. Pruebas Experimentales y Resultados 49

4.1. Resultados de clasificación en base a la mediana . . . . . . . . . . 50
4.1.1. Detección de fallas en transitorio . . . . . . . . . . . . . . 50
4.1.2. Detección de fallas en estado estable . . . . . . . . . . . . 53
4.2. Resultados de clasificación en base a SBZC y TSZC . . . . . . . . 54
4.2.1. Detección de fallas en transitorio a 3/4 de carga . . . . . . 55
4.2.2. Detección de fallas en transitorio a 1/2 carga . . . . . . . . 56
4.2.3. Detección de fallas en estado estable a 3/4 de carga . . . . 57
4.2.4. Detección de fallas en estado estable a 1/2 carga . . . . . . 59
4.3. Sumario de resultados . . . . . . . . . . . . . . . . . . . . . . . . 61
5. Implementación de la EMD en VHDL 63

5.1. EMD en HDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1.1. Bloque: Banco de Memorias . . . . . . . . . . . . . . . . . 64
5.1.2. Bloque: Combinacional . . . . . . . . . . . . . . . . . . . . 66
5.1.3. Bloque: Residuo . . . . . . . . . . . . . . . . . . . . . . . . 69
5.1.4. Bloque: Proceso Iterativo . . . . . . . . . . . . . . . . . . . 70
5.1.5. Bloque: Control Principal . . . . . . . . . . . . . . . . . . 77
5.2. Resultados obtenidos: Implementación en FPGA . . . . . . . . . . 80
5.3. Recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6. Conclusiones y trabajo futuro 85

6.1. Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.1.1. Trabajo futuro: Detección de barras de rotor dañadas con
MCSA y EMD . . . . . . . . . . . . . . . . . . . . . . . . 86
6.1.2. Trabajo futuro: Implementación de EMD en FPGA . . . . 86
6.2. Publicaciones realizadas a partir de este trabajo de tesis . . . . . 87
Índice general xi
A. Apéndice A 89
B. Apéndice B 97
C. Apéndice C 111
Referencias 117
xii Índice general
ÍNDICE DE FIGURAS
1.1. Clasificación de Motores Eléctricos . . . . . . . . . . . . . . . . . 2

1.2. Motor ası́ncrono tipo jaula de ardilla. . . . . . . . . . . . . . . . . 3
1.3. Rotor con barras rotas . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1. Corte de un motor jaula de ardilla . . . . . . . . . . . . . . . . . . 8

2.2. Ejemplo del funcionamiento del motor ası́ncrono . . . . . . . . . . 9
2.3. Espectro de frecuencia de un motor en buen estado y uno dañado 11
2.4. Splines de orden cero . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5. Splines de primer orden . . . . . . . . . . . . . . . . . . . . . . . 13
2.6. Señal que cumple las condiciones de una IMF . . . . . . . . . . . 20
2.7. Primeros pasos para descomponer una señal en IMFs . . . . . . . 23
2.8. Sifting process repetido dos y tres veces . . . . . . . . . . . . . . . 24
2.9. Señal resultante después de nueve siftings . . . . . . . . . . . . . 25
2.10. Envolventes de diferente longitud . . . . . . . . . . . . . . . . . . 27
2.11. Diferentes formas de tratar con los efectos de borde . . . . . . . . 28
2.12. Una envolvente que no cubre todos los datos . . . . . . . . . . . . 29
3.1. Amperimetro Fluke i200s . . . . . . . . . . . . . . . . . . . . . . . 34

3.2. Acople Motor-Alternador-Carga . . . . . . . . . . . . . . . . . . . 35
3.3. Rotor con dos diferentes niveles de perforación. . . . . . . . . . . 36
3.4. Sistema de adquisición de datos . . . . . . . . . . . . . . . . . . . 37
3.5. Chirp con SBZC y TSZC marcados . . . . . . . . . . . . . . . . . 38
3.6. Corriente capturada de un motor en buen estado . . . . . . . . . . 39
xiii
xiv Índice de figuras
3.7. EMD de la corriente de la Figura 3.6 . . . . . . . . . . . . . . . . 40

3.8. Metodologı́a basada en la mediana . . . . . . . . . . . . . . . . . 42
3.9. Metodologı́a basada en los SBZC y TSZC . . . . . . . . . . . . . 43
3.10. Suma de IMF2 e IMF3 de motor en buen estado y dañado . . . . 45
3.11. SBZC de IMF2+IMF3 de un motor en buen estado y de un motor
con una barra rota . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.12. Suma de IMF3 e IMF4 de un motor en buen estado y uno dañado 47
3.13. SBZC de IMF3+IMF4 de un motor en buen estado y de un motor
con una barra rota . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1. Evaluación criterio de la mediana, transitorio a 3/4 de carga . . . 50

4.2. Cruces por cero criterio de la mediana . . . . . . . . . . . . . . . 51
4.3. PDF criterio de la mediana, transitorio, 3/4 de carga . . . . . . . 52
4.4. Evaluación criterio de la mediana, estado estable a 3/4 de carga . 52
4.5. Cruces por cero criterio de la mediana, estado estable, 3/4 de carga 53
4.6. PDF criterio de la mediana, estado estable, 3/4 de carga . . . . . 54
4.7. Resultado de análisis criterio SBZC y TSZC, transitorio a 3/4 de
carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.8. PDF criterio SBZC y TSZC, transitorio, 3/4 de carga . . . . . . . 56
4.9. Resultado de análisis criterio SBZC y TSZC, transitorio a 1/2 de
carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.10. PDF criterio SBZC y TSZC, transitorio, 1/2 de carga . . . . . . . 58
4.11. Resultado de análisis criterio SBZC y TSZC, estado estable a 3/4
de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.12. PDF criterio SBZC y TSZC, estado estable, 3/4 de carga . . . . . 60
4.13. Resultado de análisis criterio SBZC y TSZC, estado estable a 1/2
de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.14. PDF criterio SBZC y TSZC, estado estable, 1/2 de carga . . . . . 61
5.1. EMD en FPGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

5.2. Bloque: Banco de Memorias . . . . . . . . . . . . . . . . . . . . . 66
5.3. Bloque: Combinacional . . . . . . . . . . . . . . . . . . . . . . . . 67
5.4. Bloque: Residuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.5. Bloque: Proceso Iterativo . . . . . . . . . . . . . . . . . . . . . . . 71
5.6. Composición del sub-bloque Busca Ma Mi . . . . . . . . . . . . . 72
5.7. Sub-bloque: Splin MIN . . . . . . . . . . . . . . . . . . . . . . . . 74
Índice de figuras xv
5.8. Sub-bloque: Critero de Paro & IMF . . . . . . . . . . . . . . . . . 76

5.9. Bloque: Control Principal. Diagrama de flujo para la obtención de
la primer IMF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.10. Bloque: Control principal. Diagrama de flujo para la obtención de
la segunda IMF . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.11. Comparación entre una IMF1 obtenida en el FPGA y una IMF1
obtenida en Matlab. Ambas IMFs provienen de la misma corriente. 80
C.1. Centro de Maquı́nado CNC. El rotor esta sujeto firmemente y próxi-

mo a ser perforado en una de sus barras. . . . . . . . . . . . . . . 112
C.2. Rotor sujeto en el área de trabajo del centro de maquinado CNC. 113
C.3. Proceso de perforación. . . . . . . . . . . . . . . . . . . . . . . . . 114
C.4. Vista ampliada de la perforación a 5 mm de profundidad. . . . . 114
C.5. Perforación de 5mm. . . . . . . . . . . . . . . . . . . . . . . . . . 115
C.6. Perforación de 5mm. . . . . . . . . . . . . . . . . . . . . . . . . . 115
xvi Índice de figuras
ÍNDICE DE TABLAS
3.1. Criterio de Clasificación con la Mediana, Transitorio . . . . . . . . 41

3.2. Criterio de Clasificación con la Mediana, Estado Estable . . . . . 41
4.1. Resultados de pruebas individuales BE vs 5mm . . . . . . . . . . 61

4.2. Resultados de pruebas individuales BE vs Barra Rota . . . . . . . 62
4.3. Resultados de pruebas individuales BE vs Barra Rota . . . . . . . 62
5.1. Uso de recursos, EMD implementada en Xilinx Spartan-6 . . . . . 83

5.2. Uso de recursos, EMD implementada en Xilinx Virtex-7 . . . . . . 83
xvii
xviii Índice de Tablas
CAPÍTULO 1
Detección de fallas en motores de

inducción
1.1. Introducción
Hoy en dı́a la máquina eléctrica más ampliamente utilizada tanto en los hoga-
res como en la industria es sin duda el motor eléctrico, esto debido a que el motor
eléctrico puede fabricarse en una gran variedad de tamaños, formas, potencias y
tipos. Los motores eléctricos son tan ampliamente utilizados que actualmente son
los responsables de consumir el 85 % de la energı́a total del planeta. La mayorı́a de
los motores domésticos son diseñados para labores donde se requiere poca poten-
cia, por lo que en general son motores pequeños, monofásicos y muy económicos.
Pero en el caso de las aplicaciones industriales se trata generalmente con motores
grandes, potentes, trifásicos y de elevado costo de mantenimiento y reparación.
Los motores de inducción con fines industriales pueden ser clasificados de mu-
chas maneras. Una clasificacı́on basada en la fuente de alimentación de los motores
se muestra en la Figura 1.1. En el grupo de los motores de DC se encuentran los
motores autoexitados y los de exitación independiente, mientras que en el grupo
de los motores de AC tenemos a los motores sı́ncronos y los ası́ncronos.
1
2 Capı́tulo 1. Detección de fallas en motores de inducción
Figura 1.1: Una posible clasificación es por el tipo de corriente de alimentación de

los motores eléctricos.
Enfocándonos exclusivamente en los motores ası́ncronos, éstos están formados

por dos piezas principales, el estator y el rotor. En la Figura 1 1.2a se ilustra un
motor ası́ncrono desarmado, en la que pueden verse estas dos piezas. El estator es
construido de igual forma tanto en el motor sı́ncrono como ası́ncrono y está for-
mado por tres devanados distribuidos en ranuras a 120 ◦ . Estos devanados están
2π
desfasados 3P , donde P es el número de pares de polos que lo conforman. En
cuanto al rotor, esta puede formarse de dos maneras: Devanado o Jaula de ardilla.
Este trabajo se concentra especı́ficamente en los motores ası́ncronos con rotor tipo
jaula de ardilla, en los cuales, el rotor está formado por barras longitudinales de
material conductor (normalmente aluminio o cobre) las cuales están unidas en sus
extremos por un par de aros o anillos que también están formados de material con-
ductor. La Figura2 1.2b ilustra la construcción de este tipo de rotor. La flecha del
rotor atraviesa esta estructura justo por el centro, dándole la caracterı́stica forma
de una rueda de ejercicio para roedores, de donde este rotor toma su nombre.
La industria hoy en dı́a hace un amplio uso de este tipo de motor de inducción,
dado que son eficientes, potentes y se pueden diseñar de acuerdo a las necesidades
1
http://www.tesom.ru/remont elektrodvigatelej
2
http://elcaslocositcas13.blogspot.mx/
1.1. Introducción 3
(a) El rotor y el estator de un motor de jaula de

ardilla
(b) Detalle de la composición de un ro-

tor jaula de ardilla
Figura 1.2: Motor ası́ncrono tipo jaula de ardilla.
especı́ficas de cada aplicación, ası́ que no es de dudar que sean de las máquinas
eléctricas más utilizadas. Por estas caracterı́sticas, las industrias mueven lı́neas
completas de proceso con la fuerza de uno o más motores eléctricos. El hecho de
que sea una herramienta tan indispensable hace que su óptimo funcionamiento
sea un punto vital y crı́tico para cualquier industria, por lo que se prefiere dar un
mantenimiento preventivo a estas máquinas. En este tipo de mantenimiento, la
salida de un motor es programada, poniendo en marcha un motor de respaldo que
realizara la tarea originalmente asignada al motor que se le dará mantenimiento,
sin sufrir asi un paro en la producción; es entonces cuando el motor puede ser
desarmado y revisado punto por punto, de manera minuciosa y segura. Sin em-
bargo, un verdadero problema surge cuando un motor se detiene de manera no
programada por causa de una falla; la industria sufraga gastos cuantiosos cuando
un motor deja de operar de manera repentina, convirtiéndose su reparación en

una carrera contra el tiempo. A manera de evitar este tipo de situaciones, se han
desarrollado técnicas que tratan de detectar anticipadamente la mala operación
de los motores eléctricos, haciendo que, en lo posible, sea lo más sencilla (que no
requiera la colocación de muchos sensores), práctica y precisa.
1.2. Justificación
Un problema que sucede en aproximadamente el 10 % de los motores [1] con-
siste en que una o más barras del rotor se fracturan (Figura 3 1.2), pudiendo
operar el motor de manera aparentemente normal con estas pocas barras fractu-
radas presentes. Pero el problema va más allá, puesto que una barra fracturada
ocasionará progresivamente la fractura de más barras y ası́ consecutivamente se
pueden llegar a fracturar tantas barras como para que el motor deje de operar con
normalidad de manera repentina.
Figura 1.3: Barras rotas al extremo de uno de los aros en un rotor jaula de ardilla.
Este rotor tiene un daño excesivo.
El acceso al rotor de un motor no es sencillo, el motor debe estar fuera de

operación y éste debe desarmarse casi completamente, por lo que una revisión
visual puede ser no muy eficiente. De este modo surge la necesidad de contar con
una herramienta que permita hacer un análisis en linea del estado actual de las
barras en el rotor del motor, por lo que este proyecto de tesis propone buscar
estas barras rotas haciendo uso de la Descomposición Modal Empı́rica (EMD,
por sus siglas en inglés), para analizar y descomponer la corriente que es medida
3
http://www.hfwhdj.com/en/display.asp?id=569
1.3. Objetivos 5
en una de las fases del motor; desarrollando en software, como primera parte,
un algoritmo efectivo que permita discernir entre un motor en buen estado y
un motor con barras rotas. Hecho esto, se pretende transportar este algoritmo
de análisis a hardware, especı́ficamente a una plataforma FPGA. Se espera de
manera anticipada hacer un clasificador eficiente, que nos ponga sobre aviso la
posible falla inminente del motor que se analiza.
1.3. Objetivos
Objetivo general
Por lo descrito anteriormente, en esta tesis se dispone a hacer uso de la EMD
para lograr detectar si un motor está actualmente en buen estado o si presenta
barras rotas en su rotor, sin necesidad de contar con sensores especializados o de
transformaciones de gran número de puntos que por ende, representan un gasto
computacional. A partir del análisis hecho con ayuda de la EMD se pueden extraer
diversas caracterı́sticas para clasificar, en base a ellas, los resultados obtenidos,
para saber de manera automática si el motor se encuentra en buen estado o si es
que presenta alguna barra rota en el rotor.
Objetivos especı́ficos
Implementar en software (Matlab) la Descomposición Modal Empı́rica.
Extracción de caracterı́sticas de la base de datos por medio de la EMD, para

obtener un criterio de clasificación, el cual definirá si éstas pertenecen a un
motor en buen estado o no.
Diseñar en VHDL una estructura digital que realize la EMD.
Implementar en un FPGA la EMD descrita en VHDL.
1.4. Conclusiones
Los motores eléctricos son por mucho la máquina eléctrica más utilizada, y
muchas industrias asignan tareas importantes a estas máquinas; tareas que en
caso de detenerse de manera abrupta debido a una falla en alguna parte del
proceso causan cuantiosas pérdidas.
Debido a que una barra de rotor rota representa el 10 % de las fallas en motores
de inducción, hace que sea necesario una herramienta capaz de detectar esta falla
de manera anticipada.
CAPÍTULO 2
Marco Teórico
En este capı́tulo se expondrán las bases teóricas necesarias para comprender

un poco más a detalle el funcı́onamiento del motor ası́ncrono tipo jaula de ardilla,
además del estado del arte actual en cuanto a la detección de fallas en este tipo de
motor. También se dará un repaso a la interpolación por medio de splines, puesto
que se trata de una técnica fundamental para poder desarrollar correctamente la
Descomposición Modal Empı́rica, que también será explicada: quién y cúando fue
propuesta, de que trata, para que es útil y de que manera realizar la descompo-
sición de una señal discreta de manera correcta. Todo esto será necesario para
desarrollar la metodologı́a que se propondrá en el próximo capı́tulo.
7
8 Capı́tulo 2. Marco Teórico
2.1. El Motor Ası́ncrono tipo jaula de ardilla

Ahora, se abordará el funcionamiento de este motor. Como se habı́a descrito
antes, el rotor de este tipo de motor tiene la forma de una jaula para roedores y
esta formada de material conductor. La flecha del rotor atraviesa la jaula de ardilla
por el centro, mientras que un par de rodamientos se ubican cerca de los extremos
de la flecha del motor y estos están sujetos firmemente a la armadura del motor.
Uno de los extremos de la flecha es más largo que el otro, este extremo es el que
sobresale del motor, y es a donde la carga mecánica es aplicada. Normalmente,
en el extremo más corto de la flecha se ubica una hélice, que con el giro de la
flecha proporciona una fuerte corriente de aire por la armadura del motor, que
sirve como refrigeración. En la Figura1 2.1 se muestra el corte a un motor tipo
jaula de ardilla, donde se señalan todas las partes anteriormente descritas. Ası́,
el rotor se encuentra libre para girar en cualquier sentido. Rodeando el rotor, se
encuentran los polos magnéticos que se forman por bobinados de conductor en el
estator. El estator y el rotor no están en contacto en ningún momento debido a
que existe una separación entre ellos.
Figura 2.1: Corte de un motor jaula de ardilla.
Cuando este motor está en pleno funcionamiento la corriente de alimentación

crea un campo rotatorio que gira a una velocidad mas alta que la velocidad a la
1
http://electricidad-viatger.blogspot.mx/2011/07/despiece-motor-asincrono.html
2.2. Estado del arte en detección de fallas en motores ası́ncronos 9
que gira el rotor, esta diferencia de velocidades es la que hace que este motor sea
llamado ası́ncrono.
Con el fin de explicar el funcionamiento de este motor se pone como ejemplo
una estructura formada de conductor en forma de escalera y un imán en la Figura
2.2. Suponiendo que la escalera se encuentra sobre una superficie lisa y continua,
esta permanece en reposo. Ahora, se coloca un imán sobre la escalera sin tocarla.
Mientras el imán esté suspendido sin nungún movimiento la escalera también
estará inmóvil. Ahora supóngase que movemos el imán a una velocidad constante
v, el flujo magnético del imán se moverá junto con él, y éste flujo comenzará a
cortar los peldaños de la escalera, lo que ocasionará que se genere una corriente que
fluirá en cı́rculos entre cada dos peldaños de la escalera, esto genera una fuerza
que hace que la escalera se desplace en la misma dirección que el imán, a una
0 0
velocidad v . Hay que tener en cuenta que siempre v < v, si en algún momento
0
la escalera se desplazará a la misma velocidad que el imán (v = v) los peldaños
de la escalera se moverı́an a la misma velocidad que el flujo magnético del imán,
por lo que estos relativamente no estarı́an cortando el flujo, en consecuencia, no
habrı́a una corriente que circule por la escalera y no habrı́a movimiento alguno.
Bajo este principio descrito anteriormente, el rotor toma el papel de la escalera,
que en vez de ser longitudinal, es cı́lindrica, mientras que el imán en movimiento
es creado por los campos magnéticos que giran debido a la alimentación trifásica
en el estator.
Figura 2.2: Ejemplo práctico del funcionamiento del motor ası́ncrono.
2.2. Estado del arte en detección de fallas en

motores ası́ncronos
La detección temprana de fallas en este tipo de motores ha sido una tarea
que ha cobrado importancia desde hace ya tiempo. Esto debido a las necesida-
des industriales de mantener en óptimo funcionamiento estas máquinas, evitando

ası́ paros imprevistos o daños materiales o inclusive de personal.
Existen diferentes formas de detectar el daño en el motor, siendo las más
populares y diversas aquellas que recurren a la medición de la corriente [2, 3, 4,
5, 6, 7, 8] vibraciones, [9, 10, 11, 12, 13, 14, 15, 16, 17], voltaje [18, 19] o flujo
magnético [20] para a partir de estas mediciones, utilizar diferentes técnicas de
procesado de señal para lograr diagnosticar el estado de la máquina.
Utilizar la corriente para detectar fallas en motores utilizando diferentes técni-
cas de procesamiento de señal se le conoce como Motor Current Signature Analysis
(MCSA). Debido al alto ı́ndice de fiabilidad que ha demostrado poseer el MCSA
en la detección de fallas, en este trabajo se propone utilizar la EMD para llevar
a cabo el MCSA, y obtener ası́ la caracterı́stica que permita identificar cuando
se analiza una corriente proveniente de un motor en buen estado o de un motor
dañado.
El principio para identificar la falla mediante MCSA se basa en el hecho de
que una barra rota induce una componente espuria en la corriente del motor. Esta
componente espuria se localiza en:
(1 ± 2ks)fs (2.1)
Donde k representa un número entero, s representa el deslizamiento debido a

la carga y fs es la frecuencia de alimentación del motor.
Mediante la Transformada de Fourier (FT) es posible ver, en el dominio de la
frecuencia, la componente inducida. El inconveniente que resulta de este método
es que la frecuencia espuria inducida es de una amplitud considerablemente baja
con respecto a la amplitud de la frecuencia de alimentación del motor. Por si fuera
poco, la componente espuria se tiene una frecuencia muy similar a la frecuencia de
alimentación; que tan cerca o separada de la frecuencia de alimentación estará la
componente espuria depende directamente de la carga del motor, a menor carga,
más cerca estará de la frecuencia de alimentación. La Figura 2 2.3 muestra en el
lado izquierdo la FT de la corriente de un motor alimentado con una frecuencia de
50 Hz en óptimo estado, mientras que el lado derecho se muestra la FT del mismo
motor, pero ahora con una barra rota. Nótese que la frecuencia de la componente
espuria es apenas detectable por medio de la FT debido a los inconvenientes
2
Mario Eltabetch et al. “A Comparison of External and Internal Methods of Signal Spectral
Analysis for Broken Rotor Bars Detection in Induction Motors”Página 110.
2.2. Estado del arte en detección de fallas en motores ası́ncronos 11
planteados anteriormente.
Figura 2.3: Espectros de frecuencia de un par de motores alimentados a 50 Hz,

del lado izquierdo el un motor en buen estado, del lado derecho el de un motor
con una barra rota.
Cuando se refiere a los trabajos que se basan en la medición de la corriente del

motor (MCSA) Xu et al hacen uso de Multiple Signal Classification (MUSIC),
esto debido a que MUSIC posee una mayor resolución con el mismo número de
muestras a comparación de la (FT). Jee et al [3] hace uso de MCSA combinado
con un algoritmo de procesamiento de señal avanzado conformado por un estima-
dor de deslizamiento, un buscador de frecuencia y un auto-selector de muestras.
Sadeghian et al [4] realizan la extracción de caracterı́sticas de la señal de corriente
del motor utilizando Wavelet Package Decomposition (WPD), las caracterı́sticas
extraı́das junto con la medición del deslizamiento son utilizados para entrenar una
Red Neuronal (NN) para que esta pueda detectar la falla en el motor. Riera et al
hacen uso del análisis de Gabor de la corriente junto con la Tranformada Chirp
Z, que permite ajustar la resolución en tiempo-frecuencia a la escala de interés
en donde se localiza la componente que indica la falla. Pineda et al utiliza una
Transformacion Polifase a las corriente durante el transitorio del motor, obtenien-
do como resultado una nueva señal que guarda la componente de la falla. Esta
nueva señal puede ser analizada con FT debido a que es estacionaria.
También se han realizado trabajos en los que se intenta detectar la falla por
medio de la Descomposición Modal Empı́rica (EMD): Jian et al [22] utiliza la
EMD para filtrar la señal de corriente que contiene la componente espuria indu-
cida por la barra rota, después, utiliza la Hilbert Transform (HT) para calcular
la envolvente de la señal filtrada para finalmente, extraer con ayuda de la FT la
frecuencia caracterı́stica de la falla. Yiguang et al [23] hace algo similar; pasa la
señal de corriente por un filtro pasa bajas, para después tratarla con EMD. Enton-
ces, la componente espuria queda dentro de una de las Intrinsic Mode Functions
(IMFs), a la cual aplica la ZOOM-FT (sabiendo a priori el valor del deslizamiento)
para poder identificar la falla. Camarena et al [24] aplica la EMD directamente

a la corriente del estator. Las IMFs resultantes son analizadas por medio de un
estimador de frecuencia formado de una Adaptive Linear Network (ADALINE),
es entonces cuando una Red Neuronal (NN) es utilizada para discernir entre un
motor en buen estado, con una barra rota o con desbalance mecánico.
Aunque todos estos trabajos tienen excelentes resultados, tienen la desventaja
de que adicionalmente a la medición de la corriente requieren en su gran mayorı́a
la colocación de un sensor para medir el deslizamiento debido a la carga, lo que
incrementa costos e inclusive puede complicar el procesamiento de la señal, que
se traducirı́a en un aumento del costo computacional.
2.3. Splines
La interpolación con splines es importante para poder desarrollar de manera

correcta la EMD. Es por ello que en esta sección se abordaran los splines.
En las matemáticas es común la necesidad de interpolar cadenas de datos o
puntos. Una solución posible a esto es aproximar los puntos mediante un solo po-
linomio de grado elevado, pero esto muchas veces produce oscilaciones indeseables
a lo largo de la interpolación. Para evitar esto se puede recurrir al uso de funciones
definidas por trozos “splines”. Estos tienen la ventaja de que solo son polinomios
de bajo grado y devuelven resultados muy satisfactorios, además de que su cálculo
es relativamente sencillo. La definición formal de un spline es la siguiente:
Dada una función f definida en [a, b] y un conjunto de nodos a =

x0 , < x1 < ... < xn = b y fijando un k > 0. Una función spline de grado
k con nodos x0 , x1 , ..., xn es una función S que satisface las siguientes
condiciones: En cada intervalo [xi−1 , xi ), S es un polinomio de grado
menor o igual a k además de tener derivada de orden k − 1 continua en
[a, b]. Por tanto, S es un polinomio continuo por trozos cuyo grado es k
a lo máximo, y tiene derivadas continuas de orden k − 1.
Un ejemplo para splines con k = 0 se muestra en la Figura 2.4 donde:

2.3. Splines 13


 S0 (x) = c0 x ∈ [x0 , x1 )

 S (x) = c
1 1 x ∈ [x1 , x2 )
Sx = (2.2)

 ......................................


S4 (x) = c4 x ∈ [x4 , x5 )
Figura 2.4: Splines de orden cero
Mientras que para un grupo de splines con k = 1 se muestra en la Figura 2.5

donde:


 S0 (x) = a0 x + b0 x ∈ [x0 , x1 )

 S (x) = a x + b
1 1 1 x ∈ [x1 , x2 )
Sx = (2.3)

 ..........................................


S4 (x) = a4 x + b4 x ∈ [x4 , x5 )
Figura 2.5: Splines de primer orden
Los splines de segundo grado se obtienen ajustando un polinomio cuadrático

entre cada par de nodos sucesivos. Como un polinomio de segundo grado tiene
dos condiciones para ajustar los datos en los extremos de cada subintervalo, existe
la flexibilidad para permitir que el polinomio cuadrático se escoja de forma que
tenga derivada continua en el intervalo [xj , xj+1 ], pero no garantiza una segunda
derivada que sea continua. Para lograrlo en cambio, se utilizan los splines de
tercer grado o cúbicos. Un spline cúbico es aquel spline que satisface todas las
condiciones siguientes:
Sj es un polinomio cúbico continuo en [xj , xj+1 ) para j = 1, 2, ..., n − 1 (2.4a)
S(xj ) = f (xj ) para j = 1, 2, ..., n (2.4b)
Sj+1 (xj+1 ) = Sj (xj+1 ) para j = 1, 2, ..., n − 2 (2.4c)

0
Sj+1 (xj+1 ) = Sj0 (xj+1 ) para j = 1, 2, ..., n − 2 (2.4d)
00
Sj+1 (xj+1 ) = Sj00 (xj+1 ) para j = 1, 2, ..., n − 2 (2.4e)
A continuación, se explicará la construcción del spline cúbico para una función

dada.
Suponiendo que se tiene un conjunto de puntos ordenados:
{(x0 , f (x0 )) , (x1 , f (x1 )) , ..., (xn , f (xn ))} (2.5)
se requiere hallar j polinomios cúbicos:
Sj = aj + bj (x − xj ) + cj (x − xj )2 + dj (x − xj )3 j = 0, 1, 2, ..., n − 1 (2.6)
estos polinomios deben satisfacer todas las condiciones enlistadas en las ecuaciones
2.4. Aplicando la condición 2.4b y haciendo x = xj en 2.6 se obtiene:
Sj (xj ) = aj = f (xj ) (2.7)
Aplicando la condición 2.4c y la ecuación 2.7 obtenemos:
aj+1 = aj +bj (xj+1 −xj )+cj (xj+1 −xj )2 +dj (xj+1 −xj )3 j = 0, 1, ..., n−2 (2.8)
Haciendo (xj+1 − xj ) = hj podemos reescribir 2.8:
aj+1 = aj + bj hj + cj h2j + dj h3j j = 0, 1, ..., n − 1 (2.9)

2.3. Splines 15
Ahora derivando 2.6 obtenemos:
0
Sj = bj + 2cj (x − xj ) + 3dj (x − xj )2 j = 0, 1, 2, ..., n − 1 (2.10)
de manera similar a 2.7 obtenemos para x = xj que:
0 0
Sj (xj ) = bj = f (xj ) (2.11)
Aplicando la condición 2.4d y 2.11 obtenemos:
bj+1 = bj + 2cj hj + 3dj h2j j = 0, 1, ..., n − 1 (2.12)
Por otro lado, derivando por segunda vez la ecuación 2.6:
00
Sj = 2cj + 6dj (x − xj ) (2.13)
De manera similar a 2.7 y 2.11 tenemos que:
00 00
Sj (xj ) = 2cj = f (xj ) (2.14)
y finalmente aplicando la condicion 2.4e y 2.13 obtenemos:
2cj+1 = 2cj + 6dj hj j = 0, 1, ..., n − 1 (2.15)
Ahora podemos despejar dj de la ecuación 2.15 y substituirlo en las ecuaciones

2.9 y 2.12 para obtener dos nuevas ecuaciones:
h2j
aj+1 = aj + bj hj + (cj + cj+1 ) j = 0, 1, ..., n − 1 (2.16)
3
y
bj+1 = bj + hj (cj + cj+1 ) j = 0, 1, ..., n − 1 (2.17)
estas dos ecuaciones contienen dos incóngnitas: cj y bj . Es necesario dejarlo sólo

en función de una de ellas, por lo que se despeja bj de 2.16 para formar el sistema
de ecuaciones lineales:
3 3
hj cj + 2(hj+1 + hj )cj+1 + hj+1 cj+2 = (aj+2 − aj+1 ) − (aj+1 − aj ) (2.18)
hj+1 hj
este sistema es valido para j = 0, 1, ..., n − 1, por lo que el sistema contiene n − 1

ecuaciones y n + 1 incógnitas. Para poder solucionar este sistema de ecuaciones,
hace falta agrgar 2 ecuaciones mas al sistema y estas se obtienen de las condiciones
de frontera. Como se trata de un spline natural, la primera y segunda derivada
son iguales a cero, por lo que
c0 = 0 (2.19)
y
cn = 0 (2.20)
Con 2.18, 2.19 y 2.20 se forma el sistema lineal Ax = b, donde:

 
1 0 0 0 0
 h 2(h + h ) h1 0 0 
 0 0 1 
 ... 
 0 h1 2(h1 + h2 ) h2 0 
 
 . ... ... ... ... ... 
A= . 0  (2.21)
 . 
 .. .. ... ... ... ... 
 . . 0 
 
 ... 
 0 0 0 hn−2 2(hn−2 + hn−1 0 
0 0 0 ... 0 0 1
y
 
0
 3
(a2 − a1 ) − 3
(a1 − a0 ) 
 h1 h0 
 .. 
b=
 . 
 (2.22)
 3 3 
 hn−1
(a n − a n−1 ) − hn−2
(a n−1 − a )
n−2 
dado que la matriz A es diagonal y estrictamente diagonal dominante, el sistema

tiene solución, y además es única.
Este sistema de ecuaciones resultante puede ser resuelto por medio de la facto-
rización Lower-Upper. Este método no será explicado en este documento, mas sin
embargo, el algoritmo para la solución de Ax = b siendo A una matriz diagonal
como en 2.21 y b un vector como 2.29, se mostrará a continuación.
Dado un conjunto de n pares de puntos ((x1 , y1 ), (x2 , y2 ), ...(xn , yn )) ordenados

de tal modo que x1 < x2 < ... < xn , se necesita encontrar n−1 polinomios cúbicos
2.3. Splines 17
de la forma:
Si = yi + b(i)(x − xi ) + c(i)(x − xi )2 + d(i)(x − xi )3 (2.23)
Es necesario encontrar los valores de las incognitas b(i), c(i) y d(i) de tal modo
que se satisfagan todas las condiciones de 2.4. Como anteriormente se mostró que
la forma de la matriz que se obtiene durante el cálculo del spline es tridiagonal
dominante, se procede a formar y resolver el sistema de ecuaciones que se forma
a partir de la ecuación 2.18 con los siguientes pasos.
Primero es necesario calcular y guardar todos los h(i) :
h(i) = xi+1 − xi i = 1, 2, ..., n − 1 (2.24)
Seguido del cálculo de todos los valores posibles para el vector b, que se alma-
cenarán en un vector β1:

yi+1 h(i − 1) − yi [xi+1 − xi−1 ] + yi−1 h(i)
β1(i) = 3 i = 1, 2, ..., n − 1 (2.25a)
h(i − 1)h(i)
β1(0) = 0 (2.25b)
β1(n) = 0 (2.25c)
Tres vectores auxiliares, en dónde se guardarán los valores de la matriz facto-

rizada por Lower-Upper, α, γ, β:
α(1) = 0
γ(1) = 0
γ(2) = 2[h(1) + h(2)] (2.26a)
β(1) = b(1)
β(2) = b(2)

h(i) 

α(i) = 

γ(i) 
i = 2, 3, ..., n − 2 (2.26b)
γ(i + 1) = 2[h(i) + h(i + 1)] − α(i)h(i) 



β(i + 1) = b(i + 1) − α(i)β(i) 
Finalmente, es posible encontrar los valores ci de todo el sistema, incluyendo

los valores de c1 y cn que están definidos previamente por las condiciones de
frontera del spline:
c(1) = 0 (2.27a)
c(n) = 0 (2.27b)
[β(i) − h(i)]c(i + 1)
c(i) = para i = n − 1, n − 2, ..., 2 (2.27c)
γ(i)
Hasta este punto, se ha resuelto completamente el sistema lineal formado por
la ecuación 2.18, con todos los valores ci conocidos, podemos hacer uso de la
ecuación 2.15 para encontrar todos los valores de di :
c(i + 1) − c(i)
d(i) = para i = n − 1, n − 2, ..., 1 (2.28)
3h(i)
del mismo modo, con los valores de ci se puede calcular la incógnita final bi a
partir de la ecuación 2.16, recordando que ai = yi :
yi+1 − yi h(i)[c(i + 1) + 2c(i)]

b(i) = − para i = n − 1, n − 2, ..., 1 (2.29)
hi 3
Finalmente, con las incógnitas resueltas, es posible formar los n − 1 polinomios

cúbicos requeridos para interpolar los n conjuntos de puntos dados.
2.4. Descomposición Modal Empı́rica

En esta sección se hace un breve análisis y estudio de la Descomposición Modal
Empı́rica (EMD). Esta técnica de descomposición de señales es relativamente
nueva y fue descrita por N. Huang [25] por primera vez en 1998.
A raı́z de la descripción de la EMD hecha por Huang, numerosas técnicas para
optimizar los resultados de esta descomposición han sido formuladas y presentadas
ante la comunidad académica. Cabe destacar que estas técnicas logran mejorar
algunas caracterı́sticas de la EMD, pero que no todas son simultáneamente apli-
cables, por lo que la elección de que si se usan o no depende finalmente del tipo
de resultado que se espera obtener de la señal que será analizada con EMD.
Antes de continuar es necesario definir un par de conceptos que agilizarán la
lectura.
2.4. Descomposición Modal Empı́rica 19
Máximos y Mı́nimos Locales: Aunque hay una teorı́a completa para definir
estos conceptos, no hará falta profundizar demasiado para el uso que se le
dará en este trabajo. Suponiendo tres muestras sucesivas de una señal: a, b, c.
Se habla de mı́nimos al conjunto de puntos b que cumplen a > b < c, mientas
que se trata máximos al conjunto de puntos b que cumplen a < b > c.
Cuando se mencionan “los extremos de una señal”se hace referencia a ambos
conjuntos.
Envolvente: Se trata de un conjunto de puntos resultantes de una interpolación

cúbica entre todos los máximos locales (envolvente superior) o todos los
mı́nimos locales (envolvente inferior).
2.4.1. Intrinsic Mode Function

Existen opiniones divididas en cuanto a la definición de frecuencia instanta-
nea. Una discusión completa sobre la definición fı́sica de frecuencia instantánea
puede encontrarse en [25]. Huang define un par de condiciones para que una señal
retenga información de una frecuencia instantánea significativa: la primera es que
las envolventes de señal sean simétricas respecto a la media local, y la segunda
es que debe tener el mismo número de cruces por cero que el de extremos de la
señal.
Asi, la definición formal de una Intrisec Mode Function (IMF) según Huang:
Una IMF es una función que satisface dos condiciones: (1) en el grupo
completo de datos o muestras, el número de extremos y el número de
cruces por cero debe ser igual o diferir máximo en una unidad; y (2)
en cualquier punto, el valor de la media de la envolvente definida por
los puntos máximos de la señal y la envolvente definida por los puntos
mı́nimos de la señal sea igual a cero.
Aunque la primer condición es un tanto obvia, la segunda, señala Huang, es una

idea nueva. El principal objetivo de esto es evitar las fluctuaciones de frecuencia
inducidas por formas de onda no simétricas. En la Figura 2.6 se muestra un
ejemplo de una señal que cumple las dos condiciones, por lo tanto se trata de una
IMF.
El procedimiento para obtener las IMFs que conforman una señal será descrito
mas adelante. Por ahora cabe aclarar que la definición formal de los requisitos de
Figura 2.6: Señal que cumple con los dos condiciones necesarias para ser consi-
derada una IMF: tanto el numero de extremos como el de cruces por cero es el
mismo, y hay simetrı́a entre la envolvente superior e inferior con respecto a cero.
una señal para considerarse como una IMF dı́ficilmente (o quizá imposiblemente)
puede ser totalmente satisfecha. Una IMF real debe ajustarse a las necesidades
del problema que especı́ficamente se esta analizando; dependiendo de estas nece-
sidades, una IMF puede diferir en un tanto más o un tanto menos a otra IMF
calculada con un método y criterios diferentes. Al final actualmente viene siendo
“responsabilidad del usuario” el aspecto final de una IMF. Una considerable can-
tidad de contenido se ha generado en relación a este hecho, trabajos como el de
[27] hacen un análisis matemático mas profundo y detallado del concepto de una
IMF.
2.4.2. El sifting process

Ya habiendo definido qué es una IMF y qué condiciones debe cumplir una
señal para ser considerada como tal, es necesario un método para obtenerla. De-
safortunadamente, la mayorı́a de las señales como tales, no son IMFs; en cualquier
instante de tiempo las señales pueden tener mas de una fuente de oscilación. Por
tal motivo, es necesario descomponer las señales complejas o no lienales en IMFs.
Para esto, Huang [25] describe un procedimiento que permite tratar con datos de
origen estacionario o no estacionario y no lineales. Contrario a los métodos que
previamente a su trabajo se utilizaban para definir los modos de oscilación fun-
damental de las señales en busca de una frecuencia instantánea, Huang propone
una descomposición de los datos de una manera más intuitiva, directa y adapti-
va. Esta descomposición se basa en dos suposiciones: (1) la señal a descomponer
tiene al menos dos extremos, un máximo y un mı́nimo; (2) si la señal carece de
extremos, pero contiene puntos de inflexión, entonces la señal puede ser derivada
una o más veces hasta obtener los extremos de la señal. Los resultados finales se
pueden obtener a partir de la integración de la descomposición.
La esencia de este método es identificar las oscilaciones intrı́nsecas de la señal
por sus escalas de tiempo caracterı́sticas de la misma empı́ricamente para entonces
poder descomponer la señal. Drazin [26] define que el primer paso para este tipo
de análisis es verificar los datos con la simple vista, a partir de esto se pueden
identificar las diferentes escalas de tiempo de dos maneras: por el tiempo que pasa
entre las sucesivas alternaciones que suceden en los máximos y los mı́nimos, y por
el tiempo transcurrido entre los cruces por cero de la señal. Huang, decide utilizar
el tiempo transcurrido entre cada máximo y mı́nimo de la señal como escala de
tiempo de cada modo de oscilación intrı́nseca, esto debido a que se presenta la
ventaja de que permite analizar señales que tengan un offset que no permita que
las oscilaciones crucen por cero en algún momento determinado.
El siguiente paso para realizar la descomposición de la señal es identificar
todos los extremos de la señal, una vez que estos puntos han sido identificados se
procede a unir los puntos mediante un par de splines cúbicos, uno para interpolar
exclusivamente los máximos y otro para interpolar exclusivamente los mı́nimos,
esto produce dos envolventes que deben cubrir toda la señal completamente entre
ellas. Acto seguido es necesario calcular la media de las envolventes, la cual se
nombrará como m1 ; la substracción de m1 de la señal original da como resultado
la primer componente, h1 esto es:
X(t) − m1 = h1 (2.30)
donde X(t) representa la señal original. La Figura3 2.7 muestra este procedi-
miento: en (a) se muestra una señal X(t) que se busca descomponer a modo de
ejemplo, en (b) se han identificado los máximos y los mı́nimos de la señal X(t)
a descomponer y se han interpolado por medio de un spline cúbico, obteniendo
las envolventes superior e inferior (lı́neas discontinuas). Después de esto, la media
de estas dos envolventes se calcula punto a punto (linea continua gruesa) para
después substraerla de la señal original (lı́nea continua delgada). El resultado h1
se muestra en (c).
Es necesario verificar si la señal resultante es o no una IMF. Recordando las
3
N. E. Huang et al. “The empirical mode decomposition and the Hilbert spectrum for non-
linear and non-stationary time series signals”Page: 918.
dos condiciones que debe cumplir la señal para que sea una IMF tenemos que
la primer condicion implica que debe haber el mismo numero de cruces por cero
que de máximos y mı́nimos. Esta condición solo se puede cumplir si no existen
mı́nimos por arriba de cero y máximos por debajo de cero. Se puede observar que
la señal original X(t) en la Fgura 2.7a no podrı́a ser una IMF debido a que contiene
tanto mı́nimos como máximos por encima y debajo de cero respectivamente, esto
implica que la primer condición de la IMF no se cumplirá. Del mismo modo, h1
en la Figura 2.7c la señal tiene máximos y mı́nimos por debajo y por encima de
cero respectivamente, entre el segundo 4.5 y el 4.6, por lo que la primer condición
no se cumple. En cuanto a la segunda condición, quizá sea un poco más difı́cil
de identificar a simple vista, pero en este caso en particular podemos observar un
máximo y un par de mı́nimos en h1 entre el segundo 5 y el 5.1, el máximo tiene
una amplitud positiva de casi el doble comparada a los mı́nimos en sus vecindades.
Esto producirá que la media de unas nuevas envolventes sobre h1 no tengan un
valor de cero, por lo menos en ese punto, rompiendo con la segunda condición.
El sifting process tiene como objetivo eliminar estas asimetrı́as en la amplitud
de la señal, al mismo tiempo que coloca todos los mı́nimos por abajo del cero y
a los máximos por arriba de cero. Entonces, es necesario repetir el sifting process
una vez mas, pero esta vez, sobre h1 , como si se tratara de la señal original:
h1 − m11 = h11 (2.31)
siendo m11 la media de las envolventes de h1 .

La Figura4 2.8 muestra en el inciso (a) el resultado de realizar nuevamente
el sifting process sobre h1 , pero puede verse que aún hay un máximo por debajo
de cero. El resultado de un tercer sifting se muestra en el inciso (b). Todos los
máximos son ahora positivos, mientras que los mı́nimos son todos negativos cum-
pliendo la primer condición, más sin embargo las ondulaciones que toma la señal
aún son algo asimétricas, por lo tanto es necesario repetir este procedimiento k
veces, hasta que h1k sea una IMF:
h1(k−1) − m1k = h1k (2.32)
El resultado de realizar nueve veces el sifting process se muestra en la Figura5

4
N. E. Huanget al. “The empirical mode decomposition and the Hilbert spectrum for nonli-
nearand non-stationary time series signals”Page: 919.
5
N. E. Huang et al. “The empirical mode decomposition and the Hilbert spectrum for non-
Figura 2.7: Primeros pasos en la descomposición de una señal. (a) La señal a

descomponer X(t). (b) Los máximos y los mı́nimos identificados en X(t) son
interpolados por un par de splines cúbicos formando las envolventes en lı́neas
punteadas. La media de las envolventes m1 en negro grueso, X(t) en negro delgado.
(c) La diferencia entre X(t) y m1 . Esta señal resultante h1 todavı́a no es una IMF.
Figura 2.8: Repetición del sifting process: (a) Una vez mas. Aún existe un máximo
negativo. (b) Dos veces mas. Ya no hay máximos negativos ni mı́nimos positivos.
Pero aun es un poco ası́ncrona la forma de las ondas en la señal. Aún no se puede
considerar como una IMF.
2.9. Esta señal claramente cumple la primer condición de una IMF. En cuanto a
la segunda condición, aunque las envolventes de la señal son mas simétricas que
antes, no tienen una media estrictamente de cero; por el contrario, es virtualmente
imposible satisfacer esta condición, por lo que hará falta definir un criterio de paro
del que se hablará en la siguiente subsección. Por ahora nos limitaremos a dar por
cumplida la segunda condición.
c1 = h1k (2.33)
Ası́, c1 se convierte en la primer IMF de X(t). La primer IMF contendrá las

componentes de menor periodo de toda la señal a descomponer. Ahora es necesario
linear and non-stationary time series signals”Page: 916.

Figura 2.9: Primer IMF de la señal X(t), obtenida después de hacer nueve siftings.
separar c1 de X(t) para obtener un residuo:
X(t) − c1 = r1 (2.34)
El residuo r1 retendrá las componentes de mayor periodo, por lo que será ne-
cesario descomponerlo por medio del sifting process para obtener la segunda IMF
y un segundo residuo, la segunda IMF contendrá componentes de mayor periodo
que la primer IMF y de menor periodo que las contenidas en el segundo residuo.
Este proceso se puede repetir sobre todos los residuos subsecuentes:
r1 − c2 = r2 , r2 − c3 = r3 , ..., rn−1 − cn = rn (2.35)
El sifting process deberá detenerse hasta que se logre extraer en una o mas
IMFs la información relevante para el usuario, o si se desea llegar al más bajo
nivel de descomposición, serı́a cuando el residuo rn se convierta en una función
monotónica creciente o decreciente, sin extremos, de donde no serı́a posible extraer
ninguna IMF más. Si la señal original que se descompuso tenı́a una forma o
tendencia caracterı́stica, el residuo mantendrá esta forma. Debido a limitaciones
y a consecuencias resultantes de la interpolacion cúbica de los extremos de la
señal el residuo no será nunca igual a cero. Estas limitaciones serán descritas en
la siguiente subsección.
Por último es necesario mencionar que la señal X(t) original puede recons-
truirse a partir de las ecuaciones 2.34 y 2.35 de la siguiente manera:
n
X
X(t) = ci + r n (2.36)
i=1
Hasta este punto se ha desarrollado por completo el sifting process, con el cual
se puede descomponer una señal en n IMFs mas un residuo rn . Huang resalta
entre los beneficios del sifting process el hecho de que no requiere una referencia
como una media única o el valor de cero, y esto presenta la ventaja de que se
puede tratar con señales mezcladas con DC, esto es, que no es necesario que la
señal contenga siquiera cruces por cero para poder ser descompuesta en IMFs.
2.4.3. Criterio de paro

Aunque Huang [25] propone un criterio de paro para detener el sifting process,
él mismo indica que este criterio no es absoluto. Existen diversos factores que
han sido estudiados en años subsecuentes al trabajo de Huang, que involucran los
inconvenientes de un criterio de paro único o absoluto.
Anteriormente se mencionaron los dos criterios que definen a una IMF, aun-
que el primero de ellos es estrictamente obligatorio, el segundo resulta imposible
de cumplir por ciertas razones, estas son tanto consecuencias de la misma señal
original que se desea descomponer como de el sifting process en si.
Comenzando con la señal a analizar, nos encontramos como primer limitante
que una señal que se pretende analizar siempre tiene una muestra inicial y una
final; una señal analógica es continua, existirá siempre, sin un principio o un fin,
mas, sin embargo, para tratarse digitalmente es necesario muestrearla y establecer
un número fijo de muestras. Estas muestras inicial y final no pueden ser definidas
estrictamente como un máximo o como un mı́nimo, puesto que antes de la mues-
tra inicial no hay una muestra con cual compararla y de un modo similar, no hay
ninguna muestra despúes de la muestra final. Ignorar las muestras que existen
antes del primer extremo o después del último dejarı́an parte de la señal sin una
envolvente tanto superior como inferior. A esto se suma el siguiente inconveniente:
en la señal se formará eventualmente el primer extremo, que será un máximo o
un mı́nimo, pero no ambos. De manera similar, al acercarse a la muestra final
se formará el último extremo que tampoco será ambos. Esto creará una par de
envolventes “desfasadas”que al momento de querer obtener su media serı́a impo-
sible, puesto que una de las envolventes es más larga que otra (en caso de que los
Figura 2.10: Una señal que se desea descomponer por EMD, pueden verse rápi-
damente dos máximos y tres mı́nimos. Como los extremos inicial y final son del
mismo tipo la envolvente inferior será mas larga. También se observa que ni si-
quiera la envolvente más larga logra cubrir completamente la señal.
extremos inicial y final sean ambos del mismo tipo) o porque no inician y termi-
nan en exactamente el mismo punto. Este par de inconvenientes se ilustran en la
Figura 2.10. Estos dos problemas son tratados de diferente manera, la solución
más adecuada dependerá completamente de la aplicación:
Recortar la señal a analizar. Se aplica ajustando la longitud de la señal y

de la envolvente más larga al tamaño de la envolvente más corta, antes de
proseguir con el análisis. Se muestra en la Figura 2.11a.
Utilizar una offset de DC como extremos de frontera. Este valor puede ser
cero, positivo o negativo dependiendo de la naturaleza de la señal a analizar.
Estos puntos en los extremos son tratados arbitrariamente como máximos
y mı́nimos simultáneamente y son alcanzados por ambas envolventes. Se
muestra en la Figura 2.11b.
Reflejo del primer, segundo, penúltimo y último extremo. Reflejando los dos
primeros extremos antes del principio de la señal y los dos últimos al final
de la señal se logra hacer que ambas envolventes incrementen su tamaño
en una interpolación, lo que hace que la señal original sea completamente
cubierta por ambas envolventes. Se generan dos extremos adicionales en los
puntos donde se une la señal con sus reflejos, estos son ignorados. Este es el
criterio más ampliamente utilizado. se muestra en la Figura 2.11c.
Figura 2.11: Diferentes formas de tratar con los efectos de borde. (a) La zona de
análisis se reduce a la envolvente mas corta. (b) Se coloca una lı́nea de DC como
punto inicial y final de la señal de análisis, en este caso es a 0. (c) Reflejo de
los extremos iniciales y finales. Obsérvese cómo en cada caso las envolventes son
diferentes.
Sea cual sea el método elegido para tratar con los bordes, existe un inconve-
niente que es inevitable en cualquiera de esos casos. Se trata de que en ocasiones la
envolvente no encierra completamente los datos como debiera de ser teóricamente,
sino que pasa por debajo (tratándose de la envolvente superior) o por encima (tra-
tandose de la envolvente inferior) de la señal. La Figura 2.12 es una ampliación de
la Figura 2.11b, entre las muestras 10 y 30, en donde se aprecia que la envolvente
superior queda por debajo de la señal que se analiza.
Por estas razones es practicamente imposible cumplir la segunda condición.
por lo que es necesario definir un criterio de paro que otorga una tolerancia para
diferir del requerimiento exacto de una media entre envolventes de cero.
Criterio de paro tipo Cauchy
Huang [25] propone como criterio de paro la desviación estándar de entre dos
siftings consecutivos, que se calcula de la siguiente manera:
" #
XT (h1(k−1) (t) − h1k (t))2
SD = (2.37)
t=0
h21(k−1) (t)
Figura 2.12: Ampliación de la Figura 2.11b. La envolvente superior (en color rojo)
pasa por debajo de la señal a descomponer (en negro).
Este criterio descrito en [25] puede describirse matemáticamente de la siguiente

forma: Para un número pequeño dado, , existe un número grande M de iteraciones
tal que SD < siempre que el número de iteraciones de siftings K sea mayor que
M.
Un valor tı́pico para esta desviación estándar es de 0.2 o 0.3. Huang propone
estos valores debido a que un valor entre 0.2 y 0.3 es una limitación muy rigurosa
entre dos siftings consecutivos.
Este criterio se aplica de manera global entre dos siftings consecutivos, por
lo que aveces puede no producir los resultados deseados, por lo que inclusive
existen diferentes variaciones en cuanto al planteamiento de este criterio. Gang
[27] propone asi una variación a este criterio que no tiene influencia en la desviación
estándar global entre dos siftings consecutivos, sino en una desviación estándar
local o punto a punto entre dos siftings consecutivos:

(h1(k−1) (t) − h1k (t))2
SD = (2.38)
h21(k−1) (t)
Criterio del valor de la media
Este criterio simplemente se basa en el valor de la media definida por las

envolventes de la señal:
SD = mi,k (t) (2.39)
Este criterio es técnicamente el mejor de todos cuando se establece como re-

querimiento SD = 0; pero por lo anteriormente expuesto difı́cilmente esto se
cumplirá. Este criterio exige la formación simétrica de las envolventes, por lo que
garantiza ı́ntegramente la primer condición, la segunda por otro lado, será más
inexacta en cuanto mayor sea el valor establecido para SD.
El criterio número-S
Este criterio, también establecido por Huang [28], esta relacionado de cerca al
sifting process. Para evaluar este criterio es necesario contar el número de cruces
por cero y el número de extremos de la señal. El número-S se define como el número
de siftings consecutivos en los que la cantidad de cruces por cero y de extremos
de la señal permanecen sin cambios y son los mismos o difieren en máximo una
unidad.
El criterio de número fijo de siftings
En un trabajo de Wu [29] de 2004, se llega a la conclusión de que la EMD no es

más que un banco de filtros diádicos. Nuevamente en un trabajo más reciente de
Wu [30] de 2010, se llega a la conclusión de que esta propiedad en la que la EMD
actua como un banco de filtros solo es valida si el numero de siftings consecutivos
es siempre un mismo número, esto es 10 siftings consecutivos. La propiedad dia-
dica se perdera si el número de siftings consecutivos es muy grande o muy pequeño.
Ninguno de estos criterios presentados anteriormente puede garantizar la ex-

tracción de una IMF ciento por ciento real. No se puede garantizar obtener dos
IMFs iguales de la misma señal descompuesta con dos criterios de paro distintos,
inclusive, pequeños cambios realizados a un mismo criterio puede llegar a arrojar
resultados muy diferentes en cuanto al numero y forma de IMFs que componen
la señal.
Si el criterio de paro es extremadamente riguroso se necesitarán demasiados
siftings antes de alcanzar una IMF. Esto dará como resultado una señal puramente
modulada en frecuencia , la cual carecerá de todo sentido fı́sico respecto a la señal
original.
Es por estas razones expuestas es que conceptos como la manera en que se

tratarán los bordes de las envolventes y el criterio de paro deben ser elegidos
estrictamente en función de la naturaleza de la señal a analizar y el objetivo de
el análisis, o se corre el riesgo de obtener una serie de IMFs de una señal que no
sea de ninguna utilidad.
CAPÍTULO 3
Metodologı́a Propuesta
En el presente capı́tulo se presentarán la manera en la que se ha creado la base

de datos con la que se trabajará, la descomposición de un par de corrientes de
motor y la descripción de un par de metodologı́as con las que se trabajó durante
la elaboración de esta tesis.
La primera de ellas permitirá clasificar con un buen rango de acierto entre
motores con una barra rota y motores en buen estado, pero sólo es efectivo para
detectar el daño cuando el motor está sometido a 3/4 de su carga nominal. Por ello,
una segunda metodologı́a fue explorada, obteniendo resultados muy satisfactorios
tanto con el motor sometido a 3/4 de carga y a 1/2 de carga. Adicionalmente, esta
segunda metodologı́a permite detectar no solo cuando la barra está completamente
rota, sino que puede detectar una barra con una fisura de 5mm de profundidad.
La primer metodologı́a fue enviada, aceptada y presentada en el IEEE Interna-
tional Instrumentation and Measurement Conference en su edición 2014, celebrado
en Montevideo, Uruguay. Mientras que la segunda metodologı́a, que fue sometida
a muchas más pruebas que la primera, fue enviada a la revista IEEE Transactions
on Instrumentation and Measurement. La versión extendida del artı́culo ya ha
sido aceptada para su publicación en la edición 2015 de la revista.
33
34 Capı́tulo 3. Metodologı́a Propuesta
3.1. Adquisición de datos

El sistema de adquisición de datos se compone por un amperı́metro de corriente
alterna de gancho (Figura 3.1) marca Fluke modelo i200s, que se encarga de
medir la corriente de una de las fases del estator. La conversión analógica-digital
es realizada por un ADC de la marca Texas Instruments modelo ADS7809, la
frecuencia de muestreo se estableció a 3.2 KHz y una longitud de palabra de 16
bits.
Figura 3.1: Amperimetro Fluke i200s
Para las mediciones se uso un motor ası́ncrono de 1 Hp en óptimo estado, el

cual se acopló mecánicamente por medio de una banda y poleas a un alternador
(Figura 3.2a). El alternador a su vez, fue sometido a diferentes niveles de cargas
resistivas (sin carga, a 1/2 carga y a 3/4 de carga) para realizar la captura de
datos bajo diferentes condiciones de carga.
Para la siguiente captura de datos se desarmo el motor para tener acceso
al rotor. Entonces el rotor se daño con ayuda de una fresadora cnc de manera
progresiva una de las barras, haciendo la perforación cada vez 1 mm más profunda,
hasta alcanzar la completa ruptura de la barra (la barra tiene una profundidad de
10mm). La Figura 3.3 muestra el rotor bajo dos niveles de perforación. Para cada
nivel de perforación se capturó la corriente de estator bajo las tres condiciones
de carga anteriormente mencionadas. La captura de corriente se realizó desde el
encendido del motor, cubriendo todo el transitorio y finalizó hasta después de la
captura de la corriente en estado estable.
3.2. Muestras entre Cruce por Cero 35
(a) Motor acoplado al alternador
(b) Resistencias de carga
Figura 3.2: Acople Motor-Alternador-Carga
Finalmente en la Figura 3.4 se muestra el sistema completo con el que se

realizó la base de datos con la que se trabajó en el desarrollo de la presente tesis.
3.2. Muestras entre Cruce por Cero

Un concepto importante para llevar a cabo el desarrollo de esta metodologı́a
es número de Muestras Entre Cruce por Cero (SBZC). La señal de corriente
de motor que se pretende analizar es muestreada digitalmente a una frecuencia
de 3.2 Khz para poder llevar a cabo su descomposición mediante EMD y su
posterior clasificación. El concepto de SBZC se refiere precisamente al número
(a) Fisura de 1mm.
(b) Barra completamente rota (10mm de perforación).
Figura 3.3: Rotor con dos diferentes niveles de perforación.
de muestras que durante el muestreo de la señal forman un semiciclo, ya sea el

semiciclo positivo o el semiciclo negativo. Este número de muestras es contado
desde la primer muestra que se obtiene por parte del ADC con un valor, positivo
o negativo, seguido por todas las muestras consecutivas que mantengan el mismo
signo. Cuando el signo de la siguiente muestra se invierte se da por finalizado este
conteo y se inicia uno nuevo. Ası́ como existe un número finito de muestras en
toda la señal, existe un número finito menor al número de muestras de Cruces por
Cero (ZC) y cada ZC tiene asociado un número finito de SBZC.
3.3. Tiempo entre Cruces por Cero Sucesivos 37
Figura 3.4: Sistema completo de adquisición de datos. (a) Resistencias de carga.

(b) Tarjeta de adquisición de datos. (c) Motor y alternador acoplados por una
banda. (d) Acelerómetro. (e) Amperı́metro. (f) Computadora.
3.3. Tiempo entre Cruces por Cero Sucesivos

Este concepto esta intrı́nsecamente ligado al SBZC, debido a que es exacta-
mente lo que su nombre indica, la cantidad de tiempo que transcurre entre dos
cruces por cero sucecesivos o en otras palabras el tiempo que dura cada semiciclo.
Este se puede calcular a partir del número de SBZC y conociendo la frecuencia
con la que se esta muestreando la señal. En este caso, la frecuencia de muestreo es
de 3.2 Khz, lo que significa un periodo de 312.5 μs. Solo basta seguir la ecuación
3.1 para obtener el valor de cada grupo de SBZC en TSZC:
SBZC
= T SZC (3.1)
fs
Cabe mencionar que los conceptos TSZC y SBZC estan tan relacionados que
tambien es posible conocer los SBZC a partir de el TSZC. La Figura 3.5 ilustra un
ejemplo de una señal chirp, la cual es muestreada a 100 Hz. Se han marcado las
muestras con cı́rculos azules, y a partir de ellas y la frecuncia fs se ha calculado
el TSZC en segundos. Cada semiciclo corresponde a una frecuencia caracteristica,
que también ha sido calculada a partir del TSZC.
Figura 3.5: Señal chirp, con los SBZC en cı́rculos azules y el TSZC de cada semi-
ciclo calculado a partir del numero de SBZC y la frecuencia de muestreo fs .
3.4. EMD de la corriente de un motor

La captura de la corriente del motor se realiza durante un periodo de 10
segundos, que corresponde a 32000 muestras. En la Figura 3.6 puede observarse
la corriente de un motor en buen estado que ha sido capturada y esta lista para ser
procesada. Como puede observarse, el transitorio tiene una duración aproximada
de poco mas de tres segundos, mientras que el resto corresponde al motor ya
entrado en estado estable. El hecho de que la captura sea tan prolongada facilita
y reduce el numero de corridas de motor para capturar datos, debido a que en
una sola corrida se capturan tanto el transitorio como el estado estable para un
mismo nivel de carga y de daño. Para el desarrollo de la metodologı́a se utilizarán
solo 2048 puntos, y estos pueden provenir del transitorio o del estado estable,
según se este analizando. Cuando se habla de analizar el transitorio, las muestras
a analizar parten desde la primera hasta la 2048. Mientras que si se analiza el
estado estable se toma como primer muestra la muestra 29953, mientras que la
última corresponde efectivamente a la muestra 32000.
Para descomponer las muestras seleccionadas ya sea para transitorio o para
estado estable, se utilizó una rutina que realiza la EMD en MATLAB, creada por
3.5. Clasificación basada en la Mediana 39
Figura 3.6: Corriente capturada de un motor en buen estado
Rilling [31]. Esta función puede realizar la descomposición de manera automática

tomando sus propios valores preestablecidos como criterio de paro. La función cal-
culará IMFs hasta que el residuo de la señal a analizar sea una función monotónica.
En la Figura 3.7 se puede observar los resultados obtenidos de la descomposición
llevada a cabo por la función de Rilling sobre la misma corriente mostrada en la
Figura 3.6. Puede observarse que esta función descompone la señal de corriente
en quince IMFs. Cada corriente capturada puede ser descompuesta en promedio
entre 14 y 16 IMFs antes de que el residuo sea una función monotónica. Pero
puede verse que la mayor cantidad de oscilaciones que retienen información sobre
la señal se localizan en las primeras diez IMFs, y aún más, la mayor parte de
las oscilaciones que representan la frecuencia de alimentación se encuentran entre
las primeras cinco IMFs. Por esta razón, en la metodologı́a solo se hará uso, a lo
mucho, de hasta la quinta IMF. Los últimos niveles solo engloban ruidos de baja
frecuencia y sobre todo, la propagación de los efectos de borde y las oscilaciones
inducidas por la naturaleza del spline cúbico.
3.5. Clasificación basada en la Mediana

Esta metodologı́a es aplicable a señales provenientes del motor en buen esta-
do y con una barra rota, ambos a 3/4 de carga. El diagrama a bloques de esta
metodologı́a se muestra en la Figura 3.8. El criterio de clasificación se basa ma-
yormente en el signo que toma la mediana de la suma de dos IMFs consecutivas.
En el caso de analizar corriente proveniente del transitorio del motor las IMFs
Figura 3.7: EMD de la corriente de la Figura 3.6 por medio de la función EMD
para MATLAB de Rilling.
3.5. Clasificación basada en la Mediana 41
que se utilizan para el análisis son la IMF2 y la IMF3, mientras que para estado
estable se utilizan la IMF4 e IMF5. Cuando se analiza un motor en buen estado
la mediana de la suma de IMF2 e IMF3 tiene un signo positivo, mientras que si
se analiza la corriente proveniente de un motor con una barra rota, la mediana
de la suma de IMF4 e IMF5 tiene un signo negativo. Aunque el signo de la me-
diana es mas que suficiente en prácticamente la mayorı́a de los casos estudiados,
en algunos experimentos con corrientes de motor con una barra rota y en esta-
do estable la mediana tiene un signo positivo, de un modo similar, en algunos
experimentos con corrientes de motor en buen estado y en estado estable tienen
una mediana negativa. Esto harı́a que ambos casos fueran mal clasificados, por lo
que se buscó una caracterı́stica adicional que fuera capaz de discernir cuando una
corriente de motor pudiera llegar a estarse clasificando de manera errónea. Como
resultado, el número de cruces por cero de la suma de las IMFs mismas de donde
se calcula la media brinda una solución que es satisfactoria en la mayorı́a de los
casos. Ası́, el criterio de clasificación para la corriente de motor en transitorio se
muestra en la Tabla 3.1. De manera similar, la Tabla 3.2 se muestra el criterio de
clasificación para la corriente de motor proveniente de un un motor en en estado
estable (después de que el transitorio ha sucedido). En el siguiente capı́tulo se
mostrarán los resultados de clasificación bajo esta metodologı́a
Tabla 3.1: Criterio de clasificación de motores basado en la mediana y cruces por

cero. Para corrientes de motor en transitorio a 3/4 de carga.
Criterio de Clasificación basado en la mediana, Transitorio

Estado del motor Mediana Cruces por cero
Buen estado Positiva 119 o menos
Una Barra Rota Positiva 120 o mas
Una Barra Rota Negativa No aplica
Tabla 3.2: Criterio de clasificación de motores basado en la mediana y cruces por

cero. Para corrientes de motor en estado estable a 3/4 de carga.
Criterio de Clasificación basado en la mediana, Estado Estable

Estado del motor Mediana Cruces por cero
Buen estado Positiva No aplica
Buen estado Negativa 67 o menos
Una Barra Rota Negativa 68 o mas
Figura 3.8: Metodologı́a basada en la mediana
3.6. Criterio de clasificación basado en los TSZC
Los resultados obtenidos utilizando el signo de la mediana solo son buenos

cuando se analiza el motor bajo 3/4 de carga, por lo que se exploró más profunda-
mente diferentes opciones en busca de una solución que permitiera detectar la falla
cuando el motor es sometido a cargas menores y a fisuras de 5mm de profundidad,
obteniendo como resultado una metodologı́a modificada que es capaz de detectar
las fallas en motores a 3/4 de carga y a 1/2 carga, al mismo tiempo que identifica
si el motor se encuentra en buen estado o si tiene una fisura de 5mm o una barra
rota. En la Figura 3.9 se muestra un diagrama a bloques de esta metodologı́a, que
será explicada en las siguientes subsecciones.
3.6. Criterio de clasificación basado en los TSZC 43
Figura 3.9: Metodologı́a basada en los SBZC y TSZC
Al igual que en la metodologı́a basada en la mediana, esta metodologı́a se

aplica a transitorio y a estado estable, y las IMFs que se evalúan para cada caso
son diferentes.
3.6.1. Detección de fallas en transitorio

Para detectar esta falla, primero se deben sumar la segunda y tercer IMFs
obtenidas de la EMD de la corriente. La Figura 3.10a muestra la suma de estas
IMFs para un motor en buen estado, mientras que la Figura 3.10b muestra la
suma de las mismas IMFs para un motor con una barra rota. Puede observarse
que a simple vista no hay prácticamente ninguna diferencia. Pero en realidad, la
hay. Al resultado de la suma de estas IMFs se le calcula la cantidad de SBZC
para todos los semicilos presentes tanto para el motor en buen estado como para
el motor dañado. En la Figura 3.11 se muestran los cruces por cero sucesivos y la
cantidad de SBZC que cada cruce por cero posee de las señales de la Figura 3.10a
(en lı́nea discontinua y cruces azules) y 3.10b (en lı́nea punteada y cı́rculos rojos).
Fijando nuestra atención a los SBZC obtenidos de las IMFs de la corriente de
motor en buen estado (Figura 3.11, lı́nea discontinua y cruces azules), podemos
observar que los primeros 20 cruces por cero tienen un número bajo de SBZC,
esto coincide con el ruido que es registrado antes del arranque del motor y que
también esta presente en la Figura 3.10a, pero después del cruce por cero número
20 todos los demás cruces por cero mantienen un muy estable número de SBZC
de 26 muestras. Esto no es de extrañarse, debido a que estas oscilaciones están
representando la frecuencia de alimentación del motor. Esto lo sabemos al calcular
el TSZC, que acorde a la ecuación 3.1 obtenemos:
26 muestras
= .008125s (3.2)
3200 muestras/s
La frecuencia con la que se alimenta el motor en todas las pruebas es de 60 Hz,
por lo que su periodo es de 1/60 Hz−1 y un semicilo es exactamente la mitad: 1/120
Hz−1 o lo que es igual, .00833 s. Esto corresponde entonces, a un comportamiento
normal. Pero ahora, fijemos la atención a los SBZC de las IMFs de la señal del
motor dañado (Figura 3.11, en lı́nea punteada y cı́rculos rojos) vemos el mismo
efecto del ruido previo al arranque del motor, pero no del mismo modo, después
del cruce por cero número 20 en adelante el número de SBZC no se mantiene
uniforme, sino que el valor oscila entre las 26 muestras, ocasionalmente tomando
el valor de 26 muestras, pero en su mayorı́a los SBZC tienen un valor mayor o
menor a 26 muestras. Estos semiciclos corresponden a una frecuencia de oscilación
ligeramente mayor y menor a los 60 Hz. Y es a partir de esta diferencia que se
forma el criterio de clasificación.
La desviación estándar de los SBZC de IMF2+IMF3 para un motor en buen
estado es menor que la de IMF2+IMF3 de un motor con una barra rota. Para
evitar incluir información de SBZC de cruces por cero que solo representan ruido,
un discriminador de cruces por cero debe ser aplicado antes que el cálculo de
la desviación estándar. Este discriminador, eliminará los cruces por cero que no
cumplan o que excedan un lı́mite inferior o superior respectivamente de muestras.
Estos lı́mites corresponden a 24 muestras para el lı́mite inferior y 29 para el
superior, y se han marcado en la Figura 3.11. Esto descartará aproximadamente
los primeros 20 cruces por cero que no corresponden a la zona de análisis de
interés, puesto que solo agregarı́an ruido. Para el caso de una barra con una fisura
(a) IMF2+IMF3 para un motor a 3/4 de carga en buen estado
(b) IMF2+IMF3 para un motor a 3/4 de carga con una barra rota
Figura 3.10: Suma de IMF2 e IMF3 de motor en buen estado y dañado
de 5mm de profundidad, los resultados son muy similares a los de la barra rota,
y el mismo criterio es satisfactorio para discernir entre un motor en buen estado
y un motor con una fisura de 5mm.
3.6.2. Detección de fallas en estado estable

Para la detección de fallas en estado estable, se sigue un procedimiento similar
al de la detección de fallas en transitorio, solo que para este caso la señal resultante
a analizar será la suma de IMF3 e IMF4. En la Figura 3.12a se muestra la suma
de IMF3+IMF4 para un motor en buen estado, mientras que en la Figura 3.12b
se encuentra la suma de IMF3+IMF4 para un motor con una barra rota.
Figura 3.11: SBZC de IMF2+IMF3 de un motor en buen estado (azul) y de un

motor con una barra rota (rojo).
Puede observarse que la amplitud de la señal de corriente en las gráficas de la

Figura 3.12 tienen una amplitud menor a diferencia de las gráficas mostradas en
la Figura 3.10 puesto que las primeras corresponden al momento de arranque del
motor, cuando la corriente es mas elevada, mientras que estas son de cuando el
motor ya ha alcanzado su velocidad nominal y la corriente por ende disminuye.
También se observa que las señales del transitorio comienzan con un valor de
corriente de cero, correspondiente al arranque, mientras que las señales del estado
estable muestran desde el inicio una señal senoidal estable.
Nuevamente el número de SBZC y el TSZC es calculado para las señales en la
Figura 3.12 y los resultados se muestran en la Figura 3.13. Se observa nuevamente
que para el motor en buen estado (lı́nea discontinua y cruces azules) la mayorı́a de
los SBZC corresponden a 26 muestras, mientras que para el motor dañado (lı́nea
punteada y cı́rculos rojos) el número de SBZC nuevamente oscila alrededor de las
26 muestras, pero esta vez se alejan más que en el estado transitorio.
Es por ello que para estado estable, el discriminador de SBZC debe colocarse en
un nuevo par de lı́mites: 20 muestras como mı́nimo y 32 muestras como máximo,
(a) IMF3+IMF4 para un motor a 3/4 de carga en buen estado
(b) IMF3+IMF4 para un motor a 3/4 de carga con una barra rota
Figura 3.12: Suma de IMF3 e IMF4 de un motor en buen estado y uno dañado
como se puede ver en la Figura 3.13. Nuevamente la diferencia entre el número

de SBZC forma el criterio de clasificación. La desviación estándar de los SBZC de
IMF3+IMF4 del motor en buen estado es menor que la de los SBZC del motor con
una barra rota. De manera similar a la detección de barras con una fisura de 5mm
en el transitorio, las corrientes provenientes de un motor fisurado en estado estable
se comporta del mismo modo que aquel con una barra rota, lo que nuevamente
permite discernir entre un motor en buen estado y un motor con una fisura de
5mm.
Figura 3.13: SBZC de IMF3+IMF4 de un motor en buen estado (azul) y de un

motor con una barra rota (rojo)
CAPÍTULO 4
Pruebas Experimentales y Resultados
En el presente capı́tulo se someterán a prueba las metodologı́as que se presenta-

ron en el capı́tulo anterior y se reportarán los resultados bajo todas las condiciones
de carga y de tipo de corriente posibles y aplicables a ambas metodologı́as. Al final
de este capı́tulo se presenta un grupo de tablas en donde se pueden ver todos los
resultados obtenidos.
49
50 Capı́tulo 4. Pruebas Experimentales y Resultados
4.1. Resultados de clasificación en base a la me-

diana
Esta metodologı́a es probada usando 200 corridas de un motor a 3/4 de carga
tanto en estado transitorio como en estado estable.
4.1.1. Detección de fallas en transitorio

La Figura 4.1 muestra el resultado de analizar 50 corridas de un motor en
buen estado y 50 corridas de un motor con una barra rota bajo el criterio de la
mediana. Puede observarse que la mayorı́a de las corridas se clasifican de manera
correcta, exceptuando por tres corridas en buen estado que tienen una mediana
negativa y cuatro corridas de una barra rota con mediana positiva.
Figura 4.1: Evaluación de corrientes en transitorio bajo criterio de la mediana.

Se ha descompuesto la señal de corriente transitorio del motor en IMFs y se han
sumado las IMF2 e IMF3. El resultado de la suma de esas IMFs es analizado
bajo el criterio de la mediana. Las primeras 50 corridas son de un motor en buen
estado, las siguientes 50 corridas son de un motor con una barra rota.
Como se expuso en el capı́tulo anterior, es posible corregir la mala clasifica-

ción de las corridas en mal estado que resultaron con una mediana positiva. Para
esto en la Figura 4.2 se muestra el número de cruces por cero que presenta la
4.1. Resultados de clasificación en base a la mediana 51
suma de IMF2 e IMF3. Puede observarse que las corridas 71, 76, 83 y 95 presen-
tan un elevado número de cruces por cero. Ası́, aplicando el criterio de la Tabla
3.1 se pueden corregir estas corridas para ubicarlas como corridas de un motor
dañado. En cuanto a las corridas 25, 30 y 35 no es posible corregir su incorrecta
clasificiación, y representan un error en esta metodologı́a.
Figura 4.2: Cruces por cero de IMF2+IMF3. Las corrientes de motor que se clasi-
fican de manera errónea en la Figura 4.1 presentan un elevado número de cruces
por cero.
Para evaluar la certeza de esta metodologı́a en el régimen transitorio se ha

calculado la Función de Densidad de Probabilidad (PDF) de ambas clases. En la
Figura 4.3 se grafican estas dos PDFs. La certeza de la metodologı́a corresponde
al área debajo de la curva de PDF de cada clase que no se empalme con el área de
otra curva de PDF de alguna otra clase. El área total de una PDF sin empalme
alguno corresponderı́a teóricamente a unidad. Esta área, en el caso de la Figura
4.3 corresponde a .8764 para ambas clases, lo que nos da una certeza del 87.64 %
de clasificar correctamente una señal de motor bajo esta metodologı́a.
Figura 4.3: PDF de los resultados obtenidos por el criterio de la clasificación por
medio de la mediana para corriente de motor en transitorio a 3/4 de carga
Figura 4.4: Evaluación de corrientes en estado estable bajo criterio de la mediana.

Se ha descompuesto la señal de corriente del motor en IMFs, y se han sumado
las IMF3 e IMF4. El resultado de la suma de esas IMFs es analizado bajo el
criterio de la mediana. Las primeras 50 corridas son de un motor en buen estado
las siguientes 50 corridas son de un motor con una barra rota.
4.1. Resultados de clasificación en base a la mediana 53
4.1.2. Detección de fallas en estado estable

Ahora se procede a analizar la corriente proveniente del motor en estado es-
table. De acuerdo a la metodologı́a de la mediana se descompone la corriente de
motor hasta la cuarta IMF, se suman IMF3 e IMF4 y se procede a evaluarlas bajo
el criterio de la mediana. En la Figura 4.4 se muestran los resultados.
Figura 4.5: Cruces por cero de IMF3+IMF4. La corrida de motor con una barra
rota que resulto con el valor mas cercano a cero en la Figura 4.4 tambien resulta
tener la mayor cantidad de cruces por cero
Como puede verse, todas las corridas en buen estado presentan una mediana
positiva, mientras que todas las corridas de barra rota presentan una mediana
negativa. Aunque estrictamente para ninguna de estas pruebas haga falta, en la
Figura 4.5 se muestran los cruces por cero de IMF3+IMF4 de cada corrida de
motor en estado estable, tanto en buen estado como con una barra rota. Podemos
observar que la cantidad de cruces por cero es ligeramente mayor para las corridas
de motor con una barra rota mientras que para las corridas de motor en buen
estado es menor. Centrando la atención en la corrida de motor con barra rota que
resulto más cercana al valor de cero, la corrida 84 de la Figura 4.4, se observa en la
Figura 4.5 que al mismo tiempo su número de cruces por cero también resultó ser
el más alto. De este hecho es que se establece el número de cruces por cero a 80,
esperando prevenir errores en la clasificación incorrecta de corrientes de motor

dañado.
Finalmente, la PDF resultante de ambas clases bajo este criterio se muestra
en la Figura 4.6. Ninguna de las clases se empalman, por lo que existe un 99.7 %
de probabilidad de clasificar de manera correcta una corriente de motor en estado
estable a 3/4 de carga bajo esta metodologı́a.
medio de la mediana para corriente de motor en estado estable a 3/4 de carga.
Se puede ver que esta metodologı́a ofrece excelentes resultados para la clasifi-
cación en estado estable. La desventaja radica en que solamente se puede aplicar
a motores bajo 3/4 de carga y en los que la barra se ha perforado completamente.
4.2. Resultados de clasificación en base a SBZC

y TSZC
Esta metodologı́a es puesta a prueba para 600 corridas de motor: 300 corridas
en estado estable y 300 corridas en transitorio. Para cada uno de estos grupos,
150 corridas son a 3/4 de carga y 150 a 1/2 carga, de las cuales, son 50 corridas
en buen estado, 50 corridas con una barra fisurada y 50 corridas con una barra
completamente rota.
4.2. Resultados de clasificación en base a SBZC y TSZC 55
Figura 4.7: Resultado de análisis criterio SBZC y TSZC en transitorio y a 3/4 de

carga.
Los resultados obtenidos se presentan a continuación.
4.2.1. Detección de fallas en transitorio a 3/4 de carga

La Figura 4.7 muestra el resultado de analizar los SBZC y TSZC de la suma
de IMF2 e IMF3 para 50 corridas de motor en buen estado, 50 corridas de un
motor con una barra fisurada a 5mm de profundidad y 50 corridas de motor con
una barra rota. Los limites del discriminador para este análisis se colocaron a 24
y 29 SBZC, todo esto deacuerdo a la metodologı́a descrita en el capı́tulo anterior
para estas condiciones de motor a analizar.
Se puede observar en la Figura 4.7 que las corridas en buen estado se separan
casi completamente de las corridas del motor fisurado y de las corridas de motor
con una barra rota. Por otro lado, las corridas de motor fisurado y las de una
barra rota tienen un comportamiento muy similar que no permitirı́a separarlas
entre ellas. Es por ello que para efecto de ilustrar la efectividad del método, las
corridas de motor fisuradas y de una barra rota se englobarán en una sola clase:
medio de los SBZC y TSZC para corriente de motor en transitorio a 3/4 de carga.
corridas dañadas. De igual manera que con los resultados obtenidos del criterio
de la mediana, se calcula la PDF de los resultados para esta metodologı́a en
transitorio a 3/4 de carga, para las corridas en buen estado y las corridas dañadas
(las corridas fisuradas y de una barra rota juntas, como una nueva clase). Asi,
estas PDFs resultantes del análisis a 3/4 de carga en transitorio se muestran en la
Figura 4.8. El solapamiento de las clases es mı́nimo, el área debajo de cada curva
sin empalmar asegura una certeza del 99. % al momento de clasificar corridas de
motor en transitorio a 3/4 de carga. Los resultados individuales de clasificación
de las corridas en buen estado contra las corridas fisuradas y contra las corridas
de barra rota se mostrarán en la sección final de este capı́tulo, para este caso y
para todos los siguientes.
4.2.2. Detección de fallas en transitorio a 1/2 carga

Los resultados del análisis bajo estas condiciones se muestran en la Figura
4.9. Nuevamente se analizan 50 corridas de motor en buen estado, 50 corridas
de motor con una barra fisurada (5mm) y 50 corridas de motor con una barra
Figura 4.9: Resultado de análisis criterio SBZC y TSZC en transitorio y a 1/2 de

carga.
rota. Los lı́mites del discriminador se mantienen en el mismo rango de valores de

24 SBZC para el inferior y 29 SBZC para el superior. Se puede observar que los
resultados de las corridas de motor en buen estado se separan claramente de las
corridas de motor con una barra fisurada y de las corridas de motor con una barra
rota, mas sin embargo, nuevamente las corridas fisuradas y de una barra rota no
se separan entre si. De nuevo se agregan estas dos clases para formar una sola:
corridas dañadas. La evaluación de la metodologı́a para detección de fallas bajo
1/2 de carga en transitorio se muestra en la Figura 4.10. En este caso, en ningún
momento se empalman las PDFs de las clases, asegurando un acierto del 99.7 %
en la clasificación.
4.2.3. Detección de fallas en estado estable a 3/4 de carga

De acuerdo a la metodologı́a descrita anteriormente, para la detección de fallas
en estado estable se suman las IMF3 e IMF4, se calculan los SBZC de la señal
resultante y se les aplica el discriminador, con 20 SBZC como lı́mite inferior y
medio de los SBZC y TSZC para corriente de motor en transitorio a 1/2 de carga.
32 SBZC como lı́mite superior. Finalmente, se calcula el TSZC de los SBZC que
no fueron discriminados y su SD. La Figura 4.11 muestra el resultado del análisis
de 50 corridas de motor en buen estado, 50 corridas de motor con una barra
fisurada (5mm) y 50 corridas de motor con una barra rota. Las corridas de motor
en buen estado se separan completamente de las corridas de motor fisurado y de
una barra rota. Mas nuevamente, las corridas de motor fisurado y de barra rota no
pueden separarse entre ellas. Del mismo modo que en los casos anteriores, se crea
una nueva clase con la unión de las corridas fisuradas y de barra rota: corridas
dañadas. La evaluación de los resultados se muestra en la Figura 4.12. Se observa
claramente como las clases están muy bien separadas, resultando en una confianza
del 99.7 % en la clasificación de las corrientes para estas condiciones.
Figura 4.11: Resultado de análisis criterio SBZC y TSZC en estado estable y a

3/4 de carga.
4.2.4. Detección de fallas en estado estable a 1/2 carga
Esta es la última condición de motor que la metodologı́a evalúa. También es

sometida a prueba con 50 corridas de motor en buen estado, 50 corridas de motor
con una barra fisurada (5mm) y 50 corridas de motor con una barra rota. La
señal que se analiza es la suma de IMF3 e IMF4 y el discriminador mantiene
los limites de 20 SBZC y 32 SBZC. Los resultados se muestran en la Figura
4.13, donde puede verse que la clase de motor en buen estado llega a combinarse
ligeramente con las clases de las corridas fisuradas y de las corridas de barra rota.
Estos resultados aparentemente no son tan satisfactorios como los anteriores, pero
realmente también son buenos. Esto puede verse evaluando las PDFs de las clases.
Nuevamente las corridas de motor fisuradas y las corridas de motor con una barra
rota se han unido como una sola clase y la Figura 4.14 muestra que si existe
un empalme entre las PDFs, pero este empalme corresponde solo al 2 % del área
de ambas clases, permitiendo obtener una certeza en la clasificación bajo estas
condiciones del 98 %.
medio de los SBZC y TSZC para corriente de motor en estado estable a 3/4 de
carga.
Figura 4.13: Resultado de análisis criterio SBZC y TSZC en estado estable y a

1/2 de carga.
4.3. Sumario de resultados 61
medio de los SBZC y TSZC para corriente de motor en estado estable a 1/2 de
carga.
4.3. Sumario de resultados

En la Tabla 4.1 se muestran los resultados obtenidos para la detección de
fallas de manera individual entre 50 corridas de motor en buen estado contra 50
corridas de motor fisurado a 5mm de profundidad y en la Tabla 4.2 se encuentran
los resultados individuales entre 50 corridas de motor en buen estado contra 50
corridas de motor con una barra rota.
Tabla 4.1: Resultados individuales de clasificación. Corridas en buen estado contra

corridas fisuradas a 5mm de profundidad.
Criterio de clasificación
Condición del motor SD de TSZC Signo de la mediana
Transitorio, 3/4 carga —————— 99.7 % No aplica
Estado Estable, 3/4 carga ———— 99.7 % No aplica
Los resultados globales, entre las 50 corridas de motor en buen estado contra
Tabla 4.2: Resultados individuales de clasificación. Corridas en buen estado contra

corridas de una barra rota.
Estado del motor SD de TSZC Signo de la mediana
Transitorio, 3/4 carga —————— 99.7 % 87.64 %
Estado Estable, 3/4 carga ———— 99.7 % 99.7 %
una sola clase que es formada por las 50 corridas de motor fisurado y las 50
corridas de motor con una barra rota se muestran en la Tabla 4.3. En esta tabla
no se muestra el criterio del signo de la mediana debido a que éste no aplica en
todos los casos que forman las corridas dañadas.
Tabla 4.3: Resultados globales, corridas en buen estado contra corridas dañadas
(corridas fisuradas 5mm y corridas de barra rota juntas en una sola clase).
Estado del motor SD de TSZC
Transitorio, 3/4 carga —————— 99 %
Transitorio, 1/2 carga —————— 99.7 %
Estado Estable, 3/4 carga ———— 99.7 %
Estado Estable, 1/2 carga ———— 98 %
CAPÍTULO 5
Implementación de la EMD en VHDL
Como parte de este trabajo de tesis, se ha descrito la EMD en VHDL para ser
implementada en un FPGA. En este capı́tulo se hará una descripción detallada de
todos los bloques y sub-bloques que conforman la EMD. Finalmente, se mostrarán
los resultados de la implementación en un par de FPGAs de Xilinx.
63
64 Capı́tulo 5. Implementación de la EMD en VHDL
5.1. EMD en HDL

La tarea de realizar la EMD en el FPGA se lleva a cabo por cinco bloques prin-
cipales, que son controlados por una unidad principal de control. A su vez, cada
bloque principal se divide en sub-bloques más sencillos, que trabajando conjunta-
mente realizan la tarea asignada a cada bloque principal. La Figura 5.1 muestra
como esta formada y organizada esta entidad por los cinco bloques principales:
Control Principal, Combinacional, Residuo, Proceso Iterativo y Combinacional.
En las siguientes subsecciones se describirá el funcionamiento de cada uno de
los bloques principales que conforman la EMD en el FPGA.
5.1.1. Bloque: Banco de Memorias

En este bloque se localizan cinco memorias RAM. En la memoria “Memoria
Corriente”se almacenan las 2048 muestras de corriente de motor a analizar, estas
provienen directamente del convertidor ADC y el proceso de direccionamiento y
habilitación de la escritura son controlados directamente por otro proceso ajeno
al proceso de la EMD. Desde este bloque, los datos de la corriente a descomponer
son llevados al bloque Proceso Iterativo, en donde se realiza un sifting process.
El resultado obtenido del primer sifting regresa a este bloque y se almacena en
la memoria “Mem IMF1”. Si el resultado del primer sifting no cumple el criterio
para que se le considere una IMF, entonces el “Proceso Iterativo” es puesto en
funcionamiento nuevamente, pero esta vez, los datos a analizar son extraidos de
la memoria “Mem IMF1” en vez de “Memoria Corriente”. El nuevo resultado
obtenido del sifting es reescrito en “Mem IMF1” y ası́ sucesivamente hasta que el
resultado del sifting cumpla con el criterio de paro. En ese momento, se es leı́do el
contenido de “Memoria Corriente” al mismo tiempo que el de “Mem IMF1” para
que el primer residuo sea generado, este no se almacena en este bloque. Después
el sifting process es llevado a cabo nuevamente sobre los datos del residuo y el
resultado obtenido es almacenado en “Mem IMF2”. El sifting es repetido cuantas
veces sea necesario sobre los datos de “Mem IMF2” hasta obtener la segunda IMF,
el resultado de cada sifting es sobrescrito en esta memoria. De manera similar,
las IMF3 e IMF4 son obtenidas y almacenadas en las memorias “Mem IMF3” y
“Mem IMF4” de este bloque. La Figura 5.2 muestra de manera mas detallada el
contenido de este bloque. Las cuatro memorias que almacenan las IMFs tienen un
bus común “IMF” para los datos de entrada “DE”. Para la dirección de entrada
5.1. EMD en HDL 65
Figura 5.1: EMD en FPGA

Figura 5.2: Bloque: Banco de Memorias
“AE” y la dirección de salida “AS” se utiliza un único bus “As0”, compartido

también por las cuatro memorias, esto hace que la localidad que se esta leyendo sea
la misma localidad que se sobreescribirá en caso de ser necesario. De este modo,
cuando está llegando una posible IMF por el bus “IMF”, las cuatro memorias
tienen acceso a los datos, mas sin embargo, cada memoria tiene su propia lı́nea
de habilitación de escritura: “W1”, “W2”, “W3” y “W4”. Ası́, aunque los datos
estén llegando a las cuatro memorias de manera simultanea, solo la memoria del
nivel de IMF adecuado será la que guarde estos datos. Por otro lado, todas las
memorias tienen un bus de salida independiente “D1”, “D2”, “D3” y “D4” para
hacer entrega de sus datos conforme sea necesario.
5.1.2. Bloque: Combinacional

Durante la realización de todo el proceso de obtener las IMFs es necesario
continuamente conmutar los datos que salen de un bloque para que alcancen
5.1. EMD en HDL 67
Figura 5.3: Bloque: Combinacional
a otro bloque. Por ejemplo, cuando se desea obtener la primer IMF desde la
corriente original, los datos a trabajar se encuentran en el bus “D0” mientras que
si se desea obtener la tercera IMF después de haber conseguido la segunda, los
datos a trabajar se encontraran en el bloque de residuo, en el bus “DR”. Para
realizar las conmutaciones conforme sea necesario, en este bloque se implementan
los multiplexores, demultiplexores y compuertas lógicas necesarias (de aquı́ el
nombre de este bloque, debido a que no es necesario ninguna señal de reloj para
su funcionamiento).
En la Figura 5.3 puede verse el detalle de como se conforma este bloque. Du-
rante el proceso de obtención de las IMFs, la estafeta de asignar la dirección
de lectura o escritura de las memorias cambia entre tres buses: “As1”, “As3” y
“As4”. Mientras por otro lado, las memorias comparten un único bus de dirección
para escritura y lectura: “As0”. Entonces es necesario un multiplexor 3 a 1 para
que esta estafeta cambie correctamente durante todo el proceso. Este multiplexor
es controlado por el bus “sel1” que es directamente escrito por el bloque control
principal; a lo largo de todo el proceso la salida de este multiplexor es asignada
directamente por la unidad de control. De manera similar, la salida de cada me-
moria tiene su propio bus independiente a las otras memorias: “D0”, “D1”, “D2”,
“D3”, “D4” y “DR”, mientras que la entrada de los datos a trabajar para buscar
la próxima IMF solo es una: “Ds”. Por ello otro multiplexor es necesario para
conmutar correctamente los datos que se trabajan durante todo el proceso. Este
multiplexor es controlado por el bus “sel2”, que también es escrito directamente
por el bloque de control principal conforme sea necesario a lo largo de todo el
proceso. En cuanto a la escritura de las IMFs en las memorias, esta no es habili-
tada directamente por el bloque de control principal, sino por el bloque Residuo.
Este controla la señal que manda a escribir la IMF cuando esta lista: “W”, más
sin embargo, no tiene el control sobre cual de las cuatro memorias será escri-
ta, asi que un demultiplexor es implementado para que la señal de escritura sea
correctamente enviada a la memoria correspondiente durante todo el proceso, que
puede ser “W1”, “W2”, “W3” o “W4”. Este demultiplexor es controlado también
directamente por el bloque de Control Principal por medio del bus “sel3”.
Por último, anteriormente se explicó que puede haber casos en que el número
de extremos de una envolvente puede diferir en una unidad a la otra envolvente,
por lo que la interpolación de una de las envolventes puede llevarse a cabo mas
rápido o mas lento que la otra, al haber que interpolar un punto más o un punto
menos, respectivamente. Cada bloque encargado de generar la interpolación (un
bloque para la envolvente superior y otro idéntico para la envolvente inferior)
tiene una señal de salida en la que se indica si la interpolación ha terminado:
“Fmax” y “Fmin”. Entonces es necesario que estos dos valores estén activos antes
de continuar el proceso y para ello estas señales son introducidas en una función
AND, que activará su salida “F2” únicamente cuando ambas interpolaciones hayan
finalizado. Esta salida es leı́da directamente por el bloque de Control Principal
para saber cuando se debe continuar con el proceso o cuando aún no es posible.
5.1. EMD en HDL 69
Figura 5.4: Bloque: Residuo
5.1.3. Bloque: Residuo

Este bloque no está incluido en el bloque de Proceso Iterativo debido a que
solo es puesto en funcionamiento tres veces durante todo el proceso de obtención
de las primeras cuatro IMFs de la corriente de motor. La Figura 5.4 muestra a
detalle como esta formado este bloque.
Este bloque se mantiene en espera hasta que la primer IMF es obtenida. Cuan-
do esta por fin es encontrada el bloque entra en funcionamiento por primera vez
por medio de su entrada de inicio “S4”. Un contador interno genera una cuenta
ascendente que es llevada al puerto de dirección de salida por medio de “As4” al
banco de memorias. Accediendo ası́ de manera simultanea a los datos almacenados
en la memoria de corriente del motor y de la primer IMF por sus puertos “D0”
y “Ds” respectivamente, para después realizar la substarcción de estos puntos y
finalmente almacenarlos en la memoria del residuo: “Mem Residuo”. Cuando el
conteo termina, los 2048 puntos de la primer IMF han sido substraı́dos de la señal
de corriente original y se han guardado en la memoria del residuo y se da aviso
al bloque de Control Principal por medio de la salida “F4”. En ese momento,
inicia de nuevo el Proceso Iterativo a funcionar para buscar la segunda IMF, que
parte su análisis desde los datos almacenados en el residuo. Para esto, el bloque de
Control Principal hace los cambios necesarios para que el bloque Combinacional
permita que la dirección de entrada que se modifica llegue al bloque del Residuo
a través de su entrada “As0” y los datos a analizar sean tomados de su puerto
de salida “DR”. Cuando la segunda IMF ha sido encontrada, este bloque inicia
su funcionamiento nuevamente, pero con una pequeña diferencia: La señal a la
que hay que extraer la segunda IMF ya no es la señal de corriente original, sino
que es al mismo residuo almacenado en su propia memoria al que debe substraer
la segunda IMF. Para lograr esto, un pequeño multiplexor que cambia entre la
señal original “D0” y la señal del residuo “DR” es controlado por la máquina de
estados “FSM Res” a través de la señal interna “s1”. Para la segunda vuelta esta
señal se activa y el multiplexor cambia la entrada de la señal original en “D0”
por la misma señal almacenada en su memoria “DR”, esto permite que al final
del proceso la información del registro se actualice a la par que es usado para
generar los nuevos valores. Nuevamente al final de esta tarea el bloque Residuo
da aviso para que el bloque Control Principal inicie con el proceso iterativo para
encontrar la tercer IMF y haga los cambios necesarios nuevamente en el bloque
Combinacional. Al obtener la tercer IMF este bloque entra en funcionamiento por
última vez exactamente del mismo modo que la vez anterior, generando el tercer
y último residuo. Al finalizar, el Proceso Iterativo volverá a funcionar hasta en-
contrar la cuarta IMF, pero un cuarto residuo ya no será calculado, debido a que
no es necesario encontrar una IMF superior a la cuarta.
5.1.4. Bloque: Proceso Iterativo

Este es, por mucho, el bloque mas grande y complejo de todo el sistema im-
plementado. Su trabajo consiste en realizar todo el sifting process propuesto por
Huang, las veces que sea necesario para descomponer una señal en IMFs. Para
llevar a cabo esta gran tarea, este bloque se divide a su vez, en cuatro sub-bloques:
Busca MA MI, Spline MAX, Spline MIN y Criterio de Paro & IMF. La Figura
5.5 muestra a detalle como se interconectan los sub-bloques que forman el bloque
Proceso Iterativo. Los sub-bloques Busca MA MI y Criterio de Paro & IMF están
formados por lógica combinacional y secuencial: contadores, sumadores, registros,
etc. Pero por otra parte, en los sub-bloques Spline MIN y Spline MAX (que son
idénticos) se lleva a cabo la tarea de realizar la interpolación cúbica de los mı́ni-
mos o máximos locales respectivamente. Esta tarea es demasiado compleja y por
ello, estos bloques están formados a su vez por subsub-bloques, encargados cada
5.1. EMD en HDL 71
Figura 5.5: Bloque: Proceso Iterativo
uno de un pedazo de la tarea de realizar la interpolación

A continuación se abordará mas a detalle cada uno de los sub-bloques que
conforman a Proceso Iterativo.
Busca MA MI
En este sub-bloque se lleva a cabo la tarea de encontrar los extremos de la

señal a descomponer. La estructura Interna de este sub-bloque se muestra en la
Figura 5.6.
Cuando el proceso global para realizar la EMD comienza se parte desde este
bloque; el bloque de Control Principal manda la señal de inicio directamente
a la máquina de estados de este sub-bloque a través de “S1”, en ese momento
se activa un contador (Cont0) que empieza a generar las direcciones de lectura
de datos conectado a su salida “As1”. Los datos comienzan a llegar desde la
memoria en donde esta almacenada la señal de corriente de motor a descomponer
por su puerto de entrada “Ds”. Estos datos son capturados y desplazados por tres
registros (Reg1) conectados en serie. Ası́, cuando ingresan los primeros tres datos
a este sub-bloque estos están disponibles en las señales “A”, “B” y “C”. Para
localizar los extremos se recurre a la comparación de estas señales cuando los tres
primeros datos han ingresado al sub-bloque, esto se lleva a cabo en (Comp), que
Figura 5.6: Composición del sub-bloque Busca Ma Mi
es un comparador de tres entradas (A, B, C) y dos salidas (Min, Max). Cuando

las entradas a comparar cumplan A > B < C se entregará un pulso a través de
la salida Min, mientras que cuando A < B > C se entregará una pulso a través
de Max. Estos pulsos generados tienen dos tareas importantes: primero se llevan
a un par de contadores (Cont1 y Cont2) que incrementan su valor en una unidad
cada vez que un pulso llega a ellos, esto para saber la cantidad exacta de máximos
y mı́nimos encontrados a lo largo de toda la señal, y segundo, cada vez que uno de
estos pulsos sucede, su respectiva memoria almacena el valor de B concatenado
a su dirección en la memoria que se esta leyendo, resultando en una longitud de
palabra total de 47 bits ([16.20&11]) . Para lograr esto, el mismo contador que
genera las direcciones de lectura (Cont0) también entrega una señal “D” que es
5.1. EMD en HDL 73
la dirección actual de lectura menos dos unidades.

En cuanto a la forma de tratar con los bordes, en este trabajo se optó por
incluir el primer y último punto de la señal como un extremo, tanto mı́nimo como
máximo; esto hace que ambas envolventes converjan en estos puntos. Por ello, la
máquina de estados genera un pulso en la señal “Gr” que simula haber encontrado
un máximo y un mı́nimo al mismo tiempo, cuando en la señal “B” se encuentra
almacenada la primer y última muestra, lo que hace que tanto los dos contadores
(Cont1) y (Cont2) incrementen sus valores y que las dos memorias almacenen ese
dato y su ubicación. Como la ubicación de estas dos muestras es siempre la misma
(0 para la muestra inicial y 2047 para la muestra final) un multiplexor controlado
por la FSM concatena al valor de “B” la dirección adecuada para ser almacenada,
esto solo tiene tres posibilidades:
Cuando el primer valor esta en “B” se concatena “0000000000”, se genera

un pulso en Gr.
Cuando se analiza la señal normalmente, a “B” se le concatena la dirección

marcada por Cont0 menos dos unidades, ubicada en la señal “D”.
Cuando el último valor esta en “B” se concatena “11111111111”, se genera

un pulso en Gr.
Finalmente, la máquina de estados de este sub-bloque, envı́a una señal, de

que el proceso ha terminado, directamente al bloque Control Principal a través
de la salida “F1”. Los contadores que almacenan la cantidad de extremos en-
contrados conservan sus valores, ası́ este dato esta disponible para el resto de
los sub-bloques dentro de Proceso Iterativo por medio de las señales “Cmin” y
“Cmax”. Tambı́en, las señales de acceso a los datos y ubicación de los máximos y
mı́nimos encontrados se encuentran en las señales “Dsmax”, “Asmax”, “Dsmin”
y “Asmin”, respectivamente. Estas seis señales son para uso interno dentro del
bloque Proceso Iterativo.
Splin MIN y Spline MAX
Estos son, sin duda alguna, los sub-bloques en donde se ocupa la mayor canti-
dad de recursos de toda la implementación. Esto es debido a que todo el proceso
de resolución del sistema de ecuaciones lineales que se forma a partir de los datos
encontrados en el sub-bloque anterior se lleva a cabo aquı́.
Estrictamente hablando, estos sub-bloques son idénticos, la única diferencia es

que uno esta conectado a la memoria y al contador donde se ubican los mı́nimos
locales y el otro se encuentra en la memoria y contador de los máximos locales.
Para realizar la descripción de este sub-bloque se dará por entendido en todo
momento que se esta hablando del sub-bloque Spline-MIN.
Figura 5.7: Sub-bloque: Splin MIN
La tarea de este sub-bloque es la de formular y encontrar la solución del sis-

tema de ecuaciones formado por la ecuación 2.18 de las incógnitas ci , para el
conjunto de puntos ordenados encontrados por el sub-bloque Busca Ma Mi. Al
mismo tiempo, se encarga de calcular el valor de las incógnitas bi y di a partir de
las ecuaciones 2.28 y 2.29 respectivamente, obteniendo ası́ los valores para todas
las incógnitas necesarias para formular los polinomios cúbicos Si que interpolan
5.1. EMD en HDL 75
los extremos encontrados. La solución del sistema es encontrada por medio de la

Factorización Lower-Upper. En la Figura 5.7 se muestra la composición interna
de este sub-bloque. La complejidad de este sub-bloque es tal, que existen dentro
de el varios subsub-bloques, cada uno con la finalidad de llevar a cabo una parte
de todo el proceso. Todos los subsub-bloques tienen acceso al bus que contiene los
datos provenientes de Busca Ma Mi, mientras que cada uno de ellos es capaz de
generar las direcciones de lectura con forme sea necesario. Para lograr que esto
se ejecute en orden, una máquina de estados es la encargada de llevar el control
del inicio de cada uno de estos subsub-bloques y de controlar el multiplexor que
permite a todos los subsub-bloques tener un acceso sin colisiones a la escritura del
bus “Asmin”. Cuando el sub-bloque Busca Ma Mi ha finalizado, este sub-bloque
inicia su funcionamiento. El primer subsub-bloque en funcionar es H(i). Este em-
pieza a pedir los datos por medio de “Asmin” y los datos comienzan a llegar por el
bus “DoutMin”. El bus de entrada “Cmin” es un dato que permanece fijo durante
todo el proceso y proviene de Busca Ma Mi, e indica la cantidad de extremos
encontrados. Este subsub-bloque encuentra todos los valores h(i) para la ecuación
2.24. Cuando la tarea de este subsub-bloque finaliza, entra en funcionamiento
el subsub-bloque B1. Ahora este subsub-bloque es el que pide y recibe datos a
través de los buses “Asmin” y “DoutMin”, además tiene acceso a los resultados
obtenidos por el subsub-bloque H(i). Este subsub-bloque se encarga de encontrar
todos los valores de β1(i) para la ecuación 2.25. Al finalizar este subsub-bloque
da inicio el subsub-bloque AGB2. Este tiene acceso a los datos encontrados por
los subsub-bloques H(i) y B1, adicionalmente también accede a los datos de los
extremos por medio de “Asmin” y “DoutMin”. Este subsub-bloque se encarga de
encontrar los valores para α(i), γ(i) y β(i) conforme a las ecuaciones 2.26.
Después de finalizada la tarea de AGB2, se inicia el funcionamiento del subsub-

bloque CBD. Este se encarga de encontrar los valores para las incógnitas del sis-
tema, c(i) por medio de las ecuaciones 2.27a, 2.27b y 2.27c. Al mismo tiempo,
calcula los valores para d(i) y b(i) conforme a las ecuaciones 2.28 y 2.29. Al en-
contrar estas tres incógnitas de manera simultanea se logra ahorrar tiempo de
ejecución de todo el proceso global.
Hasta este punto, las incógnitas b(i), c(i) y d(i) para de la ecuación 2.23 han
sido obtenidos. Resta calcular los puntos que forman la envolvente, a partir de
estas incógnitas y los valores xi , yi obtenidos por el sub-bloque Busca Ma Mi. Esta
tarea se lleva a cabo por el subsub-bloque CSP. Todos los puntos de la envolvente
son calculados aquı́, y son almacenados en una memoria interna de este subsub-
bloque. La envolvente esta disponible por medio de los buses de entrada y salida
“As3” y “DsMIN” para ser ocupadas más adelante.
Criterio de Paro & IMF
En este sub-bloque se obtiene la media de las dos envolventes resultantes de los

sub-bloques Splin Max y Splin Min. La Figura 5.8 muestra como está compuesto
este sub-bloque.
Figura 5.8: Sub-bloque: Critero de Paro & IMF
Cuando las envolventes están listas este sub-bloque entra en funcionamiento,

generando una dirección de lectura por el bus de salida “As3”, que es llevado
a las memorias en donde se encuentran los datos que se están descomponiendo,
5.1. EMD en HDL 77
los datos de la envolvente superior y los datos de la envolvente inferior. Estos

ingresan por los buses “Ds”, “DsMAX” y “DsMIN” respectivamente. Los datos
provenientes de las envolventes son sumados y divididos entre dos para obtener la
media de las envolventes. Después, esta media es substraı́da de los datos que se
están descomponiendo y el resultado es enviado al bus de salida “IMF”, para ser
escrito en la memoria de la IMF correspondiente. Todo esto sucede en el subsub-
bloque SM. Al mismo tiempo, el valor de la media de las envolventes es comparada
contra un valor de threshold que forma el criterio de paro. Si este valor es superado
la salida NOSim es activada, esta señal se ingresa a un flip-flop D, el cual se resetea
al iniciar este proceso. Si la salida NoSIM se activa por lo menos en uno solo de
los 2048 puntos que se analizan, este flip-flop activa la salida “Nop”, que es leı́da
por el bloque Control Principal, de estar activa quiere decir que el resultado que
se esta escribiendo no es una IMF todavı́a, por lo que se debe repetir el proceso
sobre este resultado. De no estar activa la salida “Nop” significa que el resultado
que se esta escribiendo es una IMF, y se debe proceder a buscar el residuo. La
salida “w” es la señal que permite la escritura del resultado que se está obteniendo
y es generada directamente por la máquina de estados de este sub-bloque. Cuando
este proceso finaliza manda un aviso al bloque Control Principal por medio de su
salida “F3”, para que la obtención de las IMFs continúe según sea necesario.
5.1.5. Bloque: Control Principal
Este bloque es el encargado de que todo el proceso de la EMD se ejecute correc-

tamente y en orden. Es el encargado de dar inicio y fin a cada uno de los bloques
y sub-bloques de todo el sistema, además, controla los buses de direccionamiento
de todos los bloques y también controla el destino de la señal de escritura de las
IMFs. Este bloque es en si sólo una máquina de estados finitos. En la Figura 5.9
se muestra el diagrama de flujo que sigue esta máquina de estados para obtener
la primer IMF.
Este diagrama de flujo se repite tres veces más, para encontrar las IMFs res-
tantes, cambiando únicamente los recuadros de conexión (cuadros punteados), con
forme sea necesario de acuerdo a la IMF que se esta calculando, como puede verse
en la Figura 5.10, donde se han hecho los cambios necesarios con el fin de obtener
la IMF2.
Figura 5.9: Bloque: Control Principal. Diagrama de flujo para la obtención de la

primer IMF.
5.1. EMD en HDL 79
Figura 5.10: Bloque: Control principal. Diagrama de flujo para la obtención de la

segunda IMF
5.2. Resultados obtenidos: Implementación en

FPGA
Finalmente, se hace una comparación de los resultados obtenidos para las

IMFs calculadas por medio de la implementación anteriormente descrita contra
las IMFs obtenidas a partir de la función para Matlab hecha por Rilling en las
Figuras 5.11, 5.12, 5.13 y 5.14.
(a) IMF1 obtenida en FPGA.
(b) IMF1 obtenida en Matlab.
(c) Detalle de IMF1 obtenida en Matlab(azul) e IMF1 obtenida en FPGA (negro).
Figura 5.11: Comparación entre una IMF1 obtenida en el FPGA y una IMF1
obtenida en Matlab. Ambas IMFs provienen de la misma corriente.
5.2. Resultados obtenidos: Implementación en FPGA 81
Se puede observar que para las IMF1 e IMF2 los resultados son prácticamente
idénticos. En el caso de la IMF3, la obtenida en el FPGA tiene amplitudes dife-
rentes que la obtenida en Matlab, más sin embargo esto no afecta los resultados
del análisis debido a que la metodologı́a no toma en cuenta en ningún momento la
amplitud de las IMFs. Por otro lado, la cantidad de cruces por cero es idéntica, y
son los cruces por cero los que son realmente importantes para el análisis. Sucede
algo similar con la IMF4, quien conserva una forma y cantidad de cruces por cero
similares tanto en el FPGA como en Matlab, mas sin embargo, se aprecian mas
las diferencias entre ellas. Esto se debe en a dos factores: la precisión y los efectos
de borde. Mientras que la precisión utilizada por Matlab es Doble Precisión de
Punto Flotante, la implementada en en el FPGA es precisión de punto fijo a 16.20
bits. Esta diferencia de precisiones es bastante elevada y debido a que los errores
de precisión se acumulan desde el cálculo de la primer IMF, su efecto se hace no-
table a partir de la IMF4. También es necesario recordar que el modo en el que se
trata el efecto de borde en el FPGA es diferente al que se utiliza en Matlab, y por
5.3. Recursos 83
tanto la manera en que se propagan los splines en los bordes es diferente para las
cuatro IMFs. Aún con esto, los resultados obtenidos son bastante satisfactorios y
válidos para la EMD llevada a cabo por el FPGA.
5.3. Recursos
Se sintetizó la descripción de la EMD mostrada anteriormente en dos FPGAs
de la marca Xilinx.
El primero de ellos es un FPGA de bajo costo multi propósito Spartan-6. La
implementación utilizó los recursos que se enlistan en la Tabla 5.1. La máxima
frecuencia de operación colocando la velocidad como primordial objetivo de diseño
en la herramienta de sintetización fue de 26.5 MHz.
Tabla 5.1: Uso de recursos, EMD implementada en Xilinx Spartan-6
Xilinx Spartan-6 Modelo: xc6slx75t

Recurso Utilizado Disponible % Usado
Slice Registers —————— 3165 93296 3%
Slice LUTs ———————— 17083 46648 36 %
LUT-FF pairs —————— 1979 18269 10 %
IOB’s —————————— 4 268 1%
Block Ram / FIFO ———— 63 172 36 %
BUFG/BUFGCTRLs——— 1 16 6%
DSP48A1s ———————— 128 132 96 %
El segundo se trata de un FPGA de alto rendimiento Virtex-7. La implemen-

tación en este FPGA utilizó los recursos enlistados en la Tabla 5.2. La máxima
frecuencia de operación de la EMD implementada en este FPGA es de 54.84 MHz.
Tabla 5.2: Uso de recursos, EMD implementada en Xilinx Virtex-7
Xilinx Virtex-7 Modelo: xc7vh290t

Recurso Utilizado Disponible % Usado
Slice Registers —————— 3163 437600 0%
Slice LUTs ———————— 8428 218800 3%
LUT-FF pairs —————— 2009 9582 20 %
IOB’s —————————— 4 300 1%
Block Ram / FIFO ———— 33 470 7%
BUFG/BUFGCTRLs——— 1 32 3%
DSP48A1s ———————— 186 840 22 %
Dado que la obtención de las IMFs a partir de una señal de corriente es un

proceso iterativo, no es posible predecir cuantas veces sera necesario realizar el
sifting process para obtener las primeras cuatro IMFs. Esto no permite que se de
un tiempo especı́fico de ejecución de la EMD implementada. Más sin embargo,
experimentalmente se ha promediado un tiempo de ejecución de la EMD en el
FPGA es de 40 ms, a una frecuencia de reloj de 50 MHz.
Aproximadamente el 70 % de este tiempo de ejecución es gastado por la ope-

ración aritmetica de división que se presenta en las ecuaciones 2.25, 2.26, 2.27c,
2.29, y 2.28. El tiempo desde que se inicia una división hasta obtener el resultado
depende directamente de la longitud en bits del numerdaor, por lo que a mayor
precisión, mas lenta es la división y por consecuencia, mas lento es el proceso
global. En el caso de esta implementación, la longitud del numerador es de 64
bits para las ecuaciónes 2.25 y 2.26, y de 88 bits para 2.27c, 2.28 y 2.29. Esto nos
permite una relación velocidad-presición bastante aceptable.
A una frecuencia de muestreo de 3.2 kHz, se requieren 640 ms para almacenar
2048 muestras. Este tiempo es suficiente para realizar la EMD inclusive a una
frecuencia de operación de 25 MHz, dejando más de 500 ms disponibles para
la ejecución de la clasificación (en caso de ser implementada) antes de que se
capturen 2048 nuevas muestras. Esto permitirı́a la posibilidad de realizar pruebas
a motores en tiempo real.
CAPÍTULO 6
Conclusiones y trabajo futuro
Este trabajo persigue dos objetivos primordiales: la detección de barras de

rotor rotas en motores de inducción tipo jaula de ardilla por medio del MCSA con
EMD y la implementación de la EMD en un FPGA.
El primer objetivo se ha alcanzado con un elevado grado de éxito, respaldado

por más de 600 corridas de motor que fueron analizadas bajo diferentes niveles de
carga y diferentes niveles de daño.
Se presentaron dos metodologı́as para la detección de una barra rota de motor.
La primera de ellas es relativamente mas sencilla que la otra al momento de
implementarse, mas sin embargo los niveles de carga y daño que puede analizar
también son mas lı́mitados. Por otro lado, la segunda abarca más condiciones de
carga y daño, pero es relativamente mas complicada para implementarse.
El uso de cualquiera de las dos metodologı́as debe decidirse en base a las con-
diciones del motor que se desea comprobar con el fin de optimizar los recursos y
el tiempo de cómputo.
Por otro lado, se realizó la implementación de la EMD en un FPGA, esta puede

ser utilizada con el fin de detectar barras de rotor rotas bajo las metodologı́as
propuestas e inclusive para diferentes aplicaciones que no tengan nada que ver con
este trabajo. Si se requiere descomponer una señal, provenga de donde provenga,
esta implementación puede utilizarse con resultados muy satisfactorios.
85
86 Capı́tulo 6. Conclusiones y trabajo futuro
6.1. Trabajo Futuro

Siempre hay trabajo futuro. Siempre se puede (y se debe) seguir investigando
la manera de obtener mejores resultados en mejores tiempos y con menos recursos
de ser posible. Este trabajo por supuesto no es la excepción. Podemos hacer dos
listas de trabajo futuro, una para cada uno de los dos objetivos de esta tésis.
6.1.1. Trabajo futuro: Detección de barras de rotor dañadas

con MCSA y EMD
Formular un preacondicionamiento de la señal que ayude a obtener mejores
resultados e incrementar las condiciones de carga y daño que son detectables
por la metodologı́a de la mediana.
Lograr separar las clases de los resultados obtenidos para análisis de barra
rota y barra fisurada, con el fin de que la detectabilidad sea especı́fica para
cada clase.
Analizar corridas de motor con dos barras rotas en el rotor y crear un criterio
para la clasifficación entre Buen Estado/1 Barra Rota/2 Barras Rotas.
Realizar la descripción en HDL de las metodologı́as e implementarlas junto

a la EMD en FPGA.
6.1.2. Trabajo futuro: Implementación de EMD en FPGA

Implementar un sistema que detecte automáticamente cuando se está ana-
lizando corriente de transitorio o corriente de estado estable.
Utilizar un algoritmo más eficiente en tiempo para la operación aritmética

de la división.
Aumentar la presición con la que se desarrolla la EMD, o de ser necesario,

implementar una Unidad de Punto Flotante (FPU).
Implementar diferentes métodos para lidiar con los efectos de borde, y que
estos sean elegibles por el usuario antes de realizar la EMD en el FPGA.
Implementar diferentes criterios de paro y que este pueda ser elegible por el
usuario antes de realizar la EMD en el FPGA.
6.2. Publicaciones realizadas a partir de este trabajo de tesis 87
6.2. Publicaciones realizadas a partir de este tra-

bajo de tesis
Ricardo Valles-Novo, Jose Rangel-Magdaleno, Juan Ramirez-Cortes, Hayde
Peregrina-Barreto, Roberto Morales-Caporal. Broken Bar Detection on
Squirrel Cage Induction Motors With MCSA and EMD IEEE Inter-
national Instrumentation and Measurement Technology Conference (I2MTC),
Montevideo, Uruguay, May 2014. [Véase: Apéndice A]
Ricardo Valles-Novo, Jose Rangel-Magdaleno, Juan Ramirez-Cortes, Hayde

Peregrina-Barreto, Roberto Morales-Caporal. Empirical Mode Decom-
position Analysis for Broken Bar Detection on Squirrel Cage In-
duction Motors IEEE Transaction on Instrumentation and Measurement,
aceptado para su publicación, en edición, fecha de publicación: 2015. [Véase:
Apéndice B]
88 Capı́tulo 6. Conclusiones y trabajo futuro
APÉNDICE A
Artı́culo presentado en el IEEE

International Instrumentation and
Measurement Technology Conference
2014
89
90 Apéndice A. Apéndice A
Broken Bar Detection on Squirrel Cage Induction

Motors With MCSA and EMD
Ricardo Valles-Novo, Jose Rangel-Magdaleno R. Morales-Caporal
Juan Ramirez-Cortes and Hayde Peregrina-Barreto Instituto Tecnologico de Apizaco
INAOE Tlaxcala, Mexico
Tonantzintla, Puebla, Mexico rmcaporal@ieee.org
{r valles, jrangel, jmram}@inaoep.mx, hperegrina@ieee.org
Abstract—Induction motors are an ubiquitous machine. In operations in order to minimize its impact during the task it’s
industrial settings, online monitoring of motors’ health status required to do.
in order to schedule maintenance operations with the goal of There are several different kinds of techniques, invasive or
damage prevention has become an essential necessity. Broken
rotor bar is one of the most common failures in the rotor of a non-invasive, for the detection of broken rotor bars. Among the
squirrel cage motor. Motor current signature analysis (MCSA) non-invasive ones are those that perform a current analysis [2-
has become a popular method for its detection due to its high 8], vibration analysis[9-17], voltage [18, 19] and magnetic flux
reliability. Recent works perform MCSA with a combination of analysis[20]. Review of some these techniques is presented in
different signal processing techniques to identify the presence [21].
of broken bars. In this work, MCSA is done with Empirical
Mode Decomposition (EMD) from which a set of Intrinsic Mode When it comes to current analysis techniques, there are
Functions (IMF) is obtained. The extracted features of the several methodologies for the detection of broken rotor bars.
arithmetical sum of the obtained IMFs form the basis of the Xu et al [2] makes use of Multiple Signal Classification
proposed classification criteria. Unlike other works, the only (MUSIC) to detect broken bars since MUSIC possesses higher
employed signal processing technique in our methodology is resolution with short time samples compared with FFT. Jee
EMD. Experimental results using our method show high accuracy
in the detection of one broken rotor bar. et al [3] employs motor current signature analysis (MCSA)
combined with an advanced signal and data processing al-
Index Terms—Squirrel Cage Motor, Broken Bar, EMD, MCSA. gorithm composed of slip estimation, frequency auto-search
and sample selection algorithms. Sadeghian et al [4] performs
the extraction of the current signal features using wavelet
I. I NTRODUCTION package decomposition (WPD), which along with the slip
speed, are then used by a neural network trained for the
Induction motors are the most widely employed electrical detection of faults. Riera et al [5] makes Gabor analysis of
machine, they represent around 85% of consumed power in the current via the chirp-z transform which can be easily
industry [1]. Several kinds of failures may present themselves adapted to generate high resolution time-frequency stamps of
during operation such as bearing faults, air gap eccentricity or different faults. Pineda et al [6] applies a polynomial-phase
broken rotor bars in the case of the squirrel cage motor. Sudden transform to the transient current in order to generate a new
failure of an induction motor for any of the causes stated above stationary signal which keeps the information regarding the
may give rise to significant loss of time and money. Therefore, fault components. This new generated signal can be analyzed
its replacement or repairment is of the utmost importance. It is using FT as a result of its stationary nature.
because of these reasons that an early diagnosis of the health Due to the reliability of the MCSA in motor fault detection,
status of the motor is necessary. Broken rotor bars in squirrel this work proposes Empirical Mode Decomposition (EMD) to
cage motors represent around 10% of the total failures of these perform the current signature analysis in order to decompose
type of machines, this fault is due to defective fabrication or the current signal of one of the motor stator phases into its
irregular load levels during operation [1]. Intrinsic Mode Functions (IMF). We show it’s possible to
Nowadays, motors employ mechanisms that protect them detect a broken bar through the evaluation of the different
from failures such as overcharge and overload but these IMF levels for both, transient and steady-state current signal.
are only functional when the damage is severe. A motor The classification criteria is obtained from the addition of two
with a broken rotor bar can operate with apparent normality, consecutive IMF levels for steady-state and transient current
however, this bar may cause the progressive fracture of the respectively. These criteria are the median of the IMFs data
other ones, producing vibrations, premature fault and current and the zero crossings of the decomposed data.
overconsumption. It is clear that these effects shorten the The structure of this paper is as follows. In Section II the
lifespan of the squirrel cage motor, thus the early detection theoretical basis of the work is presented. Section III presents
of the broken bar is convenient for scheduled maintenance the proposed methodology for broken rotor bar detection.
,(((
91
Section IV contains the results of the experimental tests done Empirical Mode Decomposition
res. imf10imf9 imf8 imf7 imf6 imf5 imf4 imf3 imf2 imf1signal
with this novel method. The work conclusions are in Section V.
II. BACKGROUND
MCSA
A broken bar in an induction motor can be detected in
different ways. As it has been explained before, the reliability
of the MCSA method has made it the subject of intense study
in recent years. A broken bar induces an spurious component
in the power supply frequency spectrum given by [2]:
(1 ± 2ks)fs (1)
0 2 4 6 8 10
Time (s)
Where k is an integer, s is the per unit slip and fs is
the supply frequency. Failure detection through MCSA and Fig. 1. EMD of stator current from an induction motor
Fourier analysis is based on the identification of the spurious
component, which unfortunately, is located very close to the
motor supply frequency component. Moreover, its amplitude c1 may transform into a pure frequency modulated signal of
is very small in comparison with the motor supply component. constant amplitude. To guarantee the physical sense of c1 , a
stop criteria for the number of iterations is necessary. This is
accomplished by restricting the size of the standard deviation
Empirical Mode Decomposition (SD) computed between two consecutive iterations,
Empirical Mode Decomposition (EMD) is a data analysis + ,
T
|(h1(k−1) (t) − h1k (t)|2
technique proposed by Huang et al [22] where a complex SD = . (6)
signal, stationary or not stationary, is decomposed in a finite t=0
h21(k−1) (t)
series of simpler data sets called Intrinsic Mode Functions
Typical values for SD are around 0.2 and 0.3. The obtained
(IMF).
IMF must be subtracted from the original signal to generate
To carry out EMD analysis described by Huang, the extrema
the residue r1 :
of the signal X(t) must be identified, the local maxima is then
interpolated by a cubic spline as the upper envelope. The same X(t) − c1 = r1 . (7)
procedure is done with the local minima to produce the lower In most cases, the residue r1 still contains substantial
envelope. The mean between these two interpolations is called information, so a new IMF is obtained by repeating the
m1 and it’s subtracted from the original signal as follows whole procedure dealing with r1 as the original signal. The
X(t) − m1 = h1 . (2) decomposition in IMF can be executed n times until the
residue rn becomes a monotonic function from which no new
In order to consider h1 as an IMF, it has to satisfy the IMF can be extracted. The residue plus the extracted n IMF
following conditions: 1) in the whole data set, the number of can reconstruct the original signal in the following manner:
extrema and zero crossings must be the same or differ at most
by one; and 2) at any point the mean value of the envelope
n
X (t) = c i + rn . (8)
defined by the local maxima and the envelope defined by the
i=1
local minima is zero. If h1 is not an IMF, the procedure must
be repeated dealing with h1 as if it was the original signal. The advantage of EMD lies in the fact that it’s an adaptive
In this way, the mean of the envelopes of h1 will be m11 and process because each IMF is generated based on the infor-
h11 is computed: mation of the same signal that is processed in each iteration,
h1 − m11 = h11 . (3) unlike for example, the wavelet transform (WT), which needs
to define a mother function. EMD of a stator motor current is
It must now be verified whether h11 satisfies the conditions shown in Fig. 1. In this figure, transient (0 to 5 seconds) and
to be considered an IMF. In the case that h11 isn’t an IMF the steady-state current (5 to 10 seconds) are decomposed.
procedure must be repeated k times: The use of EMD for fault detection in induction motors
h1(k−1) − m1k = h1k (4) has been previously reported. Jian et al [23] employs EMD to
filter the spurious component induced in the stator when a bar
when h1k satisfies the IMF conditions, then: is broken. Then, the envelope of the filtered signal is extracted
with the Hilbert Transform (HT). With EMD method again, the
c1 = h1k (5)
frequency band containing the fault characteristic frequency
and c1 becomes the first IMF (IMF1). Each iteration must component can be extracted from the signal envelope. The last
be done with care, if the process is repeated too many times, step is to use a FFT to extract the fault characteristic frequency.
Yiguang et al [24] filters the stator current signal through a

low-pass filter and then is processed with EMD. The frequency M
of the spurious component is identified from the generated
IMFs with the ZOOM-FFT. Camarena et al [25] decomposes ADC EMD
Transitory Proposed
the motor current through the EMD, combined with an Adap- Current Methodology
tive Linear Network (ADALINE) based frequency estimator, EMD

Steady State
then a Forward Neural Network based classifier is used to Current
IMF1
IMF2
diagnose four motor defects: one broken bar, two broken bar, IMF3 +
bearing fault or unbalance. IMF1

IMF2 Zero
Median
These works use an additional transform techniques or other IMF3
IMF4
crossings
IMF5 +
signal processing techniques (Hilbert-Transorm, FFT, ZOOM-
Decision
FFT, ADALINE) along with EMD, furthermore, two of these Zero making
Median crossings
methods require the knowledge of the slip, which means in a
need to measure the rpm of the motor under analysis to search Decision
for the component indicating the presence of a broken bar. On making
the other hand, our work uses only EMD and the arithmetic
addition of two IMF from which its features are extracted for
its subsequent classification.
Motor Health Condition
Median Fig. 2. Proposed Methodology.

When a variable is quantitative, several special descriptive
statistics are available. Let yi represent a distinct value of TABLE I
the response variable, with ni observations of that value. B ROKEN BAR CRITERIA FOR TRANSIENT ANALYSIS
The median is that value of yi that separates the observa- Motor Health Median Zero-Crossings
tions into two equal parts, one half of them being smaller Good Positive 150 or less
and the other half larger [26]. Given order statistics Y1 = One Broken Bar Positive 150 or more
minj Xj , Y2 , ... YN −1 , YN = maxj Xj the statistical median One Broken Bar Negative Doesn’t apply
of the data set is defined by [27]:
⎧
⎨ Y(N +1)/2 if N is odd IV. E XPERIMENTAL T EST AND R ESULTS
= 1
x (9)
⎩ YN/2 + Y1+N/2 if N is even The tests was done on a 1HP motor at 34 load. The data was
2
retrieved from 50 runs with a healthy rotor and 50 runs with
.
The median is commonly denoted as μ 12 or x a broken bar, at transient and steady-state conditions for each
run.
III. M ETHODOLOGY
a) Fault detection in transient
The proposed methodology is shown in Fig. 2. As it has
been said, the current signal can be analyzed under two The transient current was decomposed with EMD as shown
different conditions. The first one is obtained from the transient in Fig 3. The median and zero crossings were obtained from
during the motor’s start-up. At this point, the median of the the sum of IMF2 and IMF3.
sum of IMF2 and IMF3 is negative when the motor has The median obtained for IMF2+IMF3 for each run is shown
a broken bars and positive when there is no broken bars. in Fig. 4a. The left side shows the 50 runs for the healthy rotor,
The second condition suitable for analysis is the steady-state right side shows the 50 runs for broken rotor bar. Out of the
current, that is, when the transient period has passed. In this 100 total runs, 7 are classified as incorrect since the left side
case, the median of the sum of IMF4 and IMF5 is evaluated shows 3 runs with negative medians while the right side shows
under the proposed criteria for transient current. 4 runs with positive medians, which would indicate 3 healthy
The data was retrieved with a i200s Fluke AC current clamp runs as damaged and 4 damaged runs as healthy. These results
from one phase of the motor. The analog signal from the clamp represent an accuracy of 93%. To improve the accuracy the
were converted into a digital signal using a ADS7809 data zero crossings of IMF2+IMF3 are computed. It can be seen in
acquisition system. The current was sampled at 3.2kHz. The Fig. 4b that a healthy run and a damaged run have a similar
obtained digital signal was processed in MATLAB where the number of zero crossings. However, the incorrectly classified
EMD function (made by G. Rilling [28]) was employed. The broken bar runs show a much higher number of zero crossings.
median and zero crossings was then computed for IMF2+IMF3 Thus, the classification criteria with an accuracy of 97% is
and IMF4+IMF5. shown in Table 1.
93
a) Empirical Mode Decomposition a)

0.03
signal
Failure Runs with

0.02 positive median
[71, 76, 83, 95]
imf1
0.01
0
imf2
Median
0.01
imf3
0.02
0.03
res.
0.04
0 .5 1 1.5 2
Time (s).
0.05
Healthy Motor One broken bar
b) Empirical Mode Decomposition
signal
b)
400
Run 71
imf1
350 Run 76
Run 83
300
imf2
Zero Crossings
250 Run 95
imf3
200
150
res.
100
0 .5 1 1.5 2
Time (s).
50
Fig. 3. The first three IMF and residual for two seconds of transient current. 0
a) Healthy motor. b) With one broken bar.
Fig. 4. Test results for 100 runs in transient analysis. The motor health criteria
TABLE II is based on the sign of the median and the number of zero-crossings for
B ROKEN BAR CRITERIA FOR STEADY- STATE ANALYSIS improved accuracy. a) Median. b) Zero-Crossings. The incorrectly classified
runs 71, 76, 83 and 95 of a) can be corrected by checking the number of
Motor health Median Zero-Crossings zero-crossings in b).
Good Positive Doesn’t apply
Good Negative 67 or less
One Broken Bar Negative 68 or more of this method under both conditions can be obtained by
multiplying the amount of accuracy obtained in both steady-
state and transient tests (97% for transient and 98% for steady
b) Fault detection in steady-state
state) this reaches a total accuracy up to 95%, considering
In the case of steady-state analysis, EMD decomposes the 3/4 load and one stator phase current. The test results in
current signal after the transient period as shown in Fig. 5. [23, 24] does not report a quantitative amount of accuracy of
The median and zero crossings were obtained from the sum their own methods, on the other hand, the accuracy reported
of IMF4 and IMF5. in [25] for one broken bar detection is 90%. The proposed
Unlike the transient analysis, the classification criteria for methodology doesn’t have the capability to determine whether
steady-state is based on the sum of IMF4 and IMF5 levels. the input current comes from transient or steady-state, the
Moreover, the zero-crossing criteria is also modified. user must previously define its operation mode. As future
The left side of Fig. 5a shows the median of IMF4+IMF5 for work, we intend to automatize the methodology so that it
the 50 healthy runs, right side shows the 50 broken bar runs. can identify the source of the current and execute the proper
Out of these 100 runs, 8 of them were incorrectly classified analysis. Furthermore, EMD is currently being tested in order
and all of them belong to healthy runs. This would represent an to detect progressive bar damage and the generation of a new
accuracy of 92%. Again, the number of zero crossings is used classification criteria for more than one broken bar. Finally, a
to improve the accuracy. If a threshold of 67 zero-crossings low-cost FPGA platform will be used for the implementation
is chosen, 6 out of the 8 incorrectly classified runs can be of the proposed methodology with the goal of making online
corrected, thus improving the accuracy of the classification tests.
criteria up to 98%, as shown in Table 2.
R EFERENCES
V. C ONCLUSIONS AND FUTURE WORK [1] J. Rangel, J. Ramirez, H. Peregrina. “Broken bars detection on induction
motor using MCSA and mathematical morphology: An experimental
The experimental methodology was tested thoroughly for study” IEEE International Instrumentation and Measurement Technol-
50 healthy runs and 50 broken bar runs. The whole accuracy ogy Conference (I2MTC). 6-9 May 2013. Pages 825 - 829.
a) Empirical Mode Decomposition [2] B. Xu, S. Liu, L. Sun. “A Novel Method for the Early Detection of
Broken Rotor Bars in Squirrel Cage Induction Motors” International
signal
Conference on Electrical Machines and Systems, ICEMS. 17-20 October

2008. Pages: 751 - 754.
imf1
[3] J. Jee, L. Jong, K. Bong. “Online Diagnosis of Induction Motors Using

MCSA” IEEE Transactions on Industrial Electronics. December 2006.
imf2
Volume:53, Issue: 6, Pages: 1842 - 1852.

imf3
[4] A. Sadeghian, Z. Ye, B. Wu. “Online Detection of Broken Rotor Bars in

Induction Motors by Wavelet Packet Decomposition and Artificial Neural
imf4
Networks” IEEE Transactions on Instrumentation and Measurement.

July 2009. Volume:58, Issue: 7, Pages: 2253 - 2263.
imf5
[5] M. Riera, M. Pineda, J. Perez, R. Puche, J. Roger, J. Antonino.

“Diagnosis of Induction Motor Faults via Gabor Analysis of the Cur-
res.
rent in Transient Regime” IEEE Transactions on Instrumentation and

0 .5 1 1.5 2 Measurement, June 2012. Volume:61, Issue: 6, Pages: 1583 - 1596.
Time (s).
[6] M. Pineda, M. Riera, J. Roger, J. Antonino, J. Perez, R. Puche.
Empirical Mode Decomposition
b) “Diagnosis of Induction Motor Faults in Time-Varying Conditions Using
signal
the Polynomial-Phase Transform of the Current” IEEE Transactions on

Industrial Electronics. April 2011. Volume:58, Issue: 4, Pages: 1428 -
imf1
1439.
[7] N. Qing, L. Rui, F. Shou, G. Jun. “A Novel Transform Demodulation
imf2
Algorithm for Motor Incipient Fault Detection” IEEE Transactions on

Instrumentation and Measurement, February 2011. Volume:60 , Issue: 2
imf3
Pages: 480 - 487.

[8] L. Cristaldi, M. Faifer, M. Lazzaroni, S. Toscani. “An Inverter-Fed
imf4
Induction Motor Diagnostic Tool Based on Time-Domain Current Anal-

ysis” IEEE Transactions on Instrumentation and Measurement. May
imf5
2009. Volume:58 , Issue: 5 Pages: 1454 - 1461.

[9] G. Betta, C. Liguori, A. Paolillo, A. Pietrosanto. “A DSP-Based FFT-
res.
Analyzer for the Fault Diagnosis of Rotating Machine Based on Vibra-

0 .5 1 1.5 2
Time (s). tion Analysis” IEEE Transactions on Instrumentation and Measurement.
December 2002. Volume:51, Issue: 6, Pages: 1316 - 1322.
Fig. 5. The first five IMF and residual for two seconds of steady-state current. [10] J. Rangel, R. Romero, R. Osornio, E. Cabal, A. Dominguez. “FPGA-
a) Healthy motor. b) With one broken bar. Based Vibration Analyzer for Continuous CNC Machinery Monitoring
With Fused FFT-DWT Signal Processing” IEEE Transactions on In-
strumentation and Measurement. December 2010. Volume:59, Issue: 12,
a) 0.04 Pages: 3184 - 3194.
[11] P. Rodriguez, A. Balahcen, A. Arkkio. “Signatures of electrical faults in
0.02
the force distribution and vibration pattern of induction motors” IEEE
0
Proceedings Electric Power Applications. July 2006. Volume:153 , Issue:
4, Pages: 523 - 529.
0.02 [12] L. Rabelo, V. Rocha, B. Rodrigues, W. Matos. “SVM practical industrial
Median
application for mechanical faults diagnostic” Expert Systems with

[1, 3, 22, 26, 34,39, 43, 47]
0.04 Good Runs with Applications. 2011. Volume:38, Issue 6, Pages 6980-6984.
negative median
[13] C. Rodriguez, R. Romero, A. Garcia, D. Razo. “FPGA based embedded
0.06 system for induction motor failure monitoring at the start-up transient
vibrations with wavelets” International Symposium on Industrial Em-
0.08
bedded Systems, SIES. 11-13 June 2008. Pages: 208 - 214.
0.1
[14] A. Sadoughi, M. Ebrahimi, M. Moalem, S. Sadri. “Intelligent Diag-
Healthy Motor One broken bar nosis of Broken Bars in Induction Motors Based on New Features in
Vibration Spectrum” IEEE International Symposium on Diagnostics for
Electric Machines, Power Electronics and Drives, SDEMPED 2007. 6-8
b) Run 1 Run 22
September 2007. Pages: 106 - 111.
105 Run 3
Run 26 [15] A. Sadoughi, M. Ebrahimi, E. Rezaei. “A New Approach for Induction
Run 34
Run 39
Motor Broken Bar Diagnosis by Using Vibration Spectrum” SICE-
90 Run 43
ICASE International Joint Conference. 2006. Pages 4715-4720.
Run 47 [16] H. Su, K. Chong. “Induction Machine Condition Monitoring Using
Neural Network Modeling” IEEE Transactions on Industrial Electronics.
Zero Crossings
75
February 2007. Volume: 54, Issue: 1, Pages 241-249.
60
[17] L. Contreras-Medina, R. J. Romero-Troncoso, J. R. Millan-Almaraz,
and C. Rodriguez-Donate, “FPGA based multiple-channel vibration
45
analyzer embedded system for industrial applications in automatic
30
failure detection” in Proc. Symp. Ind. Embedded Syst., Jun. 2008, Pages
229–232.
15 [18] B. Ebrahimi, J. Faiz, B. Akin. “Pattern recognition for broken bars fault
diagnosis in induction motors under various supply conditions” Euro.
0
Trans. Electr. Power. 2011. DOI: 10.1002/etep.640
[19] M. Mehrjou, N. Mariun, M. Marhaban, N. Misron, “Rotor Fault
condition monitoring techniques for squirrel-cage induction machine-
Fig. 6. Test results for 100 runs in steady-state analysis. The motor health
A review” Mechanical Systems and Signal Processing. November 2011.
criteria is based on the sign of the median and the number of zero-crossings for
Volume:25, Issue:8, Pages: 2827 - 2848.
improved accuracy. a) Median. b) Zero-Crossings. The incorrectly classified
runs 1, 3, 22, 26, 39, and 47 of a) can be corrected by checking the number [20] M. Cabanas, F. Pedrayes, M. Melero, C. Rojas, J. Cano, G. Orcajo,
of zero-crossings in b). J. Gonzalez. “Unambiguous detection of broken bars in asynchronous
motors by means of a flux measurement-based procedure” IEEE Trans-
95
actions on Instrumentation and Measurement. March 2011. Volume:60

, Issue: 3, Pages: 891 - 899.
[21] M. Eltabach, A. Charara, I. Zein. “A Comparison of External and
Internal Methods of Signal Spectral Analysis for Broken Rotor Bars
Detection in Induction Motors” IEEE Transactions on Industrial Elec-
tronics. February. 2004. Volume:51 , Issue: 1, Pages: 107 - 121.
[22] N. E. Huang, Z. Sheen, S. Loong, M. Wu, H. Shih, Q. Zheng, N. Yen,
C. Tung, H. Liu. “The empirical mode decomposition and the Hilbert
spectrum for nonlinear and non-stationary time series analysis” Pro-
ceedings of the Royal Society A: Mathematical Physical & Engineering
Sciences. 8 March 1988. Volume: 454, no. 1971. Pages: 903 - 995. DOI:
10.1098/rspa.1998.0193.
[23] Z. Jian, Z. Ning, Y. Li, Y. Qi, L. Qing. “A Fault Diagnosis Approach
for Broken Rotor Bars Based on EMD and Envelope Analysis” Journal
of China University of Mining & Technology. June 2007. Volume: 17,
Issue: 2, Pages: 205 - 209.
[24] C. Yiguang, Z. Hongxia, S. Yonghuan. “Method of EMD and ZOOM-
FFT to Detect the Broken Bars Fault in Induction Motor” International
Conference on Electrical Machines and Systems, ICEMS. 10-13 October
2010. Pages: 1387 - 1391.
[25] D. Camarena, M. Valtierra, A. Garcia, R. Osornio, and R. Romero,
“Empirical Mode Decomposition and Neural Networks on FPGA for
Fault Diagnosis in Induction Motors” The Scientific World Journal. In
press. Received 24 August 2013; Accepted 17 November 2013
[26] J. K. Lindsey. “Introduction to Applied Statistics a Modelling Approach”
2nd Edition. Oxford: Oxford University Press 2004.
[27] Hogg, R. V. and Craig, A. T. “Introduction to Mathematical Statistics”
5th ed. New York: Macmillan, 1995.
[28] G. Rilling, P. Flandrin, P. Goncalves. “On Empirical Mode Decompo-
sition and its algorithms” In Proceedings of the 6th IEEE/EURASIP
Workshop on Nonlinear Signal and Image Processing (NSIP ’03), Grado,
Italy (2003).
APÉNDICE B
Articulo extendido y aceptado para ser

publicado en la revista indizada IEEE
Transactions on Intrumentation and
Measurement 2015
97
98 Apéndice B. Apéndice B
I2MTC 2014 paper #1569861045
Empirical Mode Decomposition Analysis for

Broken Bar Detection on Squirrel Cage
Induction Motors
Ricardo Valles-Novo, Jose Rangel-Magdaleno, Member, IEEE, Juan Ramirez-Cortes, Senior Member,
IEEE, Hayde Peregrina-Barreto, Member, IEEE, Roberto Morales-Caporal, Member, IEEE
Abstract— Induction motors are an ubiquitous machine. In industrial settings, online monitoring of motors' health status in order to
schedule maintenance operations with the goal of damage prevention has become an essential necessity. Broken rotor bar is one of the
most common failures in the rotor of a squirrel cage motor. Motor Current Signature Analysis has become a popular method for its
detection due to its high reliability. Recent works perform Motor Current Signature Analysis with a combination of different signal
processing techniques to identify the presence of broken bars. In this work, Motor Current Signature Analysis is done with Empirical
Mode Decomposition from which a set of Intrinsic Mode Functions is obtained. The extracted features from two of the obtained IMFs
form the basis of the proposed classification criterion; these are the Samples Between Zero Crossings and the Time between Successive
Zero Crossings. The Standard Deviation from Samples Between Zero Crossings and Time between Successive Zero Crossings is used
as a classification feature. Experimental results using our method show high accuracy in the detection of one broken and half broken
rotor bar.
Index Terms—Broken Bar, Empirical Mode Decomposition, Motor Current Signature Analysis, Squirrel Cage Motor.
I. INTRODUCTION
I NDUCTION motors are the most widely employed electrical machine, they represent around 85% of consumed power in
industry [1]. Several kinds of failures may present themselves during operation such as bearing faults, air gap eccentricity or
broken rotor bars in the case of the squirrel cage motor. Sudden failure of an induction motor for any of the causes stated above
may give rise to significant loss of time and money. Therefore, its replacement or repairment is of the utmost importance. It is
because of these reasons that an early diagnosis of the health status of the motor is necessary. Broken rotor bars in squirrel cage
motors represent around 10% of the total failures of these type of machines, this fault is due to defective fabrication or irregular
load levels during operation [1].
Nowadays, motors employ mechanisms that protect them from failures such as overcharge and overload but these are only
functional when the damage is severe. A motor with a broken rotor bar can operate with apparent normality; however, this bar
may cause the progressive fracture of the other ones, producing vibrations, premature fault and current overconsumption. It is
clear that these effects shorten the lifespan of the squirrel cage motor, thus the early detection of the broken bar is convenient for
scheduled maintenance operations in order to minimize its impact during the task it's required to do.
There are several different kinds of techniques, invasive or non-invasive, for the detection of broken rotor bars. Among the
non-invasive ones are those that perform a current analysis [2-9], vibration analysis [10-18], voltage [19, 20] and magnetic flux
analysis [20]. Review of some these techniques are presented in [22].
When it comes to current analysis techniques, there are several methodologies for the detection of broken rotor bars. Xu et al
[2] makes use of Multiple Signal Classification (MUSIC) to detect broken bars since MUSIC possesses higher resolution with
short time samples compared with FFT. Jee et al [3] employs Motor Current Signature Analysis (MCSA) combined with an
advanced signal and data processing algorithm composed of slip estimation, frequency auto-search and sample selection
algorithms. Sadeghian et al [4] performs the extraction of the current signal features using wavelet package decomposition
(WPD), which along with the slip speed, are then used by a neural network trained for the detection of faults. Riera et al [5]
makes Gabor analysis of the current via the chirp-z transform which can be easily adapted to generate high resolution time-
frequency stamps of different faults. Pineda et al [6] applies a polynomial-phase transform to the transient current in order to
generate a new stationary signal which keeps the information regarding the fault components. This new generated signal can be
analyzed using FT as a result of its stationary nature. Rangel et al [7] makes use of mathematical morphology to detect damage
in motors with one or two broken bars, with an overall accuracy of 95%.
Due to the reliability of the MCSA in motor fault detection, this work proposes Empirical Mode Decomposition (EMD) to
perform the current signature analysis in order to decompose the current signal of one of the motor stator phases into its Intrinsic
99
Mode Functions (IMF). We show it's possible to detect a broken bar through the evaluation of the different IMF levels for both,
transient and steady-state current signal. In a first version of this work [23] the classification criteria is obtained from the mean
and the Zero Crossings (ZC) from the arithmetical sum of two consecutive IMF levels, IMF2 and IMF3 for transient current and
IMF3 and IMF4 for steady-state current. The classification criterion in this work is now obtained from the same two consecutive
IMF levels for steady-state and transient current respectively, but these are not added. Instead, these IMFs are explored in search
for the ZC, and its Samples Between Zero Crossings (SBZC), then a selector discriminates the SBZC that do not met an
established number of samples. The Time between Successive Zero Crossings (TSZC) is computed for the no discriminated
SBZC, and these values of time are then added, finally the Standard Deviation (SD) of this sum is the criterion for the classifier.
Several test for healthy motor, half and one broken bar were made.
The structure of this paper is as follows. In Section II the theoretical basis of the work is presented. Section III presents the
proposed methodology for broken rotor bar detection. Section IV contains the results of the experimental tests done with this
novel method. Section V presents the implementation of the EMD done in FPGA. The work conclusions are in Section VI.
II. BACKGROUND
MCSA
A broken bar in an induction motor can be detected in different ways. As it has been explained before, the reliability of the
MCSA method has made it the subject of intense study in recent years. A broken bar induces a spurious component in the power
supply frequency spectrum given by [2]:
(1 2ks) f s (1)
Where k is an integer, s is the per unit slip and 𝑓𝑠 is the supply frequency. Failure detection through MCSA and Fourier
analysis is based on the identification of the spurious component, which unfortunately, is located very close to the motor supply
frequency component. Moreover, its amplitude is very small in comparison with the motor supply component.

Empirical Mode Decomposition is a data analysis technique proposed by Huang et al [24] where a complex signal, stationary
or not stationary, is decomposed in a finite series of simpler data sets called Intrinsic Mode Functions.
To carry out EMD analysis described by Huang, the extrema of the signal X(t) must be identified, the local maxima is then
interpolated by a cubic spline as the upper envelope. The same procedure is done with the local minima to produce the lower
envelope. The mean between these two interpolations is called 𝑚1 and it's subtracted from the original signal as follows:
X (t )  m1  h1 (2)
In order to consider ℎ1 as an IMF, it has to satisfy the following conditions: 1) in the whole data set, the number of extrema
and zero crossings must be the same or differ at most by one; and 2) at any point the mean value of the envelope defined by the
local maxima and the envelope defined by the local minima is zero. If ℎ1 is not an IMF, the procedure must be repeated dealing
with ℎ1 as if it was the original signal. In this way, the mean of the envelopes of ℎ1 will be 𝑚11 and ℎ11 is computed:
h1  m11  h11 (3)

It must now be verified whether ℎ11 satisfies the conditions to be considered an IMF. In the case that ℎ11 isn't an IMF the
procedure must be repeated k times:
h1(k 1)  m1k  h1k (4)

when ℎ1𝑘 satisfies the IMF conditions, then:
c1  h1k (5)
and 𝑐1 becomes the first IMF (IMF1). Each iteration must be done with care, if the process is repeated too many times, 𝑐1 may
transform into a pure frequency modulated signal of constant amplitude. To guarantee the physical sense of 𝑐1 a stop criterion for
the number of iterations is necessary. This is accomplished by restricting the size of the standard deviation computed between
two consecutive iterations:
(h1( k 1) (t)  h1k (t) 2 

T
SD    2  (6)

t 0  h1(k 1) (t ) 
Typical values for SD are around 0.2 and 0.3. The obtained IMF must be subtracted from the original signal to generate the
residue 𝑟1 :
X (t )  c1  r1 (7)
In most cases, the residue 𝑟1 still contains substantial information, so a new IMF is obtained by repeating the whole procedure
dealing with 𝑟1 as the original signal. The decomposition in IMF can be executed n times until the residue 𝑟𝑛 becomes a
monotonic function from which no new IMF can be extracted. The residue plus the extracted n IMF can reconstruct the original
signal in the following manner:
n
X (t c  r
i 1
i n (8)
The advantage of EMD lies in the fact that it is an adaptive process because each IMF is generated based on the information of
the same signal that is processed in each iteration, unlike for example, the Wavelet Transform (WT), which needs to define a
mother function. EMD of a stator motor current is shown in Fig. 1. In this figure, transient (0 to 2 seconds) and steady-state
current (2 to 3 seconds) are decomposed.
The use of EMD for fault detection in induction motors has been previously reported. Jian et al [25] employs EMD to filter
the spurious component induced in the stator when a bar is broken. Then, the envelope of the filtered signal is extracted with the
signal
imf1
imf2
imf3
imf4
imf5
res.
0 1 2 3
Time (s)
Fig. 1. EMD of stator current of an induction motor.
Hilbert Transform (HT). With EMD method again, the frequency band containing the fault characteristic frequency component
can be extracted from the signal envelope. The last step uses a FFT to extract the fault characteristic frequency. Yiguang et al
[26] filters the stator current signal through a low-pass filter and then is processed with EMD. The frequency of the spurious
component is identified from the generated IMFs with the ZOOM-FFT. Camarena et al [27] decomposes the motor current
through the EMD, combined with an Adaptive Linear Network (ADALINE) based frequency estimator, then a Forward Neural
Network based classifier is used to diagnose four motor defects: one broken bar, two broken bar, bearing fault or unbalance.
These works use additional transform techniques or other signal processing techniques (Hilbert-Transform, FFT, ZOOM-FFT,
ADALINE) along with EMD, furthermore, two of these methods require the knowledge of the slip, which means in a need to
measure the rpm of the motor under analysis to search for the component indicating the presence of a broken bar. On the other
hand, our work uses only EMD and the analysis of two IMF from which its features are extracted for its subsequent
classification.
Zero-Crossings, Samples Between Successive Zero-Crossings and Time Between Successive Zero Crossings.
A common task when studying or decomposing a signal is to know the frequency of the same. As explained before, the broken
bar induces a spurious component at both sides of the motor’s supply frequency, and the main task of MCSA is to fully isolate
101
these spurious components to identify presence of a broken bar in the rotor. Thus, after decomposing the motor’s current signal
by EMD to its IMFs, the next step is to localize the spurious component induced by the fault, which have a known frequency
given by (1). A seek over the IMFs obtained from the EMD is made to find these frequency, which are slightly above and below
from the supply frequency. Among the different methods in the bibliography, an easy way to analyze the frequency from a signal
is obtained the Time between Successive Zero Crossings. A Zero Crossing is a point where the sign of mathematical function
changes; if the analyzed signal is a discrete signal there are a specific number of Samples Between Successive Zero Crossings
and the TSZC can be computed for the zero crossings of this signal if we know the frequency at which the signal was sampled.
III. METHODOLOGY
The used data on this paper was retrieved with a i200s Fluke AC current clamp from one phase of the motor. The analog
signals from the clamp were converted into a digital signal using a ADS7809 data acquisition system. The current was sampled
at 3.2 kHz. The obtained digital signal was processed in MATLAB where the EMD function (made by G. Rilling [28]) was
employed.
The proposed methodology is shown in Fig. 2. As it has been said, the current signal can be analyzed under two different
conditions. The first one is obtained from the transient during the motor's start-up. At this point, the IMF2 and IMF3 are
computed and stored. These IMFs are then subjected to a process which extracts the amount of ZCs in both IMFs. The next step
is obtaining the SBZC for each ZC. As the sampling frequency is 3.2 kHz we can obtain the TSZC by multiplying the amount of
Fig. 2. Proposed methodology.
SBZC by the inverse of the sampling frequency. This is illustrated in Fig. 3. As it can be seen, for a healthy motor in the blue
dashed line, there is a number of successive ZC that has a SBZC of 26.6 samples, or its equivalent in TSZC: 8.3 ms. A statistical
analysis of these ZC shows a mean of 8.2 ms and a standard deviation of 170 𝜇s. This corresponds to the duration of a half cycle
of the power frequency supply of the motor (60 Hz). If the same analysis is made for an IMF3 from the current of a motor with a
broken bar (Fig. 3, in red dotted line) is appreciated that unlike IMF3 from a healthy motor, there aren’t many successive ZC
with a SBZC of 26.6 samples, while those with slightly higher and lower SBZC are abundant. Again, a statistical analysis is
performed for these ZC, the median has a value of 8.3 ms, this value is very similar to the healthy motor, in the other hand,
standard deviation has a value of 540 𝜇s.
The difference in the SD values between healthy and damaged motor’s stator currents is the basis of the classification
criterion. The classification criterion considers these SBZC with values around 26 samples that are present in IMF2 and IMF3. A
lower and upper limit is established to discriminate all the SBZC with a number of samples that exceeds or lack the frequency of
the supply or the frequency of the induced components by the broken bar. The block called “SBZC Selector” in Fig. 2 is in
charge of this task. For set these limits the analysis in Fig. 3 is helpful; a lower limit of 24 samples will discriminate the
successive ZC which only represents high frequency noise (for example, the first 15 successive ZC in Fig. 3), and the upper limit
Fig. 3. SBZC in IMF3 for transient. In dashed blue and cross marks the
healthy motor, in doted red and circles marks the motor with a broken bar.
of 29 samples ensures that if there are one or more ZC representing low frequency noise in any analyzed IMF will be
discriminated too. Then, the TSZC is computed. The arithmetical sum of all the TSZC has a lower SD in the case of a healthy
motor, while it is higher for a motor with a broken bar.
The second condition suitable for analysis is the steady-state current. In this case, the methodology is practically the same
way, it only differs at the analyzed IMFs, in this case the analyzed IMFs are the IMF3 and IMF4 and the limits of the “SBZC
Selector” are different. Then, these IMFs are evaluated under the proposed criteria.
In short, the proposed methodology can be performed in the next steps:
1) Store 2048 samples from a single stator phase with a ADC and a current clamp.
2) Decompose the stored current values with EMD.
3) Identify the ZC, SBZC and TSZC in the IMF of interest.
4) Discriminate the ZC with SBZC that exceeds or lack the limits established for the classification criterion.
5) Compute the mean and the standard deviation of the remaining ZC.
6) Depending on the value of the standard deviation, the decision is taken.
IV. EXPERIMENTAL TEST AND RESULTS

The test was done on a 1HP motor at ¾ and ½ load. The data was retrieved from 50 runs with a healthy rotor, 50 runs with a 5
mm fissured bar (the total depth of a bar is 10 mm) and 50 runs with a broken bar, at transient and steady-state conditions for
each run.
A. Fault detection on transient: ¾ and ½ loads.
The transient current was decomposed with EMD as shown in Fig. 4. Then, IMF2 and IMF3 are evaluated under the
methodology proposed in section III.
Fig. 4. The first three IMF and residual for two seconds of transient current. a) Healthy motor. b) With one broken bar.
103
Fig. 5 a) Test results for healthy and fissured bar, c) Test results for healthy and one broken bar, b) and d) their PDF respectively. The
runs were under transient analysis and 3/4 load.
For the ¾ load motor, the TSZC for each group of SBZC in IMF2 and IMF3 that are within the region of non-discriminatory
is computed, and the SD of the arithmetical sum of all them is shown in Fig. 5a. In the left side of Fig. 5a each blue cross
represent a run from a healthy motor and each green rhomb on the right side represent a run from a motor with a 5mm fissured
bar. In Fig. 5b the PDF of these both classes is plotted. It can be seen that both classes are nonoverlapping in a little more than
3𝜎, and this ensures classification with 99% accuracy for both classes. Fig. 5c shows the analysis results for fifty healthy motor
runs (blue cross) and fifty one broken bar runs (red circles). Fig. 5d shows the PDF of these both classes, with nonoverlapping
for a minimal of 3𝜎, ensuring a classification with 99% accuracy.
Now, for the ½ load motor, the same procedure is carried with the healthy motors runs and the 5mm fissured runs. In Fig. 6a it
can be seen again, on the left side, the healthy motor runs (blue cross), and the right side represents the 5mm fissured bar runs
(green rhomb). Fig. 6b is the PDF from the healthy runs (in blue) and the 5mm fissured bar runs (in green). Fig. 6c and Fig. 6d
shows the classification results for the healthy runs and fifty one broken bar runs. Alike the 5mm fissured bar runs, the broken
bar runs are nonoverlapping in a little more than 3𝜎, this ensures classification with 99% accuracy for healthy-broken bar
classification and helathy-5mm fissured bar classification.
B. Fault detection on steady state: ¾ and ½ loads.

In the case of steady-state analysis, EMD decomposes the current signal after the transient period, as shown in Fig. 7. Unlike
the transient analysis, the classification criterion for steady state is based on analysis of IMF3 and IMF4 levels.
The same methodology that is used for transient analysis is applied for the steady-state analysis with only changing the
location of the limits of the discrimination block. For establishing these limits, the IMF3 and IMF4 are evaluated in the same
way that IMF2 and IMF3 were evaluated in section III. In Fig. 8 the IMF3 for a steady state current is evaluated, and it can be
seen that again the healthy motor has a great number of SBZC with duration of 26 samples, with a mean value of 8.3 ms and a
standard deviation of 1.3 ms; this corresponds again with the number of SBZC related to the 60 Hz from the power supply. In the
other hand, an IMF3 from a motor with a broken bar has more SBZC around 32 and 20 samples, with a mean value of 8.3 ms
and a standard deviation of 2 ms (again, the difference between standard deviations is the basis for classification criteria). So,
these numbers of samples are the selected limits for the “SBZC Selector Steady-State” in Fig. 2.
After the SBZC with the right number of samples are selected, the TSZC is computed and its SD value gives us the
classification criterion.
For ¾ load motor, in Fig. 9a, the SD of the TSZC from the no discriminated SBZC in IMF3 and IMF4 is computed for fifty
healthy motor runs (blue cross, left side) and for fifty 5 mm fissured bar (green rhomb, right side). In Fig. 9b the PDF of these
Fig. 6. a) Test results for healthy and fissured bar, c) Test results for healthy and one broken bar, b) and d) their PDF respectively. The
runs were under transient analysis and 1/2 load.
both classes is plotted. It can be seen that both classes are nonoverlaping in more than 3𝜎, and this ensures a classification with
more than 99% accuracy for both classes.
The same procedure is carried again with the healthy motors runs and the broken bar runs. In Fig. 9c it can be seen again on
the left side the healthy motor runs, and this time the right side represents the broken bar runs. Fig. 9d is the PDF from the
healthy runs (in blue) and the broken bar runs (in red). Alike the 5 mm fissured bar runs, the broken bar runs are nonoverlapping
for more than 3𝜎, this ensures classification with 99% accuracy for healthy and broken bar.
Fig. 7. The first five IMF and residual for two seconds of steady-state current. a) Healthy motor. b) With one broken bar
The same procedure is done, again, for the ½ load motor. In Fig. 10a the SD of the TSZC from the no discriminated SBZC in
IMF3 and IMF4 is computed for fifty healthy motor runs (in blue, left side) and for fifty 5mm fissured runs (in red, right side).
In Fig. 10b the PDF of these both classes is plotted. It can be seen that both classes are overlapping in a little less than 3𝜎, and
the total area without overlapping corresponds to 98.2%.
105
In the same way, Fig. 10c and Fig. 10d shows the results for the healthy runs vs broken bar runs with a ½ load. In this case, the
results are overlapped and the area without overlapping under curves is 98.5%.
Fig. 8. SBZC in IMF3 for steady state. In dashed blue and cross
marks the healthy motor, in doted red and circles marks the motor
Fig. 9. a) Test results for healthy and fissured bar, c) Test results for healthy and one broken bar, b) and d) their PDF respectively. The runs
were under steady-state analysis and 3/4 load.
The results obtained in this paper have better classification for ¾ load motor than the results reported in the previous version
[23], and this time, 5mm fissured bar and one broken bar at ½ load motor runs are tested too with the methodology proposed
in [23]. A comparison between the results obtained with the methodology used in [23] and this work is sown in Table 1.
V. EMD IMPLEMENTATION ON FPGA

The main objective of this work is the implementation of the presented methodology on a low cost FPGA, in order to perform
online test. The basis of the methodology presented in this work is the EMD, then a proper implementation of the EMD in the
FPGA is critical. The main blocks of the EMD described in Hardware Description Language (HDL) is shown in Fig. 11. The
blocks of the EMD are the Local Max & Local Min identifier, the Upper and Lower Envelope Spline, the IMF Verifier and the
Main Control Unit. Next, a detailed description is discussed.
A. Local Max and Local Min
For identifying these points, three registers serially connected are filled with the data from the ADC. A pair of three input
comparator is used for identify a maximum or a minimum. For example of this, if the value of data in the central register is
greater than the previous register value, and greater than the next register value, then a maximum is identified. On the other
hand, if the value of data in the central register is lower than the previous register value, and lower than the next register value,
then a minimum is detected. When a maximum or a minimum is detected, a memory location is written along with its 𝑥𝑗 and
𝑦𝑗 values.
Fig. 10. a) Test results for healthy and fissured bar, c) Test results for healthy and one broken bar, b) and d) their PDF
respectevely. The runs were under steady-state analysis and 1/2 load.
B. Upper and Lower Envelope Spline

In order to compute the EMD, the maximum and the minimum points need to be interpolated with a pair of cubic splines.
A cubic spline is a third degree function which connects two or more points. The equation that defines the cubic spline, with 𝑛
points with 𝑥𝑛 and 𝑦𝑛 values is:
S j (x)  y j  b j (x j1  x j )  c j (x j 1  x j )2  d j (x j 1  x j )3 j 1, 2, , n 1 (9)

107
The fundamental for a cubic spline is not to be discussed or demonstrated here, we only limit to say that the main task is to find
the values for the constants b , c j and d j , and in order to obtain these values the next equations are computed in the FPGA in
the next order, and the resultants vectors are written in a RAM block.:
The difference between two successive points to interpolate:
h(i)  xi 1  xi for i 1, 2,...n 1 (10)

Auxiliary variable 𝛽1:
 yi 1h(i 1)  yi  xi1  xi 1   yi 1h(i ) 
 1(i)  3   for i  2,3,...n 1
h(i 1)h(i) 
 1(1)  0 (11)
 1(n) 0
Auxiliary variables 𝛼, 𝛾, 𝛽2:
 (1)  0
 (1)  1
 (2)  2  h(1)  h(2)
 2(1)   1(1)
 2(2)   1(2) (12)
h(i )
 (i)  for i  2,3,..., n  2
 (i )
 (i 1)  2  h(i)  h(i 1)    (i)h(i) for i  2,3,..., n  2
 2(i 1)   1(i 1)   (i) *  2(i) for i  2,3,..., n  2
At this point, the values for the unknown are computed, starting with 𝑐𝑗 :
cn  0
ci 
  2(i)  h(i) ci 1 for i  n  1, n  2, n  3,..., 2 (13)
 (i )
c1  0
And finally, 𝑏𝑗 and 𝑑𝑗 :
yi 1  yi h(i) c j 1  2c j 
bi   for i  n  1, n  2, n  3,...,1
h(i) 3
(14)
c c
di  i 1 i for i  n  1, n  2, n  3,...,1
3h(i)
When the unknowns are resolved, the final step for this block is compute the equation (9) with the values obtained previously.
This procedure is done twice, in concurrency, for computing the splines for the minimum and the maximum points.
C. Upper and Lower Spline Mean and IMF verification
The upper and lower spline mean computation is a easy operation in the FPGA, only an adder is needed, which adds the splines
point by point and the result is shifted to the right one place (this is the same as division by two) before being stored.
For the stop criterion the lower and upper splines must be symmetrical respect to zero, when this condition is true, the mean
between the splines is practically zero. Then, a maximum tolerance for the difference between the upper and lower splines is set,
and then, the mean resultant from the splines is explored and compared point by point with the threshold, if any point in the
whole data set exceed the mean threshold value a flag is activated, and the iteration process is repeated. When the mean
threshold value is not exceeded, the flag is not set and the iteration process is finished and the IMF is stored. In addition, each
iteration is counted, and if a maximum number of iterations is reached, the iteration process is finished.
D. The Main Control Unit
This block is responsible for controlling the whole process of decomposing the current signal in its first four IMFs and the
residuum. Its work starts when the memory that stores the samples of motor current is filled, then the EMD process starts.
When the EMD process is starting, this block connects the original signal with the Local MAX & Local MIN block and starts
the iterative process for obtain the first IMF. After the iterative process ends and the IMF is ready, this block subtracts point by
point the IMF from the original signal and store the result in the Residuum RAM, at the same time the first IMF is stored in the
first IMF RAM. The process starts again, but for the second time, the Main Control Unit connects the residuum RAM with the
Local MAX & Local MIN block, then the iterative process starts again. When the iterative process finish again and the second
IMF is ready, the Main Control Unit subtracts the second IMF from the residuum at the same time the second IMF RAM is
written and the new residuum is overwritten. This process is repeated two more times, for IMF3 and IMF4. After IMF4 is
computed, the final residuum is obtained and written.
Fig. 11. Main Blocks for the EMD description in HDL.

Fig. 12. a) IMF3 obtained in HDL. b) IMF3 obtained in MATLAB
TABLE I
COMPARISON BETWEEN THE PROPOSED METHODOLOGY VS PREVIOUS METHODOLOGY
Motor Condition Accuracy Extended Test Results
Accuracy for [23]
5mm Fissured, ¾ load, Transient 99.7% 87%
5mm Fissured, ¾ load, Steady-State 99.7% 99%
5mm Fissured, ½ load, Transient 99.7% 69.4%
5mm Fissured, ½ load, Steady-State 98.2% 98%
One Broken Bar, ¾ load, Transient 99.7% 97%
One Broken Bar, ¾ load, Steady-State 99.7% 98%
One Broken Bar, ½ load, Transient 99.7% 65.7%
One Broken Bar, ½ load, Steady-State 98.5% 95%
The results obtained from the EMD implemented in FPGA must be very similar to the results obtained from the EMD from
Matlab. A comparison of an IMF3 obtained from the described EMD in HDL versus a IMF3 obtained in Matlab is shown in Fig.
12. It can be seen a great similitude between the IMF3 obtained from HDL and the IMF3 obtained in Matlab; the only significant
difference is in the end of the IMF3, the last semi cycle have a greater amplitude in the IMF3 obtained in HDL, this is caused due
to the stop criterion implemented on HDL is different than the stop criterion in Matlab, but this is not a problem, because the
methodology makes use of the SBZC, and the amplitude is irrelevant.
109
Because the EMD is an iterative process, the FPGA run time for analysis cannot be always the same, in some cases it will take
more or less time. The average run time in simulation for a speed of 50MHz is 40ms.
VI. CONCLUSIONS
The experimental methodology was tested thoroughly for a total of 600 runs in four groups: 150 for transient at ½ load, 150 for
steady-state at ½ load, 150 for transient at ¾ load and 150 for steady-state at ¾ load. Each group with 50 healthy runs, 50
fissured runs (5mm) and 50 one broken bar runs. Although a 5 mm fissured bar or a broken bar can be detected with high
reliability, there is no possible to identify which of these 2 levels of damage is present in the analysis. The test results in [24, 25]
does not report a quantitative amount of accuracy of their own methods, on the other hand, the accuracy reported in [26] for one
broken bar detection is 90%. The proposed methodology doesn't have the capability to determine whether the input current
comes from transient or steady-state, the user must previously define its operation mode. As future work, we intend to
automatize the methodology so that it can identify the source of the current and execute the proper analysis. Furthermore, EMD
is currently being tested in order to detect progressive bar damage and the generation of a new classification criterion for more
than one broken bar. Finally, a low-cost FPGA platform will be used for the implementation of the proposed methodology with
the goal of making online tests.
ACKNOWLEDGMENT
The authors want to thank Jose Luis Valtierra Sanchez de la Vega for his collaboration in this work.
REFERENCES
[1] J. Rangel, J. Ramirez, H. Peregrina. “Broken bars detection on induction motor using MCSA and mathematical morphology: An experimental study” IEEE
International Instrumentation and Measurement Technology Conference (I2MTC). 6-9 May 2013. Pages 825 - 829.
[2] B. Xu, S. Liu, L. Sun. “A Novel Method for the Early Detection of Broken Rotor Bars in Squirrel Cage Induction Motors” International Conference on
Electrical Machines and Systems, ICEMS. 17-20 October 2008. Pages: 751 - 754.
[3] J. Jee, L. Jong, K. Bong. “Online Diagnosis of Induction Motors Using MCSA” IEEE Transactions on Industrial Electronics. December 2006. Volume:53,
Issue: 6, Pages: 1842 - 1852.
[4] A. Sadeghian, Z. Ye, B. Wu. “Online Detection of Broken Rotor Bars in Induction Motors by Wavelet Packet Decomposition and Artificial Neural
Networks” IEEE Transactions on Instrumentation and Measurement. July 2009. Volume: 58, Issue: 7, Pages: 2253 - 2263.
[5] M. Riera, M. Pineda, J. Perez, R. Puche, J. Roger, J. Antonino. “Diagnosis of Induction Motor Faults via Gabor Analysis of the Current in Transient
Regime” IEEE Transactions on Instrumentation and Measurement, June 2012. Volume: 61, Issue: 6, Pages: 1583 - 1596.
[6] M. Pineda, M. Riera, J. Roger, J. Antonino, J. Perez, R. Puche. “Diagnosis of Induction Motor Faults in Time-Varying Conditions Using the Polynomial-
Phase Transform of the Current” IEEE Transactions on Industrial Electronics. April 2011. Volume: 58, Issue: 4, Pages: 1428 - 1439.
[7] J. Rangel, H. Peregrina, J. Ramirez, P. Gómez, R. Morales. “FPGA-Based Broken Bars Detection on Induction Motors Under Different Load Using Motor
Current Signature Analysis and Mathematical Morphology” IEEE Transactions on Instrumentation and Measurement, May 2014, Volume: 63, Issue: 5,
Pages: 1032 – 1040.
[8] N. Qing, L. Rui, F. Shou, G. Jun. “A Novel Transform Demodulation Algorithm for Motor Incipient Fault Detection” IEEE Transactions on
Instrumentation and Measurement, February 2011. Volume: 60, Issue: 2 Pages: 480 - 487.
[9] L. Cristaldi, M. Faifer, M. Lazzaroni, S. Toscani. “An Inverter-Fed Induction Motor Diagnostic Tool Based on Time-Domain Current Analysis” IEEE
Transactions on Instrumentation and Measurement. May 2009. Volume: 58, Issue: 5, Pages: 1454 - 1461.
[10] G. Betta, C. Liguori, A. Paolillo, A. Pietrosanto. “A DSP-Based FFT-Analyzer for the Fault Diagnosis of Rotating Machine Based on Vibration Analysis”
IEEE Transactions on Instrumentation and Measurement. December 2002. Volume: 51, Issue: 6, Pages: 1316 - 1322.
[11] J. Rangel, R. Romero, R. Osornio, E. Cabal, A. Dominguez. “FPGA-Based Vibration Analyzer for Continuous CNC Machinery Monitoring With Fused
FFT-DWT Signal Processing” IEEE Transactions on Instrumentation and Measurement. December 2010. Volume: 59, Issue: 12, Pages: 3184 - 3194.
[12] P. Rodriguez, A. Balahcen, A. Arkkio. “Signatures of electrical faults in the force distribution and vibration pattern of induction motors” IEEE Proceedings
Electric Power Applications. July 2006. Volume: 153 , Issue: 4, Pages: 523 - 529.
[13] L. Rabelo, V. Rocha, B. Rodrigues, W. Matos. “SVM practical industrial application for mechanical faults diagnostic” Expert Systems with Applications.
2011. Volume:38, Issue 6, Pages 6980-6984.
[14] C. Rodriguez, R. Romero, A. Garcia, D. Razo. “FPGA based embedded system for induction motor failure monitoring at the start-up transient vibrations
with wavelets” International Symposium on Industrial Embedded Systems, SIES. 11-13 June 2008. Pages: 208 - 214.
[15] A. Sadoughi, M. Ebrahimi, M. Moalem, S. Sadri. “Intelligent Diagnosis of Broken Bars in Induction Motors Based on New Features in Vibration
Spectrum” IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, SDEMPED 2007. 6-8 September 2007.
Pages: 106 - 111.
[16] A. Sadoughi, M. Ebrahimi, E. Rezaei. “A New Approach for Induction Motor Broken Bar Diagnosis by Using Vibration Spectrum” SICE-ICASE
International Joint Conference. 2006. Pages 4715-4720.
[17] H. Su, K. Chong. “Induction Machine Condition Monitoring Using Neural Network Modeling” IEEE Transactions on Industrial Electronics. February
2007. Volume: 54, Issue: 1, Pages 241-249.
[18] L. Contreras-Medina, R. J. Romero-Troncoso, J. R. Millan-Almaraz, and C. Rodriguez-Donate, “FPGA based multiple-channel vibration analyzer
embedded system for industrial applications in automatic failure detection” in Proc. Symp. Ind. Embedded Syst., Jun. 2008, Pages 229–232.
[19] B. Ebrahimi, J. Faiz, B. Akin. “Pattern recognition for broken bars fault diagnosis in induction motors under various supply conditions” Euro. Trans. Electr.
Power. 2011. DOI: 10.1002/etep.640.
[20] M. Mehrjou, N. Mariun, M. Marhaban, N. Misron, “Rotor Fault condition monitoring techniques for squirrel-cage induction machine- A review”
Mechanical Systems and Signal Processing. November 2011. Volume:25, Issue:8, Pages: 2827 - 2848.
[21] M. Cabañas, F. Pedrayes, M. Melero, C. Rojas, J. Cano, G. Orcajo, J. Gonzalez. “Unambiguous detection of broken bars in asynchronous motors by means
of a flux measurement-based procedure” IEEE Transactions on Instrumentation and Measurement. March 2011. Volume: 60, Issue: 3, Pages: 891 - 899.
[22] M. Eltabach, A. Charara, I. Zein. “A Comparison of External and Internal Methods of Signal Spectral Analysis for Broken Rotor Bars Detection in
Induction Motors” IEEE Transactions on Industrial Electronics. February. 2004. Volume:51 , Issue: 1, Pages: 107 - 121.
[23] R. Valles, J. Rangel, J. Ramirez, H. Peregrina, R. Caporal “Broken Bar Detection on Squirrel Cage Induction Motors With MCSA and EMD” in Proc. IEEE
Int. Instrumt. Meas. Tech. Conf., May 2014, pp. 993–998.
[24] N. E. Huang, Z. Sheen, S. Loong, M. Wu, H. Shih, Q. Zheng, N. Yen, C. Tung, H. Liu. “The empirical mode decomposition and the Hilbert spectrum for
nonlinear and non-stationary time series analysis” Proceedings of the Royal Society A: Mathematical Physical & Engineering Sciences. 8 March 1988.
Volume: 454, no. 1971. Pages: 903 - 995. DOI: 10.1098/rspa.1998.0193.
[25] Z. Jian, Z. Ning, Y. Li, Y. Qi, L. Qing. “A Fault Diagnosis Approach for Broken Rotor Bars Based on EMD and Envelope Analysis” Journal of China
University of Mining & Technology. June 2007. Volume: 17, Issue: 2, Pages: 205 - 209.
[26] C. Yiguang, Z. Hongxia, S. Yonghuan. “Method of EMD and ZOOM-FFT to Detect the Broken Bars Fault in Induction Motor” International Conference
on Electrical Machines and Systems, ICEMS. 10-13 October 2010. Pages: 1387 - 1391.
[27] D. Camarena, M. Valtierra, A. Garcia, R. Osornio, and R. Romero, “Empirical Mode Decomposition and Neural Networks on FPGA for Fault Diagnosis in
Induction Motors” The Scientific World Journal. In press. Received 24 August 2013; Accepted 17 November 2013
[28] G. Rilling, P. Flandrin, P. Goncalves. “On Empirical Mode Decomposition and its algorithms” In Proceedings of the 6th IEEE/EURASIP Workshop on
Nonlinear Signal and Image Processing (NSIP '03), Grado, Italy (2003).
Ricardo Valles-Novo was born in Veracruz, Veracruz, México, in 1988. He received the B.S. degree in
electronics engineering from the Instituto Tecnológico de Veracruz in 2012. Since 2012 he is a full time
Master student with the Electronics Department in Instituto Nacional de Astrofísica, Óptica y Electónica
(INAOE), Puebla, México. His research interests include instrumentation and sensors, microcontroller
applications and signal processing. Mr. Ricardo was recipient of the Centro Nacional de Evaluación para la
Educación Superior (México) for Excellence Performance in 2013.
Jose de Jesus Rangel-Magdaleno (S’08–M’12) received the B.E. degree in electronics engineering and the
M.E. degree in electrical engineering from Universidad de Guanajuato, Guanajuato, Mexico, in 2006 and
2008, respectively, and the Ph.D. degree in mechatronics from Universidad Autonoma de Queretaro,
Queretaro, Mexico, in 2011. He is currently an Associate Researcher with the Electronics Department,
National Institute of Astrophysics, Optics, and Electronics, Puebla, Mexico. He is a member of the Mexican
National Research System (SNI), level 1. His current research interests include signal and image processing,
instrumentation and mechatronics.
Juan Manuel Ramirez-Cortes (SM’04) was born in Puebla, Mexico. He received the B.Sc. degree from the
National Polytechnic Institute, Mexico City, Mexico, the M.Sc. degree from the National Institute of
Astrophysics, Optics, and Electronics (INAOE), Puebla, and the Ph.D. degree from Texas Tech University,
Lubbock, TX, USA, all in electrical engineering. He is currently a Titular Researcher with the Electronics
Department, INAOE. He is the President of the IEEE Puebla Section, and a member of the Mexican National
Research System (SNI), level 1. His current research interests include signal and image processing, neural
networks, pattern recognition, and instrumentation and sensors.
Hayde Peregrina-Barreto (S’09–M’12) received the B.Sc. degree from the Technological Institute of
Cuautla, Cuautla, Mexico, the M.Sc. degree in engineering from the University of Guanajuato, Guanajuato,
Mexico, and the Ph.D. degree in engineering from the Autonomous University of Queretaro, Queretaro,
Mexico. She is currently a Titular Researcher of Computer Science with LiCore, Queretaro, and a member
of the Mexican National Research System (SNI), level C. Her current research interests include image
processing include mathematical morphology, color appearance models, segmentation, and human visual
perception.
Roberto Morales-Caporal (S’05–M’08) received the Dr.-Ing. Degree in electrical engineering from the
University of Siegen, Siegen, Germany, in 2007, with a scholarship awarded by the German Academic
Exchange Service for doctoral studies in 2003. He has been with the Postgraduate Studies and Research
Division, Technological Institute of Apizaco, Apizaco, since 2008. His current research interests include
motor control, sensorless control, control of power converters for renewable energy, and DSP-based digital
control.
APÉNDICE C
Datos adicionales del banco de pruebas
En este apéndice se coloca información e imágenes adicionales del banco de

pruebas de dónde se hizo la captura de los datos que fueron analizados en este
documento.
Motor: Modelo 00136APE48T, trifásico, 2 polos, rotor jaula de ardilla formado

por 28 barras, 1 Hp nominal.
Un mismo motor fue utilizado para crear toda la base de datos. El motor era
nuevo al momento de hacer la captura de los datos, por lo que se da por supuesto
que los datos capturados contienen únicamente caracterı́sticas propias de la barra
que se perfora progresivamente.
Para capturar los datos de las corridas en buen estado no fue necesario desar-
mar el motor. Durante cada sesión de captura de datos el motor fue sometido a
diferentes niveles de carga (sin carga, 1/2 carga y 3/4 de carga). La captura de
los datos en cada sesión y bajo cada nivel de carga inció desde el transitorio y
concluyó hasta que se habı́an capturado datos del estado estable. Al finalizar la
captura de las corridas en buen estado, fue necesario desarmar el motor con el fin
de tener acceso al rotor.
El daño progresivo a una barra del rotor se realizo por medio de un centro de
maquinado CNC (Figura C.1). El rotor se colocó en una base hecha especialmente
para la sujección del rotor, la cual garantizó que este no se moviera y que se
encontrara en la misma posición para cada perforación (Figura C.2).
111
112 Apéndice C. Apéndice C
Figura C.1: Centro de Maquı́nado CNC. El rotor esta sujeto firmemente y próximo
a ser perforado en una de sus barras.
El procedimiento de creación de la base de datos consistió en el desarme com-

pleto del motor, la perforación a 1mm de profundidad en una de las barras del
motor, ensamble completo del motor y finalmente le ejecución de 50 corridas para
cada nivel de carga, en las cuales se capturaron los datos. Este proceso se repi-
tió diez veces, en cada ocasión se incrementó la profudidad de perforación de la
barra en 1mm (Figura C.3). Para la décima perforación, la barra fue perforada
completamente (la profundidad de las barras es de 10mm).
En la Figura C.4 se muestra una ampliación de la perforación en la barra del
rotor.
Finalmente, en la Figura C.5 se muestra el rotor con una barra perforada a
5mm de profundidad, mientras que en la Figura C.6 se muestra el rotor con una
barra completamente rota (perforación de 10mm).
113
(a)
(b)
Figura C.2: Rotor sujeto en el área de trabajo del centro de maquinado CNC.
Figura C.3: Proceso de perforación.
Figura C.4: Vista ampliada de la perforación a 5 mm de profundidad.

115
Figura C.5: Perforación de 5mm.
Figura C.6: Perforación de 5mm.

REFERENCIAS
[1] J. Rangel, J. Ramirez, H. Peregrina. “Broken bars detection on induction

motor using MCSA and mathematical morphology: An experimental study”.
IEEE International Instrumentation and Measurement Technology Conferen-
ce (I2MTC). 6-9 May 2013. Pages 825 - 829.
[2] B. Xu, S. Liu, L. Sun. A novel Method for the Early Detection of Broken
Rotor Bars in Squirrel Cage Induction Motors. International Conference on
Electrical Machines and Systems, ICEMS. 17-20 October 2008. Pages: 751 -
754.
[3] J. Jee, L. Jong, K. Bong. Online Diagnosis of Induction Motors Using MC-
SA. IEEE Transactions on Industrial Electronics. December 2006. Volume:53,
Issue: 6, Pages: 1842 - 1852.
[4] A. Sadeghian, Z. Ye, B. Wu. Online Detection of Broken Rotor Bars in Induc-
tion Motors by Wavelet Packet Decomposition and Artificial Neural Networks,
IEEE Transactions on Instrumentation and Measurement. July 2009. Volu-
me:58, Issue: 7, Pages: 2253 - 2263.
[5] M. Riera, M. Pineda, J. Perez, R. Puche, J. Roger, J. Antonino. Diagnosis of

Induction Motor Faults via Gabor Analysis of the Current in Transient Regime.
Transactions on Instrumentation and Measurement, June 2012. Volume:61,
Issue: 6, Pages: 1583 - 1596.
[6] M. Pineda, M. Riera, J. Roger, J. Antonino, J. Perez, R. Puche. Diagnosis

of Induction Motor Faults in Time-Varying Conditions Using the Polynomial-
117
118 Referencias
Phase Transform of the Current, IEEE Transactions on Industrial Electronics.

April 2011. Volume:58, Issue: 4, Pages: 1428 - 1439.
[7] N. Qing, L. Rui, F. Shou, G. Jun. A Novel Transform Demodulation Algorithm

for Motor Incipient Fault Detection. IEEE Transactions on Instrumentation
and Measurement, February 2011. Volume:60 , Issue: 2 Pages: 480 - 487.
[8] L. Cristaldi, M. Faifer, M. Lazzaroni, S. Toscani. An Inverter-Fed Induction

Motor Diagnostic Tool Based on Time-Domain Current Analysis. IEEE Tran-
sactions on Instrumentation and Measurement. May 2009. Volume: 58 , Issue:
5 Pages: 1454 - 1461.
[9] G. Betta, C. Liguori, A. Paolillo, A. Pietrosanto. A DSP-Based FFT-Analyzer

for the Fault Diagnosis of Rotating Machine Based on Vibration Analysis.
IEEE Transactions on Instrumentation and Measurement. December 2002.
Volume:51, Issue: 6, Pages: 1316 - 1322.
[10] J. Rangel, R. Romero, R. Osornio, E. Cabal, A. Dominguez. FPGA-Based

Vibration Analyzer for Continuous CNC Machinery Monitoring With Fused
FFT-DWT Signal Processing. IEEE Transactions on Instrumentation and
Measurement. December 2010. Volume:59, Issue: 12, Pages: 3184 - 3194.
[11] P. Rodriguez, A. Balahcen, A. Arkkio. Signatures of electrical faults in the

force distribution and vibration pattern of induction motors. IEEE Procee-
dings Electric Power Applications. July 2006. Volume:153 , Issue: 4, Pages:
523 - 529.
[12] L. Rabelo, V. Rocha, B. Rodrigues, W. Matos. SVM practical industrial ap-

plication for mechanical faults diagnostic. Expert Systems with Applications.
2011. Volume:38, Issue 6, Pages 6980-6984.
[13] C. Rodriguez, R. Romero, A. Garcia, D. Razo. FPGA based embedded system

for induction motor failure monitoring at the start-up transient vibrations with
wavelets. International Symposium on Industrial Embedded Systems, SIES.
11-13 June 2008. Pages: 208 - 214.
[14] A. Sadoughi, M. Ebrahimi, M. Moalem, S. Sadri . Intelligent Diagnosis of

Broken Bars in Induction Motors Based on New Features in Vibration Spec-
trum. IEEE International Symposium on Diagnostics for Electric Machines,
Referencias 119
Power Electronics and Drives, SDEMPED 2007. 6-8 September 2007. Pages:
106 - 111.
[15] A. Sadoughi, M. Ebrahimi, E. Rezaei. A New Approach for Induction Motor

Broken Bar Diagnosis by Using Vibration Spectrum. SICE-ICASE Interna-
tional Joint Conference. 2006. Pages 4715-4720.
[16] H. Su, K. Chong. Induction Machine Condition Monitoring Using Neural

Network Modeling. IEEE Transactions on Industrial Electronics. February
2007. Volume: 54, Issue: 1, Pages 241-249.
[17] L. Contreras-Medina, R. J. Romero-Troncoso, J. R. Millan-Almaraz, and C.

Rodriguez-Donate. FPGA based multiple-channel vibration analyzer embedded
system for industrial applications in automatic failure detection. in Proc.
Symp. Ind. Embedded Syst., Jun. 2008, Pages: 229 - 232.
[18] B. Ebrahimi, J. Faiz, B. Akin. Pattern recognition for broken bars fault
diagnosis in induction motors under various supply conditions. Trans. Electr.
Power. 2011. DOI: 10.1002/etep.640.
[19] M. Mehrjou, N. Mariun, M. Marhaban, N. Misron. Rotor Fault condition

monitoring techniques for squirrel-cage induction machine- A review. Me-
chanical Systems and Signal Processing. November 2011. Volume:25, Issue:8,
Pages: 2827 - 2848.
[20] M. Cabañas, F. Pedrayes, M. Melero, C. Rojas, J. Cano, G. Orcajo, J. Gonza-

lez. Unambiguous detection of broken bars in asynchronous motors by means
of a flux measurement-based procedure . IEEE Transactions on Instrumenta-
tion and Measurement. March 2011. Volume:60 , Issue: 3, Pages: 891 - 899.
[21] M. Eltabach, A. Charara, I. Zein. A Comparison of External and Internal

Methods of Signal Spectral Analysis for Broken Rotor Bars Detection in Induc-
tion Motors . IEEE Transactions on Industrial Electronics. February. 2004.
Volume:51 , Issue: 1, Pages: 107 - 121.
[22] Z. Jian, Z. Ning, Y. Li, Y. Qi, L. Qing. A Fault Diagnosis Approach for
Broken Rotor Bars Based on EMD and Envelope Analysis. Journal of China
University of Mining Technology. June 2007. Volume: 17, Issue: 2, Pages: 205
- 209.
120 Referencias
[23] C. Yiguang, Z. Hongxia, S. Yonghuan. Method of EMD and ZOOM-FFT to

Detect the Broken Bars Fault in Induction Motor International Conference on
Electrical Machines and Systems, ICEMS. 10-13 October 2010. Pages: 1387 -
1391.
[24] D. Camarena, M. Valtierra, A. Garcia, R. Osornio, and R. Romero, Empirical

Mode Decomposition and Neural Networks on FPGA for Fault Diagnosis in
Induction Motors The Scientific World Journal. In press. Received 24 August
2013; Accepted 17 November 2013.
[25] N. E. Huang, Z. Sheen, S. Loong, M. Wu, H. Shih, Q. Zheng, N. Yen, C.

Tung, H. Liu. The empirical mode decomposition and the Hilbert spectrum
for nonlinear and non-stationary time series analysis. Proceedings of the
Royal Society A: Mathematical Physical Engineering Sciences. 8 March 1998.
Volume: 454, no. 1971. Pages: 903 - 995. DOI: 10.1098/rspa.1998.0193.
[26] P. G. Drazin Nonlinear systems Cabridge University Press. 1992.
[27] Gang Wan, et al. ON INTRINSIC MODE FUNCTION 2010. Advances in

Adaptive Data Analysis Vol. 2, No. 3. Pages: 277 - 293.
[28] N. E. Huang, et al. A confidence limit for the empirical mode decomposition
and Hilbert spectral analysis. 2003. Proc. R. Soc. Lond. A, 459: 32172345.
[29] Wu, Z. and N. E. Huang, A study of the characteristics of white noise using
the empirical mode decomposition method. 2004. Proc. R. Soc. Lond. A, 460:
15971611.
[30] Wu, Z. and Huang, N. E. On the relations of empirical mode decomposition to

the Fourier transform and wavelet analysis. 2010. Submitted to Appl. Comput.
Harmon. Analysis.
[31] G. Rilling, P. Flandrin, P. Goncalves. On Empirical Mode Decomposition

and its algorithms. In Proceedings of the 6th IEEE/EURASIP Workshop on
Nonlinear Signal and Image Processing (NSIP ’03), Grado, Italy (2003).

Valles NRI

Cargado por

Información del documento

Título original

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

Valles NRI

Cargado por

Copyright:

Formatos disponibles

Detección de barras rotas

En el presente trabajo se estudia el desarrollo de una metodologı́a que, ba-

In this paper, the development of a methodology based on Motor Current

A la Dra. Guadalupe Novo, mi madre, por todo su apoyo incondicional.

Al Dr. José Rangel, por dirigir el trabajo de tesis y el presente documento,

Al Dr. Arturo Sarmiento, por aceptarme como residente y como alumno de

Finalmente, a CONACYyT, por la beca con la que me apoyaron económica-

Índice de tablas XVII

1. Detección de fallas en motores de inducción 1

4. Pruebas Experimentales y Resultados 49

5. Implementación de la EMD en VHDL 63

6. Conclusiones y trabajo futuro 85

1.1. Clasificación de Motores Eléctricos . . . . . . . . . . . . . . . . . 2

2.1. Corte de un motor jaula de ardilla . . . . . . . . . . . . . . . . . . 8

3.1. Amperimetro Fluke i200s . . . . . . . . . . . . . . . . . . . . . . . 34

3.7. EMD de la corriente de la Figura 3.6 . . . . . . . . . . . . . . . . 40

4.1. Evaluación criterio de la mediana, transitorio a 3/4 de carga . . . 50

5.1. EMD en FPGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

5.8. Sub-bloque: Critero de Paro & IMF . . . . . . . . . . . . . . . . . 76

C.1. Centro de Maquı́nado CNC. El rotor esta sujeto firmemente y próxi-

3.1. Criterio de Clasificación con la Mediana, Transitorio . . . . . . . . 41

4.1. Resultados de pruebas individuales BE vs 5mm . . . . . . . . . . 61

5.1. Uso de recursos, EMD implementada en Xilinx Spartan-6 . . . . . 83

Detección de fallas en motores de

Figura 1.1: Una posible clasificación es por el tipo de corriente de alimentación de

Enfocándonos exclusivamente en los motores ası́ncronos, éstos están formados

(a) El rotor y el estator de un motor de jaula de

(b) Detalle de la composición de un ro-

Figura 1.2: Motor ası́ncrono tipo jaula de ardilla.

un motor deja de operar de manera repentina, convirtiéndose su reparación en

El acceso al rotor de un motor no es sencillo, el motor debe estar fuera de

Extracción de caracterı́sticas de la base de datos por medio de la EMD, para

Diseñar en VHDL una estructura digital que realize la EMD.

Implementar en un FPGA la EMD descrita en VHDL.

En este capı́tulo se expondrán las bases teóricas necesarias para comprender

2.1. El Motor Ası́ncrono tipo jaula de ardilla

Figura 2.1: Corte de un motor jaula de ardilla.

Cuando este motor está en pleno funcionamiento la corriente de alimentación

Figura 2.2: Ejemplo práctico del funcionamiento del motor ası́ncrono.

2.2. Estado del arte en detección de fallas en

des industriales de mantener en óptimo funcionamiento estas máquinas, evitando

Donde k representa un número entero, s representa el deslizamiento debido a

Figura 2.3: Espectros de frecuencia de un par de motores alimentados a 50 Hz,

Cuando se refiere a los trabajos que se basan en la medición de la corriente del

para poder identificar la falla. Camarena et al [24] aplica la EMD directamente

La interpolación con splines es importante para poder desarrollar de manera

Dada una función f definida en [a, b] y un conjunto de nodos a =

Un ejemplo para splines con k = 0 se muestra en la Figura 2.4 donde:

Figura 2.4: Splines de orden cero

Mientras que para un grupo de splines con k = 1 se muestra en la Figura 2.5

Figura 2.5: Splines de primer orden

Los splines de segundo grado se obtienen ajustando un polinomio cuadrático

Sj es un polinomio cúbico continuo en [xj , xj+1 ) para j = 1, 2, ..., n − 1 (2.4a)

S(xj ) = f (xj ) para j = 1, 2, ..., n (2.4b)

Sj+1 (xj+1 ) = Sj (xj+1 ) para j = 1, 2, ..., n − 2 (2.4c)

A continuación, se explicará la construcción del spline cúbico para una función

{(x0 , f (x0 )) , (x1 , f (x1 )) , ..., (xn , f (xn ))} (2.5)

se requiere hallar j polinomios cúbicos:

Sj (xj ) = aj = f (xj ) (2.7)

Aplicando la condición 2.4c y la ecuación 2.7 obtenemos:

Haciendo (xj+1 − xj ) = hj podemos reescribir 2.8:

aj+1 = aj + bj hj + cj h2j + dj h3j j = 0, 1, ..., n − 1 (2.9)

Ahora derivando 2.6 obtenemos: