Documentos de Académico
Documentos de Profesional
Documentos de Cultura
motores eléctricos.
Por
TESIS
Tecnológico de Monterrey
Campus Monterrey.
A mi esposa por su infinita paciencia y su infinito amor para llevar a buen fin mi carrera de
maestría, gracias Lolis.
A mis maestros por que mi maestría ha sido moldeada con sus manos, especialmente al Dr.
Luis Eduardo Garza Castañón por todo su apoyo a lo largo de mi Tesis.
III
Diseño de una máquina de prueba para detectar
fallas en motores eléctricos.
IV
Reconocimientos III
Resumen IV
Índice General V
Índice de Figuras VII
Índice de Tablas VIII
Capitulo 1. Introducción………………………………………..…………………….. 1
1.1 Introducción a la compañía Valeo.…..……………………….……. 1
1.2 Introducción a los motores de corriente directa…………….………… 3
1.3 Tipos de motores de corriente directa………………………………….. 5
1.3.1 Motores CD de de imán permanente………………………. 6
1.3.2 Motores CD sin escobillas…………………………………….. 7
1.3.3 Servomotores CD……………………………………………… 8
1.3.4 Motores CD con campo devanado…………………............. 8
1.3.4.1 Motores CD en derivación……………………………..…… 8
1.3.4.2 Motores CD devanado en serie…………………….……… 9
1.3.4.3 Motores CD devanado compuesto………………………… 10
1.4 Modelo de un motor de corriente directa………………………………. 11
1.4.1 Principios básicos de operación de un motor CD………..... 11
1.5 Introducción a las Redes Neuronales…………………………..……… 16
1.5.1 Definición de Redes Neuronales Artificiales RNA………….. 17
1.5.2 Analogía con las Redes Neuronales Biológicas……………. 18
1.5.3 Red Neuronal Artificial………………………………………… 20
1.5.4 Proceso de entrenamiento…………………………………… 25
1.5.4.1 Entrenamiento Supervisado……………………….. 26
1.5.4.2 Entrenamiento No Supervisado………………….... 26
1.5.5 La función de activación……………………………………… 27
1.5.5.1 Función Identidad…………………………………… 27
1.5.5.2 Función paso unitario o binario…………………… 27
1.5.5.3 Función Sigmoide Binaria………………………….. 28
1.5.4.4 Función Sigmoide Bipolar………………………….. 30
Capitulo 2. Estado del arte…………………………………………………………… 31
2.1 Patente 3,898,875………..……………………………………………… 32
2.2 Patente 5,811,668………………………………………….……………. 35
2.3 Patente 3,947,764………………………………………….……………. 36
2.4 Patente 4,744,041…………………………………………….…………. 37
2.5 Patentes registradas en México………………………………………… 38
2.5.1 Patente 9,900,473………………………………………..…… 38
2.5.2 Patente 9,401,365…………………………………………..… 39
2.6 Conclusiones Estado del Arte……………………………………….….. 40
Capitulo 3. Propuesta de una maquina de pruebas para motores CD…………. 41
V
3.1 Fundamentos Matemáticos…………………………………….………. 41
3.2 Relación entre Torque y corriente……………………………………… 42
3.3 Velocidad en Función del Torque……………………………….……… 45
Capitulo 4. Equipo de Prueba…………………………………………………………. 47
4.1 Diagrama y explicación del equipo de prueba…………………..……. 47
4.2 Resultados de Experimentación………………………………………… 50
Capitulo 5. Comparación contra otros métodos de prueba………………..…….. 55
5.1 Comparación de este nuevo método contra otras maquinas de prueba
de Valeo……………………….……………………………………………….. 55
5.2 Comparación contra otras empresas………………………………..… 58
Capitulo 6. Validación……………….…………………………………………..…… 60
6.1 Validación de nuevo equipo de prueba………................................... 60
6.2 Datos de prueba modelo 24006188………………………..…............. 61
6.3 Datos de prueba modelo 24017584……………………………………. 62
6.4 Datos de prueba modelo 24041164……………………………………. 63
6.5 Datos de prueba modelo 24041228……………………………………. 64
6.6 Análisis Económico………………………………………………………. 65
Capitulo 7 Clasificación de fallas que se pretende detectar……………………... 67
7.1 Motores con alta corriente …………..……………………………..…… 67
7.2 Motores con baja corriente (otro modelo1)…………………..……….. 67
7.3 Motores con alta velocidad (otro modelo2)…………………..……….. 67
7.4 Motores con baja velocidad…………………………………….………. 67
7.5 Motores similares ………………………………………………………… 68
Capitulo 8 Detección de fallas utilizando Redes Neuronales……………..……… 70
8.1 Red Neuronal para clasificar fallas en motores CD…………….……. 70
8.1.1 Red Neuronal Perceptron…………………………………….. 70
8.1.1.1 Regla de aprendizaje Perceptron…………………. 71
8.1.1.2 Entrenamiento Perceptron…………………………. 72
8.1.2 Red Neuronal Competitiva……………………………………. 76
8.1.2.1 Entrenamiento Competitivo………………………… 77
8.1.3 Red Neuronal Probabilística.……………………………….... 79
8.1.3.1 Diseño de la Red Neuronal Probabilística……….. 80
8.1.3.2 Entrenamiento de la Red Neuronal Probabilística. 80
8.1.3.2 Prueba de la Red Neuronal Probabilística….……. 81
Capitulo 9 Conclusiones y Trabajos Futuros………………………………………. 84
Bibliografía……………………………………………………………………….…….. 85
Apéndice A Datos para entrenamiento de Red Neuronal………………………… 87
Apéndice B Datos meta para entrenamiento de RN………………………………. 93
Apéndice C Datos de prueba para Red Neuronal…………………………………. 95
VI
Índice de Figuras.
VII
39 Arquitectura de una Red Neuronal Probabilística…………………………………………… 79
40 Red Neuronal Probabilística de 6 neuronas…………………………………………………. 80
41 Resultados de entrenamiento red Probabilística……………………………………………. 81
42 Resultados de corrida de prueba……………………………………………………………… 82
Índice de Tablas.
VIII
Capitulo 1
Introducción.
1.1 Introducción a la compañía Valeo.
Valeo es un grupo Industrial que se encuentra dentro de los primeros 10 proveedores de
la Industria automotriz a nivel Mundial, se fundó hace cerca de 80 años y cuenta con varias
divisiones entre las que se pueden mencionar:
VALEO
División Productos
Enfriamiento de Motor Ventiladores, Radiadores
Limpiaparabrisas Limpiaparabrisas y partes de repuesto
Térmico Habitáculo Aire acondicionado y calefacción
Iluminación Lámparas y proyectores
Motores y Actuadores Motores de corriente directa de imán permanente
Interruptores y sistemas de
detección Interruptores y sistemas de visión nocturna
Sistemas Eléctricos Marchas y Alternadores
Electrónica Módulos electrónicos
Sistemas de seguridad Llaves y seguros
Manejo del motor Módulos para control del motor
Compresores Compresores de aire
Transmisiones Discos, valeros y transmisiones manuales
Servicio Partes en general para recambio.
Tabla 1 Divisiones Industriales de Valeo.
Valeo cuenta entre sus clientes a BMW, FORD, HYUNDAY, HONDA, CHRYSLER,
VW, GM, MITSUBISHI, VOLVO, TOYOTA, entre otros.
Valeo tiene presencia en México, en algunas ciudades como: San Luis Potosí, Toluca,
Aguascalientes y Cd. Juárez Chihuahua.
1
Este trabajo se enfoca a la división de Valeo Motores y Actuadores, para encontrar un
método alternativo de detección de fallas en los motores eléctricos que ahí se fabrican y
relacionar esa falla con su correspondiente falla en el proceso.
Desde la fundación de Valeo Motores y Actuadores en el año de 1984 se han usado los
métodos estándares de prueba a motores eléctricos. Estos métodos que usan dinamómetros
consisten en aplicar una rampa de carga al motor bajo prueba y medir durante la aplicación
de la carga las características de velocidad y corriente del motor bajo prueba.
En esta Tesis se explica un método alternativo a los dinamómetros para probar los
motores eléctricos de imanes permanentes que se manufacturan en Valeo Motores y
Actuadores, el cual consiste en utilizar la inercia de la armadura para caracterizar un motor,
sin necesidad de aplicar carga alguna. Este método se puede realizar en cerca de dos
segundos. Además los resultados de esta prueba sirven como entrada a una red neuronal
que clasificara los motores que sean probados.
Entre las ventajas de este nuevo método contra un dinamómetro normal se pueden
mencionar:
1) Mayor rapidez de prueba.
2) Mayor repetibilidad ya que el motor bajo prueba sufre un calentamiento
mínimo.
3) Construir un equipo de este tipo es mas barato que un dinamómetro normal.
4) Menor tiempo perdido en producción por fallas del equipo ya que no tiene
partes mecánicas o móviles.
5) Mantenimiento más fácil y económico.
6) Mejor clasificación de fallas.
7) Equipo que puede construirse para ser portable.
8) Mejor Control de calidad del motor bajo producción.
2
1.2 Introducción a los motores de corriente directa.
Cuando una corriente pasa a través de la armadura de un motor de corriente continua, se
genera un par de fuerzas debido a la acción del campo magnético, y la armadura gira. La
revolución de la armadura induce un voltaje en las bobinas de ésta. Este voltaje es opuesto al
voltaje exterior que se aplica a la armadura, y de ahí que se conozca como voltaje inducido o
fuerza contraelectromotriz. Cuando el motor gira más rápido, el voltaje inducido aumenta
hasta que es casi igual al aplicado. La corriente entonces es pequeña, y la velocidad del motor
permanecerá constante siempre que el motor no esté bajo carga y tenga que realizar otro
trabajo mecánico que no sea el requerido para mover la armadura. Bajo carga, la armadura
gira más lentamente, reduciendo el voltaje inducido y permitiendo que fluya una corriente
mayor en la armadura [2].
3
Imán Permanente
Brochas
Conmutador
Armadura
4
1.3 Tipos de motores de corriente directa.
De acuerdo a algunos autores ([3,4,5]), los motores CD se pueden dividir dentro de dos
grandes grupos:
En la Fig. 2 se pueden observar las conexiones de los motores de corriente continua de campo
devanado donde de acuerdo a la terminología en [4] se expresan como:
R f = Resistencia de campo.
E a = Voltaje inducido.
V f = Voltaje de campo.
Ra = Resistencia de armadura.
5
Fig. 2 Conexiones de los motores de corriente continua.
6
causar desmagnetización parcial que cambia las características de velocidad y de par del
motor, hasta que se restablece por completo la magnetización. En general, un motor de imán
permanente de número entero de caballos es un poco más grande y más caro que un motor
equivalente con devanado en derivación, pero el costo total del sistema puede ser menor. Un
motor de imán permanente es un término medio entre los motores de devanado compuesto y
los devanados en serie. Tiene mejor par de arranque, pero alrededor de la mitad de la
velocidad en vacío de un motor devanado en serie. En la figura 3 se puede observar una foto
de un motor de corriente directa de magnetos permanentes [2].
Los motores de corriente continua sin escobillas tienen una armadura estacionaria y una
estructura rotatoria del campo, exactamente en forma opuesta a como están dispuestos esos
elementos en los motores convencionales de corriente directa. Esta construcción aumenta la
rapidez de disipación del calor y reduce la inercia del rotor. Imanes permanentes suministran
el flujo magnético para el campo. La corriente directa hacia la armadura se conmuta con
transistores, en vez de las escobillas y las delgas del colector de los motores convencionales
de corriente directa. Es normal que las armaduras de los motores de corriente continua sin
escobillas contengan de dos a seis bobinas, en tanto que las armaduras de los motores
convencionales de corriente continua contienen de 10 a 50. Los motores sin escobillas tienen
menos bobinas porque se requieren dos o cuatro transistores para conmutar cada bobina del
motor. Esta disposición se vuelve cada vez más costosa e ineficiente a medida que aumenta el
número de devanados. Los transistores que controlan cada devanado de un motor sin
escobillas de corriente continua se activan y desactivan a ángulos específicos del rotor. Los
transistores suministran pulsos de corriente a los devanados de la armadura, los cuales son
semejantes a los que suministra un conmutador. La secuencia de conmutación se dispone para
producir un flujo magnético rotatorio en el entrehierro, que permanece formando un ángulo
fijo con el flujo magnético producido por los imanes permanentes del rotor. El par producido
por un motor sin escobillas de corriente continua es directamente proporcional a la corriente
de la armadura [2].
7
1.3.3 Servomotores de corriente directa:
Los servomotores de corriente continua son motores de alto rendimiento que por lo
general se usan como motores primarios en computadoras, maquinaria controlada
numéricamente u otras aplicaciones en donde el arranque y la detención se deben hacer con
rapidez y exactitud. Los servomotores son de peso ligero, y tienen armaduras de baja inercia
que responden con rapidez a los cambios en el voltaje de excitación. Además, la inductancia
muy baja de la armadura en estos motores da lugar a una baja constante eléctrica de tiempo (lo
normal entre 0.05 y 1.5 mS) que agudiza todavía más la respuesta del motor a las señales de
comando. Los servomotores incluyen motores de imán permanente, circuito impreso y bobina
(o coraza) móvil. El rotor de un motor acorazado consta de una coraza cilíndrica de bobinas de
alambre de cobre o de aluminio. El alambre gira en un campo magnético en el espacio anular
entre las piezas polares magnéticas y un núcleo estacionario de hierro. El campo es producido
por imanes de fundición de Álnico cuyo eje magnético es radial. El motor puede tener dos,
cuatro o seis polos. Cada uno de estos tipos básicos tiene sus propias características, como son
la inercia, forma física, costos, resonancia de la flecha, configuración de ésta, velocidad y
peso. Aun cuando estos motores tienen capacidades nominales similares de par, sus constantes
físicas y eléctricas varían en forma considerable. La selección de un motor puede ser tan
sencilla como ajustar uno al espacio del que se disponga. Sin embargo, en general éste no es el
caso, ya que la mayor parte de los servo sistemas son muy complejos [2].
Excepcionalmente, la reacción del inducido debería ser suficientemente grande para que
la característica de velocidad fuera ascendente al aumentar la carga.
8
Los polos de conmutación han mejorado la conmutación de los dinamos, de tal manera
que es posible usar un entrehierro mucho más estrecho que los que se usaban en el pasado.
Los motores con excitación en serie son aquellos en los que el inductor esta conectado
en serie con el inducido. El inductor tiene un número relativamente pequeño de espiras de
hilo, que debe ser de sección suficiente para que pase por él la corriente que requiere el
inducido. En los motores serie, el flujo depende totalmente de la intensidad de la corriente del
inducido [4].
Si el hierro del motor se mantiene a saturación moderada, el flujo será casi directamente
proporcional a dicha intensidad.
Para una carga dada y, por lo tanto, para una corriente dada, la velocidad de un motor
devanado en serie se puede incrementar al poner en derivación el devanado en serie, o bien, al
poner en cortocircuito algunas de las vueltas en serie, de modo que se reduzca el flujo
magnético. La velocidad se puede reducir al introducir una resistencia en serie con la
armadura [4].
9
1.3.4.3 Motor devanado compuesto.
Con características intermedias entre el motor derivación y el motor serie, este motor puede
ser compuesto acumulativo y compuesto diferencial.
10
1.4 Modelo de un motor de corriente directa.
Como lo describe en [8], a continuación se explica el modelo de un motor de corriente
directa de magnetos permanentes.
Los motores de corriente directa son uno de los sistemas para movimiento más
utilizados en la industria el día de hoy, hace algunos años los motores de corriente alterna eran
usados para propósitos de control, aunque en realidad son mas difíciles de manipular,
especialmente para aplicaciones de posición y sus características no son tan lineales, lo cual
hace su análisis mas complejo. Los motores de corriente continua, por otro lado, son más
caros.
Antes del completo desarrollo de la tecnología de magnetos permanentes, el torque por
unidad o peso de un motor CD con un magneto permanente estaba muy lejos de lo deseado,
hoy con el desarrollo de los magnetos permanentes de tierras raras, es posible alcanzar
relaciones grandes de torque vs. volumen y los costos de estos motores son razonables,
además los avances hechos en las tecnologías de las brochas y el conmutador han hecho que
estas partes desgastables no requieran prácticamente mantenimiento. Los avances
desarrollados en la electrónica de potencia han hecho posible el diseño de motores sin brochas
y han sido muy populares en sistemas de control de gran desempeño. Los avances en técnicas
de manufactura también han producido motores sin hierro en el rotor que tienen muy baja
inercia y adquieren una relación grande de torque-inercia.
Las constantes de tiempo bajas en estos motores han abierto nuevas posibilidades de
aplicación en dispositivos periféricos computacionales como impresoras, lectores de CDs, al
igual que ha sucedido con la automatización de maquinas de herramientas en la industria.
T m (t ) = K φ I a (t ) (1.1)
11
En adición al torque desarrollado, cuando un conductor se mueve en un campo
magnético se genera un voltaje en sus terminales que es proporcional a la velocidad de la
flecha y tiende a oponerse al flujo de la corriente, este voltaje es conocido como fuerza
contraelectromotriz, la relación de este voltaje y la velocidad es [8]:
e ( t ) = K φω m (t ) (1.2)
I a =Corriente de armadura
12
Ra =Resistencia de armadura.
eb =Fuerza contraelectromotriz.
TL =Torque de carga.
Tm =Torque del motor.
φ m =Desplazamiento del rotor.
K i =Constante de torque.
La =Inductancia de armadura.
ea =Voltaje aplicado.
K b =Constante de fuerza contraelectromotriz.
φ =Flujo magnético.
ω m =Velocidad angular del rotor.
J m =Inercia del rotor.
Bm =Constante de fricción viscosa.
T m (t ) = K m φ I a (t ) (1.3)
Tm (t ) = K i I a (t ) (1.4)
dI a 1 R 1
= ea − a I a (t ) − eb (1.5)
dt La La La
T m (t ) = K i I a (t ) (1.6)
13
dο m
eb = K b = K bω m (1.7)
dt
d 2ο m (t ) 1 1 B dο m
2
= Tm − TL − m (1.8)
dt Jm Jm J m dt
Las variables de estado del sistema pueden ser definidas como ia , ω m y ο m . Por medio
de substitución directa y eliminando las variables que no son de estado de las ecuaciones 1.5 a
la 1.8, las ecuaciones de estado del sistema del motor de corriente directa son escritas en
forma matricial [8]:
dI a Ra Kb 1
dt − − 0
0
La La
I a La
dω m = K i B
− m
0 ω m + 0 ea + −
1
T (1.9)
dt J Jm Jm L
d ο
m
0m 1 0 ο m 0
0
dt
Nótese que en este caso, TL es tratado como una segunda entrada en las ecuaciones de
estado.
La función de transferencia entre el desplazamiento del motor y el voltaje aplicado se
muestra a continuación en la Fig. 5:
14
Fig. 5 Diagrama a bloques del sistema del motor de corriente continua.
15
1.5 Introducción a las Redes Neuronales.
Por mucho tiempo la computación tradicional (secuencial y basado en lógica digital), ha
servido para la resolución de muchos problemas prácticos en muchas áreas y en otras han sido
menos eficientes. Uno de esos problemas es la imitación o reproducción artificial de la
actividad humana, o de parte de esta; por ejemplo, el ser humano basado en ejemplos,
modelos y patrones y con la realimentación de un maestro (que en ocasiones tampoco es
necesaria) aprende fácilmente a reconocer la letra A dentro de un grupo de letras o a
diferenciar un gato de un pájaro. El ser humano además es capaz de definir, optimizar sus
respuestas para lograr un mejor comportamiento [12].
En el desarrollo de las redes neuronales se pueden distinguir claramente tres etapas [12]:
1. Surgimiento y desarrollo de los primeros modelos.
2. Crítica a los modelos creados, dudas sobre el futuro y estancamiento de las Redes
Neuronales Artificiales.
3. Reanimación o renacimiento de las Redes Neuronales Artificiales (RNA).
En la primera etapa, aparecen los primeros modelos de redes neuronales. Se crea una
máquina que trata de simular el cerebro respondiendo a estímulos que previamente se fijaron.
Aparecen las primeras variantes informáticas y es la etapa de las definiciones, de la aparición
de modelos que dan solución a problemas de tipo teórico y las primeras aplicaciones. Esta
etapa termina cuando no se puede demostrar ni encontrar modelos más potentes y que
resolvieran exigencias en cuanto a capacidad computacional, lo cual sembró la duda en todo el
mundo sobre el futuro de las redes neuronales (ejemplo : problemas no lineales) [12].
La segunda etapa está marcada por un pobre desarrollo de las redes neuronales artificiales
(RNA), muy pocos trabajan en ello y con pocos resultados. Es la etapa en que se desarrollan
otras ramas de la inteligencia artificial que también tienden a resolver esos problemas pero
con otros enfoques [12].
La tercera etapa, comienza a finales de los 70 y década de los 80’ donde a partir de un
trabajo de tesis doctoral se crean modelos más complejos y se demuestra que pueden resolver
cualquier tipo de problema desde el punto de vista teórico. (Ej. : problemas no lineales). En
conjunto, el desarrollo de esta tercera etapa se debe a varios factores entre los cuales se
destacan, las técnicas de entrenamiento desarrolladas para arquitecturas de redes más
16
sofisticadas y que cubren mucho mayor rango de aplicaciones que las primeras. Además el
rápido desarrollo de las PC y las velocidades actuales permiten simular y procesar las RNA
con mucha mayor facilidad. También la tecnología actual es capaz de producir hardware
específico para redes neuronales (implementación) [12].
Las RNA son de interés para muchos investigadores de diferentes áreas, para los ingenieros
eléctricos en muchas aplicaciones de procesamiento de señal y teoría de control, para los
ingenieros electrónicos y de computación en la búsqueda de nuevas tecnologías y hardware
que potencien las redes neuronales y para su implementación en robótica. Los informáticos y
técnicos en ciencias de la computación la aplican para resolver problemas en áreas como la
inteligencia artificial y reconocimiento de patrones. Para los matemáticos, las RNA son una
herramienta poderosa para modelar problemas donde la relación explícita entre varias
variables no se conoce. Para esferas de detección de fallos, control de procesos, medicina, en
fin en casi todos los sectores del universo científico.
Las redes neuronales se han desarrollado como una generalización de los modelos
matemáticos existentes del conocimiento humano o de la neurona biológica asumiendo entre
otras cosas que:
1. El procesamiento de la información se efectúa en muchos elementos simples llamados
comúnmente neuronas.
2. Las señales (estímulos o inhibidores) se propagan entre neuronas a través de enlaces o
conexiones.
17
3. Cada enlace o conexión entre neuronas tiene un peso asociado, que constituye un
parámetro interno de la conexión y que en modelos típicos multiplica la señal
transmitida o propagada de neurona a neurona.
4. Cada neurona calcula su salida (suma de sus entradas pesadas) aplicándole una función
de activación que normalmente es no lineal.
En una neurona biológica las señales entran a la misma a través de las dendritas. La
conexión entre la fuente de la señal y la dendrita se llama sinapsis. La señal viaja a través de
dichas dendritas hacia el cuerpo de la célula, el cual combina las señales recibidas y si el
umbral se sobrepasa, la célula envía un impulso eléctrico hacia el axón. El axón, a su vez,
hace contacto con otras neuronas a través de múltiples sinapsis [12].
La figura 6, ilustra una neurona biológica con sus principales componentes y relación con
otras :
18
Dendrita de otra
neurona
Axόn desde otra
neurona
Cuerpo
Sinapsis
Dendrita
Axόn desde otra Dendrita de otra
neurona Sinapsis neurona
Este esquema genérico de una neurona biológica servirá para explicar de forma bastante
exacta la forma en que operan.
Una neurona biológica tiene 3 tipos de componentes que son de particular interés para
entender posteriormente el funcionamiento de una neurona artificial que son :
1. Dendritas
2. Cuerpo (suma)
3. Axón
Una neurona biológica (NB) tiene muchas dendritas, las cuales son responsables de la
recepción de las señales o estímulos eléctricos provenientes de las otras neuronas. Estas
señales, o impulsos eléctricos, se trasmiten a través de la sinapsis como resultado de un
proceso químico. La acción del transmisor (originado por un proceso químico) modifica la
señal que entra a la neurona, generalmente variando la frecuencia del impulso [12].
El cuerpo de la NB “suma” las señales de entrada y genera una salida, o sea trasmite una
señal a través del axón hacia otras neuronas. Esta forma en que trabaja la neurona biológica
permite tratarla de dos maneras diferentes, ambas perfectamente válidas. En un instante de
tiempo se puede asumir que la neurona o trasmite un impulso o no, por tanto desde este punto
de vista se puede decir que es binaria. Sin embargo, la transmisión de las señales de una
neurona a otra es asincrónica, su frecuencia varía, de modo que también se puede ver como
una señal que varía su magnitud siendo en unos casos mayores y en otros menores. Esta forma
normalmente se aborda cuando se necesita darle un tratamiento a su magnitud y siempre es
discreto [12].
Los rasgos principales que servirán de base para el diseño de la neurona artificial son:
19
1. Los elementos de procesamiento reciben muchas señales.
2. Las señales pueden modificarse por los pesos de las sinapsis receptoras.
3. Los elementos de procesamiento suman las entradas pesadas.
4. Bajo ciertas circunstancias (entradas suficientes), la neurona trasmite una salida
simple.
5. La salida de una neurona particular puede ir hacia otras neuronas (a través del axón).
6. La información se procesa de forma local.
7. La memoria sea distribuida.
8. La fuerza o peso relativo de la conexión pueda modificarse con la experiencia.
9. Una neurona puede excitar o inhibir la respuesta de otra.
En esta neurona artificial general mostrada en la figura 7 se destacan : x1 , x 2 ,...., x n . Son los
vectores de entrada, y pueden provenir de otras neuronas o simplemente ser un estímulo
externo. w1 , w2 ,...., wn es el vector de pesos : Es el encargado de pesar, restarle o darle
importancia al estímulo proveniente de otra neurona o del exterior. Puede tomar valores
positivos o negativos (excitatorios o inhibitorios respectivamente). Normalmente se normaliza
inicialmente pero toma valores reales. El vector de entrada también suele normalizarse.
La sumatoria es una función normal de suma que agrupa todas las entradas pesadas.
20
F : Es la función de activación. Modifica las sumas generando una salida no lineal
(generalmente) que se puede trasmitir a otras neuronas.
Si se realiza una analogía con una neurona biológica se puede distinguir que x1 , x 2 ,...., x n son
los estímulos de entrada que provienen de los axones de otras neuronas, los pesos son las
sinapsis (una especie de vacío que hace resistencia al estímulo o posibilita su transmisión), y
las funciones sumatoria y de activación (F) constituyen el cuerpo o suma, que es el elemento
procesador. Por último la salida se trasmite a través de otro axón a diferentes neuronas [12].
Matemáticamente quedará:
n
S = F Σ X iWi
i =1 (1.10)
donde :
Una neurona de por sí, aunque reúne ciertas características muy importantes es muy pobre
ella sola; de modo que siempre, estará integrada en una red cuyas características variarán en
dependencia de la aplicación.
Algunos rasgos típicos de las Redes Neuronales Artificiales son:
1. Tolerancia a fallos. Las RNA al igual que las RNB son muy tolerantes a fallas. En
primer lugar las RNA después de entrenadas son capaces de reconocer muchas señales
de entrada que tienen ciertas diferencias con las señales con que fueron entrenadas
anteriormente. En segundo lugar, una RNA también es capaz de dar una respuesta
correcta aún en casos en que su estructura haya sido dañada de alguna manera. Esta
característica es fácil de explicar si se tiene en cuenta que el conocimiento en una red
neuronal es distribuido y fallas en algunos elementos de procesamiento podrán provocar
solo ciertas alteraciones en el comportamiento de la red, e incluso, para redes no
supervisadas o con entrenamiento continuo, esos daños suelen ser solo temporales.
(Memoria asociativa y memoria distribuida) [12].
2. Rápida respuesta computacional.
21
3. Extracción de características “de forma empírica” de los ejemplos de entrenamiento.
4. Requieren poco espacio de almacenamiento.
5. Paralelismo masivo. Se procesan las entradas a la vez, no son secuenciales.
6. No son necesariamente determinísticas, no siguen un conjunto de reglas para
determinar las diferentes arquitecturas de red con sus características.
7. No son elaboradas a partir de una unidad central de procesos de gran complejidad, sino
que se elabora a partir de elementos simples que ejecutan la acción.
8. El conocimiento es una función de la arquitectura de la red.
9. Tienen gran número de conexiones entre los elementos.
Estas características hacen que la red neuronal se ubique como área con características
propias dentro de la Inteligencia Artificial.
22
En este esquema general hay varias cosas a detallar.
1. La existencia de un nodo independiente, llamado sesgo que introduce en la RN un
conjunto de conexiones independientes del vector de entrada y que permiten lograr
durante el entrenamiento y la operación de la red un desplazamiento fuera del origen de
un plano formado por las diferentes respuestas que da la red. (Es el término
independiente de la ecuación de una recta.)
2. La organización por capas de los nodos, es un ordenamiento de neuronas a diferentes
niveles de forma que esas conexiones tienen un orden establecido que normalmente va
de una capa a otra y no dentro de la misma capa.
3. Una gran densidad en la conexión.
4. Típicamente las neuronas de la misma capa tienen un comportamiento similar
(expresado normalmente en una función de activación común) y en general siguen de
una capa a otra el mismo patrón de conectividad.
5. La llamada capa de entrada es en muchas ocasiones una capa que da como salida el
mismo estímulo recibido, por tanto cuando se dice la cantidad de neuronas o capas,
normalmente no se incluye a la capa de entrada.
Como se aprecia en la figura 9, hay 2 tipos de arquitecturas generales, a saber, las redes
Ante Alimentadas y las recurrentes o Retroalimentadas.
En la figura 10 se puede observar una representación de una red ante alimentada con 3
capas de neuronas FA , FB y FC .
23
En las redes ante alimentadas la conexión entre neuronas es a través de capas de forma tal
que la información y los estímulos solo se trasmiten en una dirección, las conexiones son
unidireccionales.
De forma gráfica se puede distinguir pues no hay lazos cerrados, los grafos no se cierran
nunca; por esta característica estas redes se conocen como a lazo abierto. Estas también tienen
la característica de que son estáticas, generan solo un conjunto de salidas para una secuencia
de valores en la entrada. Este tipo de redes, además, son menos memorísticas, en el sentido
que ellas responden a una entrada de forma independiente al estado anterior de la red [12].
24
Fig. 11 Representación de las Redes Recurrentes.
25
conocido también como de entrenamiento auto supervisado [12]. Sin embargo, en general hay
una correspondencia entre el tipo de entrenamiento y el tipo de problema a resolver, por tanto
se resumirán las características básicas de ellos y el tipo de problemas en los que típicamente
se encuentran.
Algunas de las primeras y más simples RN han sido diseñadas para clasificación de
patrones. Por ejemplo para clasificar un vector de entrada como perteneciente a una clase o a
otra. En este tipo de clasificación la salida es un elemento bivalente (1 y -1 normalmente).
La asociación de patrones es otra forma especial de problemas de reconocimiento o
mapeado. En este tipo de aplicación no se desea una respuesta de tipo identificación ON/OFF,
sino la asociación o identificación de un patrón. De esta manera la red pudiera ser entrenada
para que asociara un conjunto de vectores de entrada con su correspondiente juego de vectores
de salida. Este tipo de red se dice que son de memoria asociativa. Si el vector de salida es el
mismo que el de entrada se dice además que la red es de memoria auto asociativa. Si por el
contrario es diferente la red es heteroasociativa. Estas redes pueden ser tanto del tipo ante
alimentadas como recurrentes y son capaces de identificar vectores similares a los que
sirvieron para el entrenamiento.
26
1.5.5 La función de activación.
La función de activación en una neurona puede ser de dos tipos : las que son lineales y las
no lineales. Suelen distribuirse de la misma manera en una misma capa, suelen ser para una
misma capa y en modelos multicapas se pueden combinar funciones no lineales con funciones
lineales obteniéndose muy buenos resultados.
Las redes por lo general usan esta función en la capa de entrada. En redes recurrentes se
usan mucho. Una representación gráfica de esta función se puede apreciar en la figura 12.
Su expresión es:
1 si x ≥ θ
f (x) = (1.11)
0 si x < θ
27
A esta función también se le conoce como función umbral o de disparo o también con el
nombre de función de Heaviside.
a si x ≥ θ
f (x) = (1.12)
b si x < θ
28
Su expresión es:
1
f (x) = (1.13)
1 + e −σ x
En la Fig. 14 se han graficado dos curvas para que se aprecie el efecto del parámetro σ en
la pendiente de la curva. Mientras σ crezca la sigmoide se irá “cerrando” y tenderá a la
función umbral vista anteriormente. Las gráficas son para σ=1 (curva discontinua) y para
σ=3 (curva continua). Obsérvese, además, que las gráficas tienen asíntotas horizontales en 0
y 1.
Por la importancia que tiene esta función para el retropropagación se verá algunas
extensiones de ella y otras formas que puede tomar a continuación.
29
1.5.5.4 Función Sigmoide bipolar.
1 − e − Γx
g ( x) = (1.14)
1 + e −Γx
Su derivada se puede expresar en términos de la función de la misma manera que se obtuvo
para la sigmoide binaria vista anteriormente. Esto ayuda mucho computacionalmente al no
tener que calcular la función y su derivada, sino solamente realizar algunas sumas (restas) y
productos que no demoran grandemente la obtención de los resultados [12].
Estas familias se pueden escalar a diferentes rangos, el más usado es entre (-1 y 1). Es la
más utilizada en problemas que implican sigmoide y se representa (para Γ = 1) en la figura
15.
Esta función está estrechamente ligada con la tangente hiperbólica. La tangente hiperbólica,
es por tanto, otra de las funciones de activación y también va del rango de -1 a 1, solo que Γ
no es variable sino que toma el valor 2.
1 − e −2 x
g ( x) = (1.15)
1 + e −2 x
Para datos binarios es mejor convertir a la forma bipolar y usar la sigmoide bipolar o la
tangente hiperbólica, pues elimina los ceros en el algoritmo de entrenamiento.
30
Capitulo 2
Estado del Arte.
Se conoce el proceso de prueba tradicional de motores de corriente directa mediante el
uso de un dinamómetro, se muestra un esquema en la figura 16, en el cual se aplica una rampa
de carga al motor bajo prueba y en cada instante de muestreo de datos se mide la velocidad, la
torsión y la corriente del motor bajo prueba, como dispositivos sensores se usan: un sensor de
corriente, un sensor de velocidad y un sensor de torsión.
31
2.1 Patente numero 3,898,875
“Método y aparato para probar motores eléctricos”.
32
Esta invención esta relacionada a un método y un aparato para probar las características
dinámicas de un motor eléctrico en un corto tiempo, lo cual previene el calentamiento del
motor eléctrico bajo prueba.
Debido a que el calentamiento del motor eléctrico bajo prueba puede afectar las
características de desempeño del mismo, es deseable realizar la prueba en el menor tiempo
posible.
En este método el motor bajo prueba es montado rígidamente a una plataforma fija y es
operado externamente a una velocidad de operación. El motor eléctrico de carga es energizado
y se aplica una rampa de aceleración o desaceleración. Los transductores acoplados al motor
de carga que incluyen un sensor de torque producen una señal análoga la cual es convertida a
su correspondiente señal digital y es grabada en memoria. Cuando termina el intervalo de
prueba por tan solo algunos segundos , la memoria es leída para producir un despliegue visual
del desempeño del motor.
En la Fig. 17 un motor eléctrico (20) el cual será probado, tiene su cuerpo (22) montado
rígidamente con una cinta (24) a una plataforma fija (26), la cual esta también fija.
El torque es medido por un transductor de torque (50) el cual incluye la flecha (36), la
señal de salida del transductor de torque es detectada por el transformador asociado con el
cuerpo (52) el cual esta fijo con la pared (38), la señal del transductor es acoplada a la línea
(56) para detección de torque con el sensor de torque convencional (60) para producir una
señal de salida a la línea (62), una señal análoga representativa del torque .
33
velocidad, los pulsos producen una salida en la línea (70) de un voltaje proporcional a la
velocidad de la flecha (32).
Transductores adicionales y circuitos de medición son usados para cada parámetro que
se desee medir del motor bajo prueba. Un multiplicador de potencia (72), en respuesta a la
señal de torque en la línea (62) y la señal de velocidad en la línea (70), multiplica la medición
de torque y velocidad por una constante y da su salida en la línea (74) como una señal análoga
continua representando el poder instantáneo mostrado por el motor bajo prueba (20). Un
circuito con instrumentos de medición eléctrica (78) provee las señales análogas
correspondientes para indicar varias características eléctricas de entrada. La temperatura de
prueba del motor (20) es detectado por un termocople convencional montado sobre el motor
bajo prueba, el termocople es conectado a un circuito de temperatura (82) y este a su vez
provee una salida en la línea (84) con una señal análoga proporcional a la temperatura.
Durante la prueba del motor (20) las señales de salida en la líneas (62),(70),(74),(80) y
(84) son multiplicadas por los apropiados factores de escalamiento en el circuito de
acondicionamiento (90) y son acoplados a un multiplexor (92) el cual muestrea cada línea de
entrada para mostrar una salida análoga en su representación. Esta señal es convertida por un
circuito análogo a digital (94) en una señal puramente digital y esta señal digital es
almacenada en alguna localidad (96) de la memoria (98), por ejemplo en la memoria (96) se
podría almacenar la velocidad muestreada del motor bajo prueba (20).
34
2.2 Patente numero 5,811,668
35
2.3 Patente numero 3,947,764
Fuente de
Poder Sensor de
Voltaje Corriente Interruptor corriente - voltaje
Constante
Fuente de poder
Corriente constante
Comparador de Comparador de
Voltaje Corriente
Temporizador
Mensaje aceptar o
rechazar
36
2.4 Patente numero 4,744,041
Computadora
Forma de onda de voltaje de
Amplificador de
Poder
Voltaje de
Corriente
Sensor
de
corriente
Voltaje
Motor bajo
Prueba
37
2.5 Patentes Registradas en México:
38
2.5.2 Patente numero 9401365
39
2.6 Conclusiones del Estado del Arte.
Se puede observar que a través del tiempo han surgido varios métodos para caracterizar
un motor de corriente directa y cada vez pretenden ser más eficientes, baratos y simples, tal
hecho se demuestra con las patentes aquí mostradas donde es de destacar como los probadores
de motores de corriente directa han ido evolucionando para ser cada vez mejores.
También es digno de mencionarse que en busca de la más alta calidad de los productos
que demandan todos los clientes para aplicaciones de motores eléctricos, los probadores tienen
que ser no solo más rápidos sino también más eficientes, esto incluye costo de
implementación de los probadores, costos de mantenimiento, rapidez de prueba, etc.
40
Capitulo 3
dω
Tm (t ) = Tload (t ) + J (2.1)
dt
Donde:
J =Inercia de la armadura.
dω
= Aceleración angular del motor.
dt
En esta ecuación se cumple que si no se aplica carga al motor Tload = 0 por lo que la
ecuación se simplifica a:
41
dw
Tm ( t ) = J (2.2)
dt
La idea fue prácticamente encontrar la relación que existe entre velocidad, corriente y
torque en un motor de corriente directa.
De acuerdo a [1].
Se sabe que:
T (t ) = K φ I a (t ) (2.3)
donde.
T =Torque.
K = Constante del motor.
φ =Flujo magnético.
I a = Corriente de armadura.
V a = E g (t ) + I a (t ) R a (2.4)
de donde
Va − E g (t )
I a (t ) = (2.5)
Ra
Ra =Resistencia de Armadura.
42
E g =Voltaje Generado.
V a = voltaje aplicado.
I a =Corriente de Armadura
E g (t ) = Kφω (t ) (2.6)
Donde.
ω =velocidad angular del motor.
Despejando de 2.5 y 2.6 E g e igualando se obtiene:
Va − I a (t ) Ra
ω (t ) = (2.7)
Kφ
Va − I a (t ) Ra
Kφ = (2.8)
ω (t )
V = IR (2.9)
43
Va − E g (t )
I a (t ) = (2.5)
Ra
Recordando
T (t ) = K φ I a (t ) (2.3)
Va − I a (t ) Ra
Kφ = (2.8)
ω (t )
Volts * seg
Al multiplicar I a Ra se tienen volts, por lo que las unidades de Kφ son
rad
Va − I a (t ) Ra
T (t ) = ( ) I a (t ) (2.10)
ω (t )
donde.
44
ω =velocidad angular rad/seg.
Nm Son unidades que se manejan para medir el torque en un motor de corriente directa.
V a − I a (t ) R a
w(t ) = (2.8)
Kφ
T (t ) = K φ I a (t ) (2.3)
T (t )
I a (t ) = (2.11)
Kφ
ω (t ) Kφ 2 − Va Kφ
− T (t ) = (2.12)
Ra
45
Con esta información se puede correlacionar ambas características, es decir se puede
correlacionar la velocidad y la corriente en función del Torque.
De la ecuación 2.5
Va − E g (t )
I a (t ) = (2.5)
Ra
Con este método de prueba se puede conocer la corriente de Stall que es la misma
corriente de arranque del motor, en la condición de Stall o justo en el instante en que arranca
el motor, el motor no gira, es decir no hay voltaje generado por lo que:
Va
Ia = (2.13)
Ra
Recordando que
Va − I a (t ) Ra (2.8)
ω (t ) =
Kφ
46
Capitulo 4
Equipo de prueba.
Se anexa un diagrama eléctrico del equipo que se utiliza para llevar a cabo estas mediciones:
Fig. 23 Diagrama eléctrico de probadora ILT (Inertia Load Test) Prueba de carga por inercia.
1.- (1) Motor bajo prueba. Es el motor al que se desea medir su desempeño, es un motor
eléctrico de corriente directa de magnetos permanentes para aplicaciones automotrices de
entre 150 y 350 watts de potencia y un voltaje nominal de 13 VDC.
2.- (2) Conexión eléctrica. Es un conector eléctrico con terminales de cobre y cubierta de
plástico que permite conectar el motor bajo prueba (No. 1) con la fuente de poder (No. 3)
47
3.- (3) Fuente de Poder. Es una fuente de poder de corriente directa de 1064 watts de
potencia que se alimenta con 120 VAC con voltaje de salida controlable entre 0 y 20 volts y
corriente controlable entre 0 y 120 Amperes, precisión de programación de 0.035 % + 15
mv,ruido eléctrico máximo 8 mv rms y máximo 50 mv pico a pico, regulación de carga voltaje
3 mv y corriente 0.01% + 15 mA, regulación de línea 3 mv y 10 mA, tiempo de repuesta a
transitorio 2 ms, resolución de programación 5 mv, corriente de AC de entrada 24 A a 120
VAC, , con energía suficiente para suministrar la potencia requerida por el motor bajo prueba
(No. 1), esta fuente además debe tener algún medio de comunicación o control como GPIB o
algún otro.
4.- (4) Sensor de Corriente. Es un sensor de corriente del tipo shunt , con montaje de base,
con un rango de 0 a 150 A y 0 a 50 mv, con una exactitud del 0.25 %, coeficiente de
temperatura de 0.002% por grado centígrado, elemento resistivo manganin, el cual convierte
una señal de corriente de 150 amperes a una señal de voltaje de 50 mv, el voltaje medido en el
sensor de corriente es directamente proporcional a la corriente que circula en el circuito en el
rango de 0 a 150 Amperes .
6.- (6) Computadora. Es una computadora con procesador Pentium 4 de 3 ghz, con 512 MB
de memoria RAM DDR2 de doble canal de 533 Mhz, disco duro de 160 GB Serial ATA II
con velocidad de transferencia de 3 GB por segundo, tarjeta de video de 256 MB, chasis mini
torre con 2 bahías internas de 3.5 pulgadas y dos bahías externas de 5.25 pulgadas, 2 ranuras
PCI de altura completa, abastecimiento de energía 305 watts, interfase de red 10/100 ethernet,
que sirve para procesar los datos provenientes de la tarjeta de adquisición de datos (No. 11),
realizar los algoritmos de calculo de las variables necesarias para medir el desempeño y
controlar la secuencia de prueba del aparato.
7.- (7) Tarjeta de comunicación GPIB. compatible con IEEE 488.2, rango de transferencia
mayor a 1.5 MB/s, conector tipo PCI, para sistema operativo Windows 2000/XP, que sirve de
enlace entre la computadora (No. 6) y la fuente de poder (No. 3)
48
8.- (8) Cable de comunicación. Es un cable GPIB compatible con IEEE 488.2, blindado, que
conecta a la tarjeta GPIB (7) con la fuente de poder ( 3).
9.- (9) Relevador de potencia. Es un relevador normalmente abierto tipo DPST (Double Pole
Single Throw, Polo Doble Interruptor Doble), con bobina de activación a 120 VAC y
contactos para 50 A, contactos de aleación plata-cadmio, aislamiento inicial de resistencia de
100 megaohms, poder nominal de bobina de 9.8 VA, corriente nominal de bobina a 120 VAC
de 85 mA, . que sirve para encender y apagar el motor bajo prueba (No. 1)
10.- (10) Resistencia. Es un resistencia de carbón entre 100 y 200 Ohmios y entre ¼ y ½ watt
de potencia con un 10 % de tolerancia.
13.- (13) Bobina de activación del relevador. Es una bobina de activación a 120 VAC, 290
ohms de resistencia, corriente 85 mA.
14.- (14) Cable eléctrico de cobre. Es un cable de cobre blindado calibre 22 de conexión
entre la tarjeta de adquisición de datos (No. 11) y el acondicionador de señal (No. 5).
15.- (15) Cable de conexión. Es un cable de conexión entre la tarjeta de entradas salidas
digitales (No. 15) y la bobina (No. 13) del relevador (9), es un cable tipo Ribbon (plano) de 50
conductores con conector al final de cada extremo de 50 pins tipo IDC.
49
4.2 Resultados de experimentación.
3500
3000
V e lo c id a d R P M
2500
2000
1500
1000
500
0
0 0.5 1 1.5 2 2.5 3 3.5
Torque Nm
50
Corriente vs Torque
90
80
70
C o r r ie n t e A m p
60
50
40
30
20
10
0
0 0.5 1 1.5 2 2.5 3 3.5
Torque Nm
51
Tiempo (seg) Corriente (A) Vel (RPM) Vel (rad*seg) CorrVsTorque KΦ (V*seg) Vel vs Torque KΦ²(V*seg)² Ra (Ohms) Va (VCD) RPM a rad
0.1585 8.435 9.433 0.987748296 0.302268368 0.035835 3.039028644 0.001284 0.1410819 12 0.104712
0.15855 8.544 9.607 1.005968184 0.306174385 0.035835 3.038862823 0.001284 0.1410819 12 0.104712
0.1586 8.654 9.784 1.024502208 0.310116237 0.035835 3.038694143 0.001284 0.1410819 12 0.104712
0.15865 8.765 9.963 1.043245656 0.314093924 0.035835 3.038523557 0.001284 0.1410819 12 0.104712
0.1587 8.877 10.144 1.062198528 0.318107446 0.035835 3.038351065 0.001284 0.1410819 12 0.104712
0.1604 13.175 18.01 1.88586312 0.472126349 0.035835 3.030854814 0.001284 0.1410819 12 0.104712
0.16045 13.317 18.296 1.915810752 0.477214921 0.035835 3.030582258 0.001284 0.1410819 12 0.104712
0.1605 13.458 18.586 1.946177232 0.482267659 0.035835 3.030305889 0.001284 0.1410819 12 0.104712
0.16055 13.601 18.879 1.976857848 0.487392066 0.035835 3.030026662 0.001284 0.1410819 12 0.104712
0.1606 13.745 19.175 2.0078526 0.492552309 0.035835 3.029744576 0.001284 0.1410819 12 0.104712
0.16315 22.095 39.515 4.13769468 0.791774701 0.035835 3.010360677 0.001284 0.1410819 12 0.104712
0.1632 22.278 40.027 4.191307224 0.798332509 0.035835 3.009872744 0.001284 0.1410819 12 0.104712
0.16325 22.461 40.544 4.245443328 0.804890317 0.035835 3.009380046 0.001284 0.1410819 12 0.104712
0.1633 22.644 41.066 4.300102992 0.811448125 0.035835 3.008882584 0.001284 0.1410819 12 0.104712
0.16335 22.828 41.592 4.355181504 0.818041768 0.035835 3.008381309 0.001284 0.1410819 12 0.104712
0.18355 84.927 717.303 75.11023174 3.043360489 0.035835 2.364432762 0.001284 0.1410819 12 0.104712
0.1836 84.941 719.844 75.37630493 3.043862179 0.035835 2.362011204 0.001284 0.1410819 12 0.104712
0.18365 84.954 722.387 75.64258754 3.044328034 0.035835 2.35958774 0.001284 0.1410819 12 0.104712
0.1837 84.966 724.931 75.90897487 3.044758054 0.035835 2.357163323 0.001284 0.1410819 12 0.104712
0.18375 84.978 727.476 76.17546691 3.045188075 0.035835 2.354737954 0.001284 0.1410819 12 0.104712
0.20225 59.489 1618.198 169.444749 2.131789326 0.035835 1.505885208 0.001284 0.1410819 12 0.104712
0.2023 59.398 1620.244 169.6589897 2.12852834 0.035835 1.503935382 0.001284 0.1410819 12 0.104712
0.20235 59.306 1622.288 169.8730211 2.125231518 0.035835 1.501987462 0.001284 0.1410819 12 0.104712
0.2024 59.215 1624.329 170.0867382 2.121970532 0.035835 1.500042402 0.001284 0.1410819 12 0.104712
0.20245 59.123 1626.367 170.3001413 2.11867371 0.035835 1.4981002 0.001284 0.1410819 12 0.104712
0.92815 2.546 3102.354 324.853692 0.091235953 0.035835 0.091493405 0.001284 0.1410819 12 0.104712
0.9282 2.546 3102.354 324.853692 0.091235953 0.035835 0.091493405 0.001284 0.1410819 12 0.104712
0.92825 2.547 3102.353 324.8535873 0.091271788 0.035835 0.091494358 0.001284 0.1410819 12 0.104712
0.9283 2.547 3102.353 324.8535873 0.091271788 0.035835 0.091494358 0.001284 0.1410819 12 0.104712
0.92835 2.547 3102.352 324.8534826 0.091271788 0.035835 0.091495311 0.001284 0.1410819 12 0.104712
0.9284 2.548 3102.351 324.8533779 0.091307623 0.035835 0.091496264 0.001284 0.1410819 12 0.104712
Tabla 1 Algunos ejemplos de los resultados de este experimento.
52
Al realizar el experimento y las mediciones se obtiene que la corriente máxima que se
ve durante el arranque fuera de 85.057 Amperes.
De las mediciones se encuentra que la velocidad máxima del motor fue de 3103.88
RPM, y su corriente de estabilización fue de 2.5 A.
Las ecuaciones que incluyen la velocidad deben ser expresadas en radianes por
segundo, el factor para convertir RPM a estas unidades es 0.104712, por lo que la velocidad
máxima es 325.02 rad*seg.
Va − I a (t ) Ra
Kφ =
ω (t )
Encontrando Kφ solo es necesario sustituir este valor en las ecuaciones 2.3 y 2.12:
con T = K φ I a se encontrara la corriente vs torque con tan solo multiplicar Kφ por la columna
de adquisición de la corriente desde su arranque hasta su estabilización y la ecuación 2.12
ω (t ) Kφ 2 − Va Kφ
− T (t ) = ya que con esta ecuación se representa la velocidad vs torque.
Ra
53
En la columna Vel RPM se muestra el resultado de la velocidad durante la adquisición.
En la columna vel rad*seg se convirtió la columna de Vel RPM a radianes por segundo.
La columna de vel vs torque fue calculada tomando en cuenta la ecuación 2.12 de la cual
ya se conocen todas las variables.
54
Capitulo 5
Comparación contra otros métodos.
5.1 Comparación de este nuevo método de prueba contra otras
maquinas de prueba de Valeo.
Maquina 1 de pruebas de Valeo.
Motor Bajo Prueba
Sensor de Torque
Freno electromagnético
55
Maquina 2 de pruebas de Valeo
Servomotor
En este equipo de prueba se genera una rampa por medio de un servomotor que gira en
sentido contrario al giro del motor bajo prueba.
El servomotor tiene un controlador programable en el cual se define la forma como
trabajara para que genere la rampa de carga.
Los sensores que se utilizan son:
Encoder para la velocidad.
Celda de carga para el torque.
Resistencia tipo shunt para la corriente.
Una computadora que incluye tarjetas digitales y análogas se encarga de secuenciar la
prueba, adquirir y procesar datos para entregar el resultado de la prueba.
56
En la figura 28 se puede observar un método que utiliza resortes como carga.
57
5.2 Comparación contra otras empresas.
En ciudad Juárez, Chihuahua existe una compañía que es competencia para Valeo ya
que fabrica el mismo tipo de productos, es muy difícil tener acceso a sus procesos de
manufactura y prueba, lo mas que se logro fueron fotos que se anexan a continuación.
Con estas fotos se puede observar que utilizan el mismo tipo de técnica que se usa en
Valeo, es decir aplicar una carga al motor por medio de un freno electromagnético o por
medio de un servomotor.
Frenos electromagnéticos
En la figura 29 se puede observar una probadora de otra compañia, en este caso utilizan
el sistema de prueba por medio de frenos electromagnéticos similar al método que se utiliza en
Valeo.
En la figura 30 se puede observar otro equipo de prueba de motores usado por otras
compañias.
58
Frenos electromagneticos
59
Capitulo 6
Validación.
6.1 Validación de nuevo equipo y método de prueba.
60
6.2 Validación modelo 24006188.
Datos de validacion de nueva Prueba Final : Numero de parte :
24006188
Test at 12.0 volts /
0.530 Nm
Motor #
Masters
Dynamometro ILT
RPM AMPS RPM AMPS
61
6.3 Validación modelo 24017584.
Datos de validacion de nueva Prueba Final :
Numero de parte : 24017584
Test at 12.0 volts /
0.410 Nm
Motor #
Masters
Dynamometro ILT
RPM AMPS RPM AMPS
62
6.4 Validación modelo 24041164
Datos de validacion de nueva Prueba Final :
Num ero de parte : 24041164
Test at 13.2 volts / 1.23 Test at 13.2 volts / 1.23
Nm Nm
Motor #
Dynam om etro ILT
RPM AM PS RPM AM PS
63
6.5 Validación modelo 24041228.
D atos de validacion de nue va P rueba F inal
N um ero de parte 24041 228
D yna m om etro IL T
RPM AM P S RPM AM P S
64
6.6 Análisis económico.
Para el análisis económico se muestra un estudio de costo beneficio de la
implementación de este proyecto, el cual consiste básicamente en calcular el costo de
construir una maquina utilizando la nueva técnica y compararlo contra el riesgo de no tenerla,
además se agrega una cotización de un equipo que utiliza la técnica estándar del dinamómetro
para efectos de comparación.
Comparado contra un dinamómetro con las técnicas estándar de prueba, es decir usando
frenos electromagnéticos convencionales o servomotores, al costo del hardware arriba
mencionado hay que agregarle el costo de todo el maquinado necesario para realizar el
acoplamiento entre el motor bajo prueba y el dinamómetro, además de otros sensores para
controlar la secuencia de operación del equipo y el control necesario, por lo que el costo de un
dinamómetro se duplica.
El riesgo que representa el no contar con una probadora eficiente para los motores que
en Valeo se producen es alto, por ejemplo en una línea que corre a una velocidad de 6 motores
por minuto, en una hora se tendría en el mejor de los casos 360 motores, en la línea se hace
una inspección de auditoria 2 o 3 veces por turno, es decir en el mejor de los casos cada 3
horas o cada 1080 motores, debido a que la actual probadora no ofrece mucha ayuda para
detectar algunos problemas específicos, se corre el riesgo de que en un determinado momento
sean rechazados por calidad 1080 motores, estos motores por su diseño están prensados y no
se pueden retrabajar. Esto significa que se tendría 1080 motores malos con un costo por motor
de 6 dólares, esto representaría una perdida de 6480 dólares.
65
En las pruebas de validación que se han corrido de este equipo se ha demostrado la
habilidad de detectar los mismos problemas que detecta el actual equipo además de detectar
los problemas que el equipo de prueba actual no puede detectar, el equipo que se desarrollo
mediante esta tesis reducirá el riesgo de producir motores malos que no cumplan con las
especificaciones de los clientes.
Otra ventaja que tiene este nuevo diseño contra el diseño actual es su simplicidad, ya
que no cuenta con partes mecánicas que sufran desgaste y por lo tanto el tiempo muerto del
nuevo equipo será menor que el que presentan actualmente las probadoras que se usan en las
líneas de producción, esto representa también un ahorro para la compañía.
La conclusión del análisis de costo beneficio es que es un proyecto viable que ayudara a
solucionar varios problemas de las líneas de producción.
66
Capitulo 7
Clasificación de tipos de fallas que se pretende
detectar.
Este tipo de falla se puede presentar cuando el alambre con el que se embobina la
armadura presenta raspaduras en su aislante por lo que se producen cortos a tierra y esto
provoca una condición de alta corriente en el motor.
Otro modo de falla que provoca esta misma condición es debido a que el número de
vueltas en las bobinas de la armadura es menor al especificado.
Este defecto también podría ser debido a un problema durante la magnetización del
motor.
Este tipo de falla se puede presentar cuando el número de vueltas en la armadura es mayor
al especificado o cuando hubo algún problema de magnetización, para este experimento se
utilizo un motor con número de parte diferente al motor bueno para representar a los motores
con baja corriente llamado “otro modelo1”.
Este defecto se presenta cuando se mezcla algún componente en el modelo que se este
produciendo, por ejemplo al utilizar una armadura que no es propia del modelo, o usar un
magneto de otro modelo, para este experimento se utilizo un motor con numero de parte
diferente al motor bueno para representar a los motores con alta velocidad llamado “otro
modelo2”
Este defecto se presenta cuando se mezcla algún componente en el modelo que se este
produciendo, por ejemplo al utilizar una armadura que no es propia del modelo, o usar un
magneto de otro modelo.
67
7.5 Motores similares al que se prueba pero con diferencias
eléctricas.
Este tipo de defecto se presenta al mezclar completamente un modelo de motor con otro
modelo y es debido a que la variación normal del desempeño del motor se empalma entre un
modelo y otro, en este experimento se utilizo un motor con numero de parte diferente al motor
bueno pero cuyas características eléctricas hacen que su desempeño se traslape con el motor
bueno en algún punto de carga, algunas graficas representativas de estos motores se muestran
en la figura 31.
68
Tor_Parada. Torque de parada (Nm).
Co_Libre. Corriente sin carga (A).
Vel_Libre. Velocidad sin carga (RPM).
Descripción. Etiqueta que indica condición del motor.
Co_Nom (A) Vel_Nom (RPM) Corr_Parada (A) M_Res (Ohms) Fric (Nm) Tor_Parada (Nm) Co_Libre (A) Vel_Libre (RPM) Descripcion
11.25 2383 73.49 0.1699 0.091602 3.3744 2.34 2799.91 Bueno
11.02 2360.77 74.1 0.1685 0.085948 3.4467 2.43 2765.16 Bueno
11.3 2374.28 69.25 0.1804 0.086472 3.1516 2.31 2827.71 Bueno
11.23 2341.57 72.28 0.1728 0.090432 3.359 2.22 2761.69 Bueno
11.48 2370.5 70.84 0.1763 0.093496 3.233 2.49 2813.81 Bueno
7.95 1655.11 52.32 0.2389 0.053816 3.2295 1.47 1986.78 baja vel
7.91 1657.55 49.53 0.2524 0.051187 3.0262 1.47 2011.1 baja vel
7.95 1675.94 51.46 0.2429 0.052238 3.1367 1.44 2018.05 baja vel
13.41 2204.07 62.49 0.1999 0.200778 2.8393 5.13 2685.24 alta corriente
13.61 2215.85 63.34 0.1973 0.203424 2.8642 5.19 2699.14 alta corriente
13.48 2203.75 60.03 0.2082 0.199726 2.6931 5.16 2713.04 alta corriente
9.45 1931.35 54.24 0.2304 0.073801 2.8855 1.77 2355.12 baja velocidad
9.52 1957.36 56.38 0.2217 0.074671 2.9863 1.8 2369.02 baja velocidad
9.52 1984.65 59.38 0.2104 0.074467 3.1422 1.77 2375.97 baja velocidad
13.02 1644.77 43.49 0.2876 0.281108 2.2291 6.21 2157.05 otro modelo 1
12.81 1637.2 42.23 0.2962 0.271451 2.1598 6.03 2164 otro modelo 1
12.71 1604.27 39.87 0.3138 0.265906 2.0256 5.85 2164 otro modelo 1
8.51 1160.65 21.89 0.573 0.084992 1.2705 1.65 2000.68 otro modelo 2
8.53 1299.02 25.88 0.4843 0.085504 1.5181 1.65 2004.15 otro modelo 2
8.46 1364.48 28.28 0.443 0.084661 1.6718 1.62 2000.68 otro modelo 2
11.7 2458.07 77.68 0.1608 0.094619 3.4857 2.58 2876.36 otro modelo muy similar al 1227
11.64 2490.09 80.57 0.155 0.092605 3.6023 2.67 2893.74 otro modelo muy similar al 1227
11.87 2502.32 81.64 0.153 0.097535 3.6307 2.61 2907.63 otro modelo muy similar al 1227
69
Capitulo 8
Detección de fallas utilizando Redes Neuronales.
8.1 Red neuronal para clasificar cada tipo de falla.
8.1.1 Red Neuronal Perceptron.
Este fue el primer modelo de red neuronal artificial desarrollado por Rosenblatt en 1958
[14].
Despertó un enorme interés en los años 60. Debido a su capacidad para aprender a
reconocer patrones sencillos: un Perceptron, formado por varias neuronas lineales para recibir
las entradas a la red y una neurona de salida, es capaz de decidir cuando una entrada
presentada a la red pertenece a una de las dos clases que es capaz de reconocer.
La única neurona de salida del perceptron realiza la suma ponderada de las entradas,
resta el umbral y pasa el resultado a una función de transferencia de tipo escalón. La regla de
decisión es responder +1 si el patrón presentado pertenece a la clase A, o -1 si el patrón
pertenece a la clase B Fig. 32. La salida dependerá de la entrada neta (suma de las entradas X i
ponderadas) y del valor del umbral θ tal y como se muestra en la siguiente ecuación.
70
N
Y = f ∑ Wi X i − θ Ec. 8.1
i =1
Sin embargo, el Perceptron, al constar sólo de una capa de entrada y otra de salida con
una única neurona, tiene capacidad de representación bastante limitada. Este modelo solo es
capaz de discriminar patrones muy sencillos linealmente separables. El caso mas conocido es
la imposibilidad del Perceptron de representar la función OR-EXCLUSIVA [14].
La separabilidad lineal limita a las redes con solo dos capas a la resolución de
problemas en los cuáles el conjunto de puntos (correspondientes a los valores de entrada) sean
separables geométricamente. En el caso de dos entradas, la separación se lleva a cabo
mediante una línea recta. Para tres entradas, la separación se realiza mediante un plano en el
espacio tridimensional, y así sucesivamente hasta el caso de N entradas, en el cuál el espacio
N-dimensional es dividido en un hiperplano.
La solución al problema de la separabilidad lineal, por ejemplo para la funcion OR-
EXCLUSIVA podría darse si se descompusiera el espacio en tres regiones: una región
pertenecería a una de las clases de salida y las otras dos pertenecerían a la segunda clase. Si en
lugar de utilizar únicamente una neurona de salida se utilizaran dos, se obtendrían dos rectas,
por lo que podrían delimitarse tres zonas. Para poder elegir entre una zona u otra de las tres, es
necesario utilizar otra capa con una neurona cuyas entradas serán las salidas de las neuronas
anteriores. Las dos zonas o regiones que contienen los puntos (0,0) y (1,1) se asocian a una
salida nula de la red, y la zona central se asocia a la salida con valor 1. De esta manera, es
posible encontrar una solución al problema de la función XOR [14].
71
8.1.1.2 Entrenamiento Perceptron.
En esta Tesis el Perceptron fue la primer red neuronal que se utilizó para resolver el problema
de clasificación de fallas, los resultados se muestran a continuación.
Las entradas a la neurona serán:
En la tabla 4 se muestra un ejemplo de los datos con los que será entrenada la Red
Neuronal Perceptron, en este ejemplo se incluyen datos de motores buenos y motores que se
desean rechazar ya que tienen alguna diferencia contra los motores buenos.
La figura 33 muestra el modelo de la red Perceptron que se utilizo para correr estas
pruebas.
72
Corr_Nominal Velocidad_Nominal Corriente_Parada Mot_Resistencia Friccion Torque_Parada Corr_Libre Vel_Libre Descripcion
11.25 2383 73.49 0.1699 0.091602 3.3744 2.34 2799.91 Bueno
11.02 2360.77 74.1 0.1685 0.085948 3.4467 2.43 2765.16 Bueno
11.3 2374.28 69.25 0.1804 0.086472 3.1516 2.31 2827.71 Bueno
11.23 2341.57 72.28 0.1728 0.090432 3.359 2.22 2761.69 Bueno
11.48 2370.5 70.84 0.1763 0.093496 3.233 2.49 2813.81 Bueno
11.19 2394.54 70.69 0.1767 0.07898 3.2133 2.25 2841.61 Bueno
11.1 2337.43 69.03 0.181 0.087791 3.1916 2.37 2775.59 Bueno
11.18 2412.46 75.68 0.165 0.082694 3.4609 2.34 2824.24 Bueno
11.01 2349.46 69.3 0.1802 0.080965 3.198 2.22 2789.49 Bueno
11.06 2344.59 72.13 0.1731 0.082508 3.3564 2.25 2765.16 Bueno
10.89 2286.33 68.49 0.1824 0.082116 3.2324 2.37 2716.51 Bueno
11.43 2379.51 70.43 0.1773 0.093838 3.2026 2.49 2824.24 Bueno
11.05 2370.87 73.25 0.1705 0.083051 3.387 2.46 2786.01 Bueno
7.95 1655.11 52.32 0.2389 0.053816 3.2295 1.47 1986.78 Baja Vel
7.91 1657.55 49.53 0.2524 0.051187 3.0262 1.47 2011.1 Baja Vel
7.95 1675.94 51.46 0.2429 0.052238 3.1367 1.44 2018.05 Baja Vel
9.56 1979.89 55.97 0.2233 0.072009 2.9302 1.71 2403.77 Baja Vel
9.69 1997.24 58.57 0.2133 0.073744 3.0646 1.68 2407.24 Baja Vel
9.57 2011.62 59.98 0.2083 0.072195 3.142 1.68 2407.24 Baja Vel
13.41 2204.07 62.49 0.1999 0.200778 2.8393 5.13 2685.24 Alta corriente
13.61 2215.85 63.34 0.1973 0.203424 2.8642 5.19 2699.14 Alta corriente
13.48 2203.75 60.03 0.2082 0.199726 2.6931 5.16 2713.04 Alta corriente
13.02 1644.77 43.49 0.2876 0.281108 2.2291 6.21 2157.05 Otro Modelo 1
12.81 1637.2 42.23 0.2962 0.271451 2.1598 6.03 2164 Otro Modelo 1
12.71 1604.27 39.87 0.3138 0.265906 2.0256 5.85 2164 Otro Modelo 1
8.53 1299.02 25.88 0.4843 0.085504 1.5181 1.65 2004.15 Otro Modelo 2
8.46 1364.48 28.28 0.443 0.084661 1.6718 1.62 2000.68 Otro Modelo 2
8.51 1261.91 24.66 0.5084 0.083561 1.4437 1.62 2004.15 Otro Modelo 2
11.64 2490.09 80.57 0.155 0.092605 3.6023 2.67 2893.74 Muy similar
11.87 2502.32 81.64 0.153 0.097535 3.6307 2.61 2907.63 Muy similar
11.86 2499.97 80.58 0.155 0.093291 3.5792 2.61 2914.58 Muy similar
Tabla 4 Ejemplo de datos de entrenamiento para la Red Neuronal.
La Fig. 34 muestra una grafica con 6 de los parámetros que se usaran como entradas
para la red neuronal.
73
Fig. 34 Parámetros de entrada a la red neuronal
74
Resultados Simulación Perceptron
porcentaje de acierto
120
100
80
60 Series1
40
20
Modelo muy
Modelo1
Modelo2
Buenos
Velocidad
Corriente
Otro
Otro
Baja
Alta
similar
Otro
Fig. 35 Resultados entrenamiento Red Perceptron.
75
8.1.2 Red Neuronal Competitiva.
Existen algunas situaciones en las que se presenta más de una respuesta para algún
patrón determinado, por ejemplo si una red neuronal debe clasificar 4 patrones A,B,C y D
podría darse el caso en que la red clasifique un patrón como A y B pero este resultado sería
incorrecto. En circunstancias como esta, en la cual se sabe que solo una de las neuronas
deberá responder a cada patrón determinado, se puede incluir una estructura en la red neuronal
para que la red sea forzada para que tome la decisión de cual de las neuronas debe responder.
El mecanismo para lograr esto se llama competición [15].
76
la distancia entre el vector de entrada y los vectores IW1,1 formado de los renglones de entrada
de la matriz de pesos.
La entrada neta n1 de la red competitiva es calculada al encontrar la distancia negativa
entre el vector de entrada p y el vector de pesos, además de sumar el sesgo b. Si todos los
sesgo son cero, la entrada neta máxima a la neurona es 0. Esto ocurre cuando el vector de
entrada p es igual al vector de pesos de la neurona.
La función de transferencia competitiva acepta un vector de entrada neta para le red y
entrega todas las salidas de las neuronas en 0, excepto para la ganadora, la neurona asociada
con el elemento más positivo de la entrada de la red n1. La salida ganadora es 1. Si todos los
sesgo son cero, entonces la neurona cuyo peso es más cercano al vector de entrada tiene el
valor menos negativo de la entrada neta, por lo tanto, gana la competición y entrega su salida
en 1.
Los datos de entrenamiento para la red competitiva fueron los mismos que se utilizaron
en el entrenamiento de la red Perceptron.
77
Resultados Simulación Red Competitiva
porcentaje de acierto
120
100
80
60 Series1
40
20
Modelo muy
Modelo1
Modelo2
Buenos
Velocidad
Corriente
Otro
Otro
Baja
Alta
similar
Otro
78
8.1.3 Red probabilística
79
Fig. 39 Arquitectura de una Red Neuronal Probabilística.
8.1.3.1 Diseño de la Red Neuronal Probabilística.
Los datos con los que fue entrenada la red fueron los mismos con los que se entreno a
las redes Perceptron y Competitiva explicados anteriormente.
Los resultados del entrenamiento se muestran en la figura 41.
En la tabla 4 se muestra un ejemplo de los datos con los que será entrenada la Red
Neuronal Probabilística, en este ejemplo se incluyen datos de motores buenos y motores que
se desean rechazar ya que tienen alguna diferencia contra los motores buenos.
80
Resultados Simulacion
porcentaje de acierto
120
100
80
60 Series1
40
20
Modelo muy
Modelo1
Modelo2
Buenos
Velocidad
Corriente
Otro
Otro
Baja
Alta
similar
Otro
Fig. 41 Resultados de entrenamiento red Probabilística.
81
Resultados de prueba
porcentaje de acierto
120
100
80
60 Series1
40
20
0
Velocidad
Alta Corriente
Otro Modelo1
Otro Modelo2
Otro Modelo
Buenos
muy similar
Baja
82
Capitulo 9
Conclusiones y Trabajo Futuro.
La prueba de motores eléctricos de magnetos permanentes presentada en esta
tesis resultó ser una excelente alternativa a los métodos tradicionales de prueba que se
usan en la actualidad en Valeo motores y actuadores, ya que es fácil y barata de
implementar, se desarrollo un equipo prototipo para una de las líneas de producción y
en un futuro se desea implementar este método de prueba en todas las líneas de
producción en las que se fabrican motores que pueden ser probados mediante este
método.
Después de la validación que se hizo al equipo prototipo se observó una pequeña
diferencia entre los resultados de un dinamómetro estándar y el nuevo equipo de
prueba, esta pequeña diferencia es debida a que en el dinamómetro existen
interferencias mecánicas que producen un error, sin embargo debido a que los
dinamómetros han sido los equipos que se han usado para definir limites y
especificaciones para todos los motores que se producen en la planta de producción, fue
necesario hacer una compensación al equipo nuevo de prueba para que resultados de
prueba fueran lo mas cercano posible a los resultados del dinamómetro de referencia.
Esto se logro sin mayor problema.
En esta Tesis se utiliza la K como una constante propia del motor bajo prueba,
sin embargo queda para un trabajo futuro investigar a fondo las variables que
intervienen en el motor CD para poder calcular esta constante.
83
La red puede diferenciar entre dos motores con características similares pero que
han sido declarados diferentes en el vector objetivo, esta cualidad es importante ya que
existen varios modelos que en el punto de carga nominal pueden tener un
comportamiento similar pero su curva de desempeño es diferente, debido a que una
misma celda de producción corre varios modelos el mismo día, esta capacidad de la red
neuronal reducirá la posibilidad de que en la celda de producción se mezclen los
modelos diferentes.
Se utilizó solo una muestra de motores y solo con un modelo de motor, sin
embargo estos mismos principios pueden ser aplicados para cada tipo y modelo de
motor, en el futuro esto será necesario ya que se debe realizar un entrenamiento y
verificación previa de la Red Neuronal.
84
Bibliografía:
85
[12] Introducción a las Redes Neuronales Artificiales.
Dr. Valery Moreno Vega.
ISBN 959-261-193-9
86
Apéndice A
Datos para entrenamiento de Red Neuronal.
Corr_Nom Vel_Nom Corr_Parada Mot_Res Friccion Tor_Parada Corr_Libre Vel_Libre Descripcion
(A) (RPM) (A) (Ohms) (Nm) (Nm) (A) (RPM)
11.25 2383 73.49 0.1699 0.09160201 3.3744 2.34 2799.91 Bueno
11.02 2360.77 74.1 0.1685 0.08594813 3.4467 2.43 2765.16 Bueno
11.3 2374.28 69.25 0.1804 0.08647195 3.1516 2.31 2827.71 Bueno
11.23 2341.57 72.28 0.1728 0.09043191 3.359 2.22 2761.69 Bueno
11.48 2370.5 70.84 0.1763 0.09349602 3.233 2.49 2813.81 Bueno
11.19 2394.54 70.69 0.1767 0.07897995 3.2133 2.25 2841.61 Bueno
11.1 2337.43 69.03 0.181 0.08779062 3.1916 2.37 2775.59 Bueno
11.18 2412.46 75.68 0.165 0.08269434 3.4609 2.34 2824.24 Bueno
11.01 2349.46 69.3 0.1802 0.08096546 3.198 2.22 2789.49 Bueno
11.06 2344.59 72.13 0.1731 0.08250849 3.3564 2.25 2765.16 Bueno
10.89 2286.33 68.49 0.1824 0.08211641 3.2324 2.37 2716.51 Bueno
11.43 2379.51 70.43 0.1773 0.09383809 3.2026 2.49 2824.24 Bueno
11.05 2370.87 73.25 0.1705 0.08305104 3.387 2.46 2786.01 Bueno
11.1 2382.05 74.9 0.1667 0.08419261 3.4601 2.25 2789.49 Bueno
11.1 2341.57 71.61 0.1744 0.08799454 3.3292 2.31 2761.69 Bueno
11.39 2390.76 71.54 0.1746 0.09244417 3.253 2.55 2827.71 Bueno
10.91 2348.56 70.09 0.1782 0.07912989 3.2481 2.19 2779.06 Bueno
10.96 2316.3 72.89 0.1713 0.08214172 3.4387 2.16 2723.46 Bueno
11.26 2393.78 71.88 0.1737 0.0835787 3.2747 2.31 2831.19 Bueno
10.91 2299.35 67.09 0.1862 0.08363733 3.1384 2.28 2740.84 Bueno
11.17 2350.64 72.14 0.1731 0.08794885 3.3438 2.4 2772.11 Bueno
11.35 2346.45 69.85 0.1788 0.0947675 3.2128 2.46 2786.01 Bueno
11.4 2402.82 72.49 0.1723 0.08628607 3.2895 2.4 2841.61 Bueno
11.43 2377.85 72.99 0.1711 0.09476793 3.3435 2.46 2803.39 Bueno
11.04 2318.42 70.36 0.1775 0.08505533 3.2905 2.31 2744.31 Bueno
11.15 2356.68 72.51 0.1722 0.08435439 3.3579 2.19 2779.06 Bueno
11.33 2386.92 73.03 0.171 0.0890048 3.3407 2.4 2813.81 Bueno
11 2365.81 75.46 0.1655 0.08564678 3.5159 2.43 2761.69 Bueno
11.23 2386.92 72.56 0.1721 0.08693943 3.3209 2.34 2813.81 Bueno
11.27 2368.78 73.15 0.1707 0.08561766 3.372 2.28 2792.96 Bueno
11.1 2327.46 70.49 0.1772 0.08705479 3.284 2.34 2754.74 Bueno
11.14 2312.39 70.29 0.1777 0.0909727 3.2882 2.31 2737.36 Bueno
11.09 2358.74 73.39 0.1702 0.08462261 3.4067 2.4 2772.11 Bueno
11.12 2354.59 71.26 0.1753 0.0817392 3.2935 2.25 2786.01 Bueno
11.09 2366.65 71.03 0.1758 0.08148536 3.2687 2.31 2799.91 Bueno
11.16 2324.45 69.92 0.1786 0.09384018 3.2529 2.37 2751.26 Bueno
11.32 2388.53 70.47 0.1772 0.08749725 3.2009 2.31 2834.66 Bueno
11.05 2350.64 71.99 0.1735 0.08288635 3.3418 2.28 2772.11 Bueno
11.48 2411.87 72.58 0.1721 0.08937169 3.28 2.31 2852.04 Bueno
11.96 2439.63 72.83 0.1715 0.10176522 3.2365 2.7 2893.74 Bueno
11.49 2449.7 75.18 0.1661 0.09080331 3.3743 2.34 2876.36 Bueno
11.45 2414.88 72.63 0.172 0.08754943 3.2804 2.37 2855.51 Bueno
11.18 2345.55 70.82 0.1764 0.08830071 3.2767 2.28 2775.59 Bueno
10.99 2305.29 70.73 0.1766 0.0896396 3.3295 2.34 2719.99 Bueno
87
11.24 2355.47 69.78 0.179 0.08921516 3.2048 2.34 2796.44 Bueno
10.99 2342.52 73.63 0.1696 0.08811301 3.4449 2.28 2744.31 Bueno
11.25 2340.44 69.96 0.1785 0.08878009 3.2316 2.31 2779.06 Bueno
12.48 2298.72 75.92 0.1645 0.16147314 3.5445 4.14 2685.24 Bueno
11.25 2381.72 72 0.1735 0.08257469 3.2953 2.31 2817.29 Bueno
11.31 2436.78 76.26 0.1638 0.08472044 3.4561 2.46 2852.04 Bueno
11.23 2375.69 71.68 0.1742 0.0842395 3.2856 2.28 2810.34 Bueno
11.2 2369.66 71.4 0.1749 0.08481074 3.2791 2.34 2803.39 Bueno
11.12 2392.09 73.8 0.1692 0.0822968 3.3879 2.22 2810.34 Bueno
11.2 2367.49 70.13 0.1781 0.08416782 3.2126 2.34 2810.34 Bueno
11.2 2407.25 74.21 0.1683 0.08325207 3.3876 2.4 2827.71 Bueno
11.49 2372.01 68.67 0.1819 0.09160533 3.1121 2.37 2834.66 Bueno
11.3 2366.65 71.71 0.1742 0.08765225 3.2944 2.31 2799.91 Bueno
11.28 2396.79 72.43 0.1724 0.08107056 3.2995 2.25 2834.66 Bueno
11.37 2387.75 71.44 0.1748 0.09264079 3.2513 2.4 2824.24 Bueno
11.31 2426.22 73.54 0.1698 0.0836735 3.3233 2.34 2858.99 Bueno
11.2 2365.75 72.06 0.1733 0.08961837 3.3196 2.34 2789.49 Bueno
11.02 2383 73.34 0.1703 0.08078233 3.3789 2.25 2799.91 Bueno
11.29 2378.71 71.81 0.1739 0.08595969 3.2865 2.4 2813.81 Bueno
11.14 2350.64 71.77 0.174 0.08876654 3.3253 2.25 2772.11 Bueno
11.2 2390.76 71.42 0.1749 0.08362806 3.2565 2.34 2827.71 Bueno
11.31 2358.74 73.89 0.169 0.09264347 3.4223 2.37 2772.11 Bueno
11.22 2368.78 72.37 0.1726 0.08817373 3.3324 2.31 2792.96 Bueno
11.74 2450.4 74.64 0.1673 0.0972707 3.3313 2.46 2886.79 Bueno
11.11 2381.72 71.13 0.1756 0.08172694 3.2552 2.31 2817.29 Bueno
11.38 2417.64 78.13 0.1598 0.08679167 3.5757 2.43 2820.76 Bueno
11.08 2330.36 74.14 0.1684 0.08967642 3.4834 2.25 2730.41 Bueno
11.26 2365.75 72.71 0.1718 0.08828115 3.3521 2.31 2789.49 Bueno
11.21 2356.68 72.59 0.172 0.08680802 3.3589 2.22 2779.06 Bueno
11.06 2343.58 72.5 0.1723 0.08916199 3.378 2.31 2754.74 Bueno
11.11 2351.65 74.69 0.1672 0.08691883 3.4856 2.28 2754.74 Bueno
11.05 2330.47 70.19 0.1779 0.08603747 3.2672 2.16 2758.21 Bueno
11.15 2380.87 72.74 0.1717 0.08201812 3.3419 2.22 2806.86 Bueno
11.07 2342.53 70.97 0.176 0.08139779 3.2945 2.22 2772.11 Bueno
10.96 2370.83 76.86 0.1625 0.08449086 3.5883 2.28 2758.21 Bueno
11.46 2426.22 73.44 0.1701 0.09186506 3.3101 2.52 2858.99 Bueno
11.19 2344.59 72.47 0.1723 0.08686272 3.368 2.37 2765.16 Bueno
11.1 2368.78 72.57 0.1721 0.08083957 3.3495 2.25 2792.96 Bueno
11.03 2347.61 71.8 0.1739 0.0829245 3.3365 2.22 2768.64 Bueno
11 2357.73 73.91 0.169 0.08619039 3.4414 2.37 2761.69 Bueno
10.9 2325.39 72.05 0.1733 0.08452732 3.384 2.22 2733.89 Bueno
10.91 2287.15 70.79 0.1764 0.08546425 3.3593 2.22 2699.14 Bueno
11.23 2369.66 70.9 0.1762 0.08942768 3.2504 2.46 2803.39 Bueno
11.74 2429.95 73.32 0.1703 0.09713366 3.2848 2.64 2872.89 Bueno
11.42 2389.94 72.81 0.1715 0.09513984 3.3205 2.58 2817.29 Bueno
11.32 2384.74 71.69 0.1742 0.08846464 3.2712 2.31 2820.76 Bueno
11.35 2364.49 70.67 0.1767 0.08818255 3.2377 2.31 2806.86 Bueno
11.61 2394.54 71.2 0.1754 0.09678364 3.218 2.52 2841.61 Bueno
11.07 2364.81 72.97 0.1711 0.08603286 3.378 2.25 2779.06 Bueno
88
11.51 2355.47 70.23 0.1778 0.09993474 3.2148 2.61 2796.44 Bueno
11.18 2349.46 69.29 0.1803 0.08984498 3.188 2.4 2789.49 Bueno
11.31 2340.55 73.39 0.1702 0.09680062 3.4166 2.49 2751.26 Bueno
11.24 2349.46 69.59 0.1795 0.09058893 3.2012 2.34 2789.49 Bueno
11.33 2374.82 72.75 0.1717 0.09131085 3.3398 2.52 2799.91 Bueno
11.23 2384.74 71.35 0.1751 0.08580099 3.2577 2.4 2820.76 Bueno
11.05 2351.58 70.68 0.1767 0.08249448 3.2688 2.25 2782.54 Bueno
10.92 2340.55 72.4 0.1725 0.08266558 3.3838 2.19 2751.26 Bueno
11.17 2347.61 72.3 0.1727 0.08714742 3.3556 2.31 2768.64 Bueno
11.27 2353.66 72.7 0.1718 0.08938244 3.3652 2.37 2775.59 Bueno
11.17 2356.68 72.32 0.1727 0.08652498 3.3465 2.31 2779.06 Bueno
11.37 2383 74.08 0.1686 0.09349632 3.4003 2.43 2799.91 Bueno
11.06 2336.5 69.98 0.1785 0.08828362 3.2471 2.34 2765.16 Bueno
11.34 2350.64 72.69 0.1718 0.09309964 3.3644 2.43 2772.11 Bueno
11.35 2405.06 73.23 0.1706 0.08841139 3.3289 2.43 2834.66 Bueno
11.42 2378.71 72.26 0.1728 0.08983801 3.3037 2.46 2813.81 Bueno
11.16 2343.58 73.38 0.1702 0.0889263 3.4205 2.31 2754.74 Bueno
10.89 2341.57 71.09 0.1757 0.08095142 3.3117 2.31 2761.69 Bueno
11.28 2368.78 73.04 0.171 0.08718648 3.3649 2.34 2792.96 Bueno
11.17 2362.73 72.55 0.1721 0.08499052 3.3516 2.22 2786.01 Bueno
11.01 2383 73.84 0.1691 0.07667072 3.4069 2.19 2799.91 Bueno
11.12 2357.61 71.04 0.1758 0.08343226 3.2777 2.31 2789.49 Bueno
10.89 2311.34 70.8 0.1764 0.08343152 3.3319 2.28 2726.94 Bueno
11.28 2386.92 72.58 0.1721 0.08925066 3.3193 2.25 2813.81 Bueno
11.12 2349.54 65.36 0.1911 0.08030852 2.9754 2.37 2827.71 Bueno
11.16 2366.65 71.23 0.1753 0.08380476 3.2758 2.4 2799.91 Bueno
11.46 2381.72 72.32 0.1727 0.09112087 3.3014 2.4 2817.29 Bueno
11 2291.29 69.88 0.1787 0.08703331 3.2983 2.22 2713.04 Bueno
11.4 2426.22 74.1 0.1685 0.08415609 3.3488 2.34 2858.99 Bueno
12.25 2314.36 72.42 0.1725 0.14307788 3.3425 4.8 2730.41 Bueno
11.09 2369.66 70.82 0.1764 0.08279528 3.2539 2.19 2803.39 Bueno
11.24 2336.5 70.98 0.176 0.09074356 3.2926 2.34 2765.16 Bueno
11.16 2362.73 71.97 0.1735 0.08804327 3.3209 2.31 2786.01 Bueno
11.09 2325.41 69.68 0.1792 0.08307284 3.2421 2.16 2761.69 Bueno
11.15 2343.44 69.86 0.1788 0.08439687 3.2279 2.25 2782.54 Bueno
11.01 2366.65 70.53 0.1771 0.08078691 3.2456 2.25 2799.91 Bueno
11.3 2364.49 70.42 0.1774 0.08769153 3.2261 2.4 2806.86 Bueno
11.03 2340.55 73.04 0.171 0.08424526 3.4132 2.31 2751.26 Bueno
11.23 2336.44 73.81 0.1692 0.09965761 3.449 2.58 2737.36 Bueno
11.09 2332.5 71.54 0.1746 0.08844682 3.3364 2.25 2751.26 Bueno
11.07 2360.62 70.83 0.1763 0.0819386 3.2659 2.31 2792.96 Bueno
11.16 2369.66 71.48 0.1747 0.08201575 3.286 2.4 2803.39 Bueno
11.08 2323.43 71.66 0.1743 0.08756475 3.3543 2.16 2740.84 Bueno
10.99 2331.46 72.63 0.1719 0.085424 3.4036 2.1 2740.84 Bueno
10.99 2343.58 72.55 0.1721 0.08558576 3.3842 2.16 2754.74 Bueno
10.95 2364.81 73.14 0.1707 0.07895922 3.3935 2.07 2779.06 Bueno
11.18 2365.75 72.65 0.1719 0.08459462 3.3532 2.22 2789.49 Bueno
11 2383 73.61 0.1697 0.07755861 3.395 2.13 2799.91 Bueno
11.32 2395.13 74.66 0.1673 0.0871753 3.4197 2.25 2813.81 Bueno
89
11.32 2381.72 72.08 0.1733 0.08584133 3.2957 2.22 2817.29 Bueno
10.94 2340.55 72.73 0.1717 0.08170739 3.4006 2.25 2751.26 Bueno
10.88 2299.96 73.68 0.1695 0.08296656 3.507 2.19 2695.66 Bueno
11.06 2337.52 73.2 0.1706 0.08504878 3.4237 2.22 2747.79 Bueno
11.1 2370.87 74.05 0.1687 0.08053947 3.4275 2.22 2786.01 Bueno
11.1 2380.87 72.48 0.1723 0.08085432 3.3308 2.22 2806.86 Bueno
11.02 2385.09 74.79 0.167 0.08055776 3.4552 2.25 2792.96 Bueno
11.04 2376.93 73.2 0.1706 0.08277741 3.3771 2.28 2792.96 Bueno
7.95 1655.11 52.32 0.2389 0.05381615 3.2295 1.47 1986.78 Baja Vel
7.91 1657.55 49.53 0.2524 0.05118687 3.0262 1.47 2011.1 Baja Vel
7.95 1675.94 51.46 0.2429 0.05223835 3.1367 1.44 2018.05 Baja Vel
8.06 1681.94 52.3 0.2389 0.05144402 3.1807 1.5 2025 Baja Vel
8.03 1681.68 51.36 0.2434 0.04989691 3.115 1.41 2031.95 Baja Vel
8 1678.4 50.14 0.2493 0.05121691 3.0337 1.41 2035.43 Baja Vel
8.11 1674.76 48.93 0.2555 0.05373633 2.944 1.41 2045.85 Baja Vel
8.05 1690.64 51 0.2451 0.05455839 3.075 1.5 2042.38 Baja Vel
8.12 1690.32 50.63 0.2469 0.05404277 3.044 1.5 2049.33 Baja Vel
8.12 1684.02 49.93 0.2503 0.05252872 3.0028 1.44 2049.33 Baja Vel
8.14 1709.22 53.5 0.2336 0.05440631 3.22 1.5 2049.33 Baja Vel
8.13 1706.21 53.43 0.2339 0.05436978 3.2202 1.44 2045.85 Baja Vel
8.17 1702.92 52.31 0.2389 0.05832916 3.1429 1.47 2049.33 Baja Vel
8.12 1684.02 49.57 0.2522 0.05591965 2.9769 1.5 2049.33 Baja Vel
8.17 1699.61 51.31 0.2436 0.05907944 3.0762 1.44 2052.8 Baja Vel
8.17 1683.65 48.92 0.2555 0.05789585 2.927 1.47 2056.28 Baja Vel
9.45 1931.35 54.24 0.2304 0.07380075 2.8855 1.77 2355.12 Baja Vel
9.52 1957.36 56.38 0.2217 0.07467148 2.9863 1.8 2369.02 Baja Vel
9.52 1984.65 59.38 0.2104 0.07446707 3.1422 1.77 2375.97 Baja Vel
9.52 1990.64 59.51 0.2099 0.07338116 3.1428 1.74 2382.92 Baja Vel
9.56 1993.64 59.76 0.2091 0.07366753 3.1521 1.77 2386.39 Baja Vel
9.54 1989.49 58.88 0.2122 0.07135453 3.1028 1.71 2389.87 Baja Vel
9.6 1995.47 59.15 0.2112 0.07249153 3.1087 1.74 2396.82 Baja Vel
9.54 1988.3 57.72 0.2165 0.07207336 3.0321 1.71 2396.82 Baja Vel
9.58 2012.8 61.01 0.2048 0.07323956 3.2042 1.71 2400.29 Baja Vel
9.51 1991.28 57.77 0.2163 0.06991248 3.0333 1.71 2400.29 Baja Vel
9.62 1979.89 56.22 0.2223 0.07318295 2.9424 1.71 2403.77 Baja Vel
9.59 2004.43 59.1 0.2114 0.07181985 3.0949 1.71 2407.24 Baja Vel
9.56 1979.89 55.97 0.2233 0.07200914 2.9302 1.71 2403.77 Baja Vel
9.69 1997.24 58.57 0.2133 0.07374361 3.0646 1.68 2407.24 Baja Vel
9.57 2011.62 59.98 0.2083 0.07219521 3.142 1.68 2407.24 Baja Vel
9.58 1981.57 55.01 0.2272 0.07306855 2.8669 1.74 2414.19 Baja Vel
13.41 2204.07 62.49 0.1999 0.2007783 2.8393 5.13 2685.24 Alta corriente
13.61 2215.85 63.34 0.1973 0.20342418 2.8642 5.19 2699.14 Alta corriente
13.48 2203.75 60.03 0.2082 0.19972571 2.6931 5.16 2713.04 Alta corriente
13.58 2217.57 61.54 0.203 0.19985556 2.7603 5.07 2719.99 Alta corriente
13.45 2239.41 63.09 0.198 0.19553343 2.8346 5.07 2726.94 Alta corriente
13.5 2256.26 64.21 0.1946 0.19655342 2.8776 5.04 2737.36 Alta corriente
13.6 2273.16 65.99 0.1893 0.19581914 2.9545 5.01 2747.79 Alta corriente
13.52 2276.13 65.92 0.1895 0.1921039 2.9518 5.01 2751.26 Alta corriente
13.5 2273.98 64.37 0.1941 0.19419051 2.8681 5.01 2758.21 Alta corriente
90
13.53 2244.62 60.72 0.2058 0.19380519 2.6896 5.04 2761.69 Alta corriente
13.5 2266.65 62.77 0.1991 0.19083815 2.7849 4.95 2768.64 Alta corriente
13.5 2285.8 64.82 0.1927 0.19012138 2.881 4.86 2772.11 Alta corriente
13.45 2335.31 70.2 0.1779 0.18907338 3.1294 4.92 2782.54 Alta corriente
13.62 2262.13 61.7 0.2025 0.18961389 2.7227 4.92 2782.54 Alta corriente
13.54 2289.47 64.22 0.1945 0.18848261 2.8412 4.83 2786.01 Alta corriente
13.5 2325.01 68.15 0.1833 0.18877174 3.0246 4.89 2789.49 Alta corriente
13.02 1644.77 43.49 0.2876 0.28110804 2.2291 6.21 2157.05 Otro Modelo 1
12.81 1637.2 42.23 0.2962 0.27145135 2.1598 6.03 2164 Otro Modelo 1
12.71 1604.27 39.87 0.3138 0.26590551 2.0256 5.85 2164 Otro Modelo 1
9.08 1690.75 43.35 0.2885 0.08620001 2.4538 1.74 2157.05 Otro Modelo 1
9.07 1693.61 43.22 0.2893 0.08703223 2.4421 1.74 2160.52 Otro Modelo 1
9 1667.3 40.72 0.3072 0.0857643 2.2964 1.74 2160.52 Otro Modelo 1
9.08 1693.61 43.4 0.2881 0.08548138 2.4543 1.71 2160.52 Otro Modelo 1
9.01 1664.48 40.7 0.3073 0.08698395 2.2972 1.74 2157.05 Otro Modelo 1
8.96 1664.48 40.67 0.3076 0.08395411 2.2983 1.74 2157.05 Otro Modelo 1
9.05 1664.48 41.1 0.3043 0.08489635 2.3228 1.74 2157.05 Otro Modelo 1
9.02 1644.77 39.41 0.3174 0.08439588 2.2237 1.74 2157.05 Otro Modelo 1
9.03 1664.48 41.08 0.3044 0.08317443 2.3237 1.74 2157.05 Otro Modelo 1
9.02 1703.88 44.51 0.2809 0.08343015 2.5253 1.74 2157.05 Otro Modelo 1
8.98 1664.48 41.03 0.3048 0.08093067 2.323 1.74 2157.05 Otro Modelo 1
8.99 1680.45 42 0.2978 0.08275985 2.375 1.74 2160.52 Otro Modelo 1
9.01 1673.88 41.37 0.3023 0.08515162 2.3353 1.77 2160.52 Otro Modelo 1
8.51 1160.65 21.89 0.573 0.08499152 1.2705 1.65 2000.68 Otro Modelo 2
8.53 1299.02 25.88 0.4843 0.08550428 1.5181 1.65 2004.15 Otro Modelo 2
8.46 1364.48 28.28 0.443 0.0846612 1.6718 1.62 2000.68 Otro Modelo 2
8.51 1261.91 24.66 0.5084 0.08356091 1.4437 1.62 2004.15 Otro Modelo 2
8.49 1270.53 24.8 0.5055 0.08325086 1.4506 1.65 2007.63 Otro Modelo 2
8.48 1280.46 25.13 0.4987 0.08415632 1.4729 1.65 2004.15 Otro Modelo 2
8.51 1239.56 23.91 0.5244 0.08361752 1.3946 1.68 2007.63 Otro Modelo 2
8.5 1261.91 24.64 0.5088 0.08359521 1.4425 1.68 2004.15 Otro Modelo 2
8.49 1336.13 27.14 0.4617 0.08483351 1.5976 1.68 2004.15 Otro Modelo 2
8.48 1274.28 24.91 0.5032 0.08481688 1.4581 1.68 2004.15 Otro Modelo 2
8.54 1274.28 25.1 0.4993 0.08493231 1.4699 1.65 2004.15 Otro Modelo 2
8.49 1255.72 24.36 0.5146 0.08445857 1.424 1.65 2004.15 Otro Modelo 2
8.5 1280.46 25.19 0.4977 0.08454845 1.4756 1.65 2004.15 Otro Modelo 2
8.53 1274.28 25.1 0.4994 0.08478284 1.4698 1.68 2004.15 Otro Modelo 2
8.48 1255.72 24.33 0.5153 0.08433677 1.4222 1.65 2004.15 Otro Modelo 2
8.5 1323.76 26.68 0.4697 0.08527714 1.5684 1.65 2004.15 Otro Modelo 2
11.7 2458.07 77.68 0.1608 0.09461895 3.4857 2.58 2876.36 Muy similar
11.64 2490.09 80.57 0.155 0.09260528 3.6023 2.67 2893.74 Muy similar
11.87 2502.32 81.64 0.153 0.09753549 3.6307 2.61 2907.63 Muy similar
11.86 2499.97 80.58 0.155 0.09329053 3.5792 2.61 2914.58 Muy similar
11.73 2508.43 81.49 0.1532 0.09126049 3.6229 2.58 2914.58 Muy similar
11.76 2531.51 85.11 0.1467 0.09162688 3.7802 2.61 2921.53 Muy similar
11.66 2519.96 82.72 0.151 0.09063558 3.6757 2.61 2918.06 Muy similar
11.67 2529.16 82.95 0.1505 0.08950916 3.676 2.64 2928.48 Muy similar
11.84 2521.32 80.47 0.1552 0.09244111 3.5487 2.67 2938.91 Muy similar
11.7 2532.9 81.33 0.1535 0.09008138 3.5864 2.61 2942.38 Muy similar
91
11.88 2527.42 81.02 0.1541 0.09075485 3.5682 2.64 2945.86 Muy similar
11.83 2533.51 80.57 0.155 0.09096347 3.5399 2.64 2952.81 Muy similar
11.73 2547.56 83.2 0.1501 0.09004561 3.6636 2.61 2949.33 Muy similar
11.87 2542.07 82.48 0.1514 0.09126119 3.6259 2.64 2952.81 Muy similar
11.77 2539.61 80.55 0.155 0.08785906 3.5352 2.58 2959.76 Muy similar
11.75 2548.19 81.96 0.1523 0.08838164 3.5983 2.61 2959.76 Muy similar
92
Apéndice B
Datos meta para entrenamiento Red Neuronal.
Explicación.
En esta tabla se presenta la secuencia que se busca como meta para los datos con que
fue entrenada la red neuronal, es una tabla de 6 renglones y 246 columnas, cada renglón
representa una neurona de salida, en cada columna solo se presenta un 1 en algún renglón y
ceros en los demás renglones, esto es debido a que para cada secuencia de datos de algún
motor en particular, la red neuronal debe responder con solamente un 1 en alguna de sus
columnas dependiendo de los datos de ese motor en particular.
En la tabla se puede observar que las columnas del 1 al 150 contienen un 1 en su primer
renglón, esto representa un motor “bueno”, en las columnas del 151 al 182 el 1 esta en el
segundo renglón que representa a un motor con “baja velocidad”, en las columnas del 183 al
198 el 1 esta en el tercer renglón que representa a un motor con “alta corriente”, las columnas
199 al 214 presentan el 1 esta en el cuarto renglón que representa a un motor de otro
“modelo1”, las columnas del 215 al 230 por medio del 1 en el quinto renglón representan a un
motor de “otro modelo2” y por último de la columna 231 a la 246 se representa a un motor de
“otro modelo muy similar” con el 1 en el sexto renglón.
93
Meta 1 al 60
1 1 1 1 1 1 1 1 1 11 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Meta 61 al 120
1 1 1 1 1 1 1 1 1 11 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Meta 121 al 180
1 1 1 1 1 1 1 1 1 11 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 00 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
94
Apéndice C
Datos para prueba de Red Neuronal.
1.0e+003 *
95