Está en la página 1de 9

CONTECSI

2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
1






Resumen En los ltimos aos algunos investigadores han propuesto e implementado variadas
alternativas para la deteccin y diagnstico de fallas en maquinas de induccin. Algunas metodologas
se caracterizan por su carcter no invasivo ya que no se montan sensores sobre el motor. El propsito
de este artculo consiste en el desarrollo de una metodologa de diagnstico de fallas en motores de
induccin mediante una red neuronal artificial con aprendizaje Backpropagation. La metodologa se
apoya principalmente en el teorema del vector complejo de Park.

Abstract In the last years researchers have proposed different solutions about detection and
diagnostics faults in induction machines. Some methodologies are characterized by their noninvasive
character since sensors do not mount on the motor. The development of a recent methodology of
diagnostics of faults in motors of induction by means of an artificial neuronal network with
Backpropagation learning is proposed in this article. The methodology is based on the Park vector
approach.

Palabras clave - Diagnstico, Motor de Induccin, Redes Aeuronales Artificiales, Jector de Park.

I. INTRODUCCION
L uso de motores de induccion tipo jaula de ardilla son los mas empleados en la industria
moderna en virtud de su bajo costo, robustez y economia de mantenimiento. Este tipo de
maquinas es susceptible a distintas Iallas de caracter electrico y mecanico. Entre las mas importantes
pueden distinguirse las Iallas en rodamientos y en las barras o anillos en cortocircuito del rotor. Las
primeras de ellas pueden derivar en muchos casos en excentricidades del rotor y tienen la
particularidad que su evolucion es relativamente lenta, lo que permite, mediante una deteccion
anticipada, evitar daos irreversibles tanto en las maquinas asi como en el proceso de produccion del
que Iorman parte. En cuanto a las Iallas en devanados de estator, es necesario hacer una distincion
entre conductores, la carcasa del motor y las Iallas entre espiras de diIerentes bobinas. Estas Iallas
generalmente presentan una evolucion rapida y por consiguiente su deteccion suele ser mas lenta.
Las Iallas en las barras o anillos en cortocircuito del rotor generalmente consisten en Iracturas o
Iisuras que pueden propagarse a barras vecinas y probablemente daar los devanados de estator
cuando se producen deIormaciones. Estas Iallas son de evolucion lenta y pueden ser detectadas
tempranamente.
Sorrnno !ubIo Junn InbIo, AnfonIo Znmnrron !nmroz
Mnosfrn on CIoncIns on CIoncIns do In ComufncIon,
onrfnmonfo do SIsfomns InfoIIgonfos, InsfIfufo TocnoIogIco do !oon, Av. TocnoIogIco
S/ IrnccIonnmIonfo JuIIn do Obrogon, !oon Cunnnjunfo, CI 3?290.
TI! + 4?? ? l0 52 00, oxf. 3l02, corrooo jsr9hofmnII.com,
znmnrronIfIoon.odu.mx
Diagnostico de Fallas en Motores de Induccion
mediante Redes Neuronales ArtiIiciales
E


SEGUNDO CONGRESO NACIONAL DE TECNOLOGAS
COMPUTACIONALES Y SISTEMAS DE INFORMACIN
Len, Gto., SeptIembre 2S - 2S, 200?
CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
2

De una manera general puede aIirmarse que aproximadamente un 40 de las Iallas en este tipo de
maquinas corresponde a anormalidades en los rodamientos, entre un 30 y 40 a Iallas en el estator y
un 10 aproximadamente corresponden a Iallas en el rotor. La literatura muestra que en motores de
potencia elevada las Iallas en el rotor se repiten con mayor Irecuencia y por tanto suelen ser mas
importantes |1|. El monitoreo de los motores de induccion triIasico para la deteccion de Iallas es un
tema abordado por muchos investigadores. Las tecnicas de inteligencia artiIicial han sido empleadas
como una alternativa buena, no solo para el monitoreo de las Iallas, sino tambien para su deteccion
en estado incipiente, lo que permite programar el mantenimiento de la maquina.

Los metodos tradicionales de diagnostico de Iallas son limitados en su capacidad de detectar Iallas
electricas y en ocasiones su implementacion aumenta considerablemente su costo, en Iuncion del tipo
de sensor que se utilice. En algunos casos los sensores estan instalados permanentemente en lugares
donde existen maquinas cuya prioridad de Iuncionamiento es alta y en donde el costo del sensor es
justiIicado. En la industria a menudo el utilizar metodos tradicionales conlleva a la necesidad de
Iorjar expertos en el diagnostico de Iallas, lo que ocasiona una Iuerte dependencia de estas personas.
II. REDES NEURONALES ARTIFICIALES.

Las redes neuronales artiIiciales son un paradigma de aprendizaje que modela la manera en que el
cerebro desarrolla una particular tarea o Iuncion de interes.

Las redes neuronales artiIiciales pueden considerarse como un procesador distribuido en paralelo,
compuesto de unidades de proceso que tiene una propension natural para almacenar conocimiento a
traves de la experiencia haciendolo disponible para su uso, por lo tanto la interaccion entre multiples
procesadores simples en paralelo llamadas neuronas, constituye el principio de su Iuncionamiento. Su
potencia de calculo es debida, primero a su estructura en paralelo masivamente distribuida y a su
capacidad de la red neuronal para producir salidas razonables para entradas no especiIicadas durante
el entrenamiento (aprendizaje). Estas dos habilidades de las redes neuronales hacen posible resolver
problemas complejos que normalmente son intratables. Estos problemas se descomponen en un
numero de tareas relativamente simples y se asignan redes neuronales a cada subconjunto de tareas
que mejor se adaptan a las capacidades inherentes de las redes |2|. Es importante reconocer que
queda un largo camino por recorrer antes de que se pueda construir una arquitectura cuyo
comportamiento sea igual al del cerebro humano. Entre los beneIicios de las redes neuronales
artiIiciales se pueden citar los siguientes:

- No linealidad. Su Iuncionamiento es intrinsecamente no lineal, lo que da lugar a dinamicas
variadas y, a la vez diIiculta su comprension.
- Entrenamiento. Tiene la capacidad de aprender del entorno presentandole un conjunto de
entradas con sus respectivas salidas deseadas. Los pesos de las redes se modiIican para
minimizar la diIerencia entre la salida deseada y la actual. El entrenamiento se repite hasta
que la red alcanza un estado en el que los pesos no cambian. Asi, la red aprende de los
ejemplos construyendo un mapa de entradas y salidas para el problema.
- Adaptabilidad. Tiene la capacidad de adaptarse al entorno o aprender de el.
- eneralizacion. Muchas pueden aproximar cualquier Iuncion, lo que teoricamente les da la
capacidad de clasiIicacion generica.
- Robustez. La redundancia en la arquitectura y su especial representacion de la inIormacion
proporcionan robustez al esquema.
- InIormacion contextual. El conocimiento viene representado por la estructura y el estado de
activacion de la red. Cada neurona de la red esta potencialmente aIectada por la actividad
CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
3
global del resto de neuronas en la red. En consecuencia, la inIormacion contextual es tratada
con naturalidad por la red neuronal.
- Tolerancia a Iallos. Una red neuronal, implementada en hardware, tiene el potencial a ser
inherente tolerante a Iallos.
- Implementacion VLSI (Very Large Scale Integration). Son relativamente Iaciles de
implementar en hardware (VLSI), lo que permite, junto con el paralelismo masivo, disponer
de dispositivos rapidos para determinadas tareas.

La red neuronal se parece al cerebro en 2 aspectos; el conocimiento es adquirido por la red neuronal
de su ambiente a traves de un proceso de aprendizaje y las conexiones entre neuronas ('pesos
sinapticos) son usados para almacenar el conocimiento. Los elementos que constituyen la neurona
artiIicial son los siguientes:

1. Conjunto de entradas: datos de entrada a la neurona.
2. Pesos sinapticos: representa la intensidad de interaccion entre cada neurona presinaptica y la
neurona postsinaptica.
3. Regla de propagacion: proporciona el valor del potencial postsinaptico de la neurona en
Iuncion de sus pesos y entradas.
4. Funcion de activacion: proporciona el estado de activacion actual de la neurona en Iuncion de
su estado anterior y de su estado postsinaptico actual.
5. Funcion de salida: proporciona la salida actual de la neurona en Iuncion de su estado de
activacion.

Las neuronas biologicas se componen basicamente de tres partes; el cuerpo neuronal o soma, una
prolongacion larga y poco ramiIicada llamada axon y prolongaciones muy ramiIicadas alrededor del
soma llamadas dendritas.

La relacion entre una neurona biologica con una neurona artiIicial se muestra en la tabla 1.

Tabla 1. Analogia entre una neurona artiIicial con una neurona biologica.

Neurona biologica. Neurona artiIicial.
Nucleo. Funcion de activacion.
Dendritas. Entradas
Axon. Salidas
Terminales sinapticas. Pesos sinapticos


El diagrama de bloque de la Iigura 1, muestra el modelo de una neurona, que Iorma la base del diseo
artiIicial de una red neuronal.
CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
4

Figura 1. Diagrama de bloque de una red neuronal.
III. REDES MULTICAPA Y BACKPROPAATION.

Al conjunto (arquitectura multicapa) (aprendizaje back-propagation), suele denominarse red de
retropropagacion. La regla de aprendizaje del Perceptron de Rosenblatt y el algoritmo LMS de
Windrow y HoII Iueron diseados para entrenar redes de una sola capa, estas redes tienen la
desventaja que solo pueden resolver problemas linealmente separables, Iue esto lo que llevo al
surgimiento de las redes multicapa para sobrepasar esta diIicultad en las redes entonces conocidas.

En 1986, Rumelhart, Hinton y Williams Iormalizaron un metodo para que una red neuronal
aprendiera la asociacion que existe entre los patrones de entrada a la misma y las clases
correspondientes utilizando mas niveles de neuronas de los que empleo Rosenblatt en su perceptron.
Este metodo conocido como Backpropagation esta basado en la generalizacion de la regla delta y ha
ampliado considerablemente el rango de aplicacion de las redes neuronales. La red Backpropagation
es un tipo de red de aprendizaje supervisado, que emplea un ciclo de propagacion adaptacion de dos
Iases. Una vez que se ha aplicado un patron a la entrada de la red como estimulo, este se propaga
desde la primera capa a traves de las capas superiores de la red, hasta generar una salida. La seal de
salida se compara con la salida deseada y se calcula una seal de error para cada una de las salidas.

Las salidas de error se propagan hacia atras, partiendo de la capa de salida hacia todas las neuronas
de la capa oculta que contribuyen directamente a la salida. Sin embargo las neuronas de la capa
oculta solo reciben una Iraccion de la seal total del error, basandose aproximadamente en la
contribucion relativa que haya aportado cada neurona a la salida original. Este proceso se repite,
capa por capa, hasta que todas las neuronas de la red hayan recibido una seal de error que describa
su contribucion relativa al error total. Basandose en la seal de error percibida, se actualizan los
pesos de conexion de cada neurona, para hacer que la red converja hacia un estado que permita
clasiIicar correctamente todos lo patrones de entrenamiento. A medida que se entrena la red, las
neuronas de las capas intermedias se organizan a si mismas de tal modo que las distintas neuronas
aprenden a reconocer distintas caracteristicas del espacio total de entrada.

Despues del entrenamiento, cuando se le presente a la red un patron arbitrario de entrada que
contenga ruido o que este incompleto, las neuronas de la capa oculta de la red responderan con una
salida activa si la nueva entrada contiene un patron que se asemeje aquella caracteristica que las
neuronas individuales hayan aprendido a reconocer durante su entrenamiento y a la inversa, las

(.)
Salida
k
y

Funcion de
Activacion
( )
k
v n
Umbral
k
b
Union
Sumatoria
Wk1
Wk2
Wkm
.
.
.

Seales
de
entrada
X
1
X
2
X
m
Pesos
Sinapticos
CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
5
unidades de las capas ocultas tienen una tendencia a inhibir su salida si el patron de entrada no
contiene la caracteristica para reconocer, para la cual han sido entrenadas. La tipica red de
backpropagation tiene una capa de entrada, una capa de salida, y al menos una capa oculta. No hay
ningun limite teorico en el numero de capas ocultas pero normalmente es una o dos |3|.

Algunos trabajos desarrollados apuntan a un maximo de 4 capas (2 capas ocultas y una capa de
salida) para resolver problemas de cualquier complejidad |3|. En cada capa, cada neurona esta
conectada a todas las neuronas de la capa siguiente, como se muestra en la Iigura 2.

Figura 2. Red Backpropagation simple.

La capa de entrada y de salida indica el Ilujo de inIormacion durante la Iase de 'recall o recuerdo,
en esta Iase se pone un patron en la entrada de la red entrenada y espera a recibir una respuesta. La
propagacion hacia atras de los errores no se usa durante esta Iase, sino cuando el algoritmo esta
aprendiendo.

( )
n n n
k kf f k kf i f k
f f f
: w y w f wfi x


+
= =

' '



(1)

Una solucion al problema de entrenar los nodos de las capas ocultas pertenecientes a arquitecturas
multicapa la proporciona el algoritmo de retropropagacion de errores o BP (Backpropagation). Las
Iunciones de activacion de las neuronas ocultas I (h) son de tipo sigmoideo. La Iuncion de coste de la
que se parte es el error cuadratico medio.

La minimizacion se lleva a cabo mediante descenso por gradiente, pero en esta ocasion habra un
gradiente respecto de los pesos de la capa de salida y otro respecto a los de la capa oculta. De Iorma
simpliIicada, el Iuncionamiento de una red backpropagation consiste en un aprendizaje de un
conjunto predeIinido de pares entrada-salida, dados como ejemplo, empleando un ciclo propagacion-
adaptacion de dos Iases: primero se aplica un patron de entrada a la capa de entrada de la red el cual
se propaga hacia las capas superiores hasta generar una salida, se compara el resultado obtenido en
cada neurona de salida con el valor deseado para esa neurona y se obtiene un error para dicha
unidad. A continuacion, estos errores se trasmiten hacia atras a todas las neuronas de la capa
intermedia que contribuyan directamente a la salida, recibiendo el porcentaje de error aproximado a
la participacion de la neurona intermedia en la salida original. Este proceso se repite capa por capa
hasta llegar a la entrada y hasta que cada neurona haya recibido un error que describa su aporte al
Objetivo
w
if
f

k

'
kf
w
Salida
Oculta
Entrada
i f k k
x y : t



CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
6
error total. Segun el valor del error recibido, se reajustan los pesos de las conexiones entre cada par
de neuronas en la red, de manera de que el error total cometido para ese patron disminuya.
IV. TRANSFORMADA DE PARK
El Vector de Park puede ser usado para describir las tres Iases de un motor de induccion |4|. La
transIormada de Park permite reIerir las variables de una maquina triIasica a un sistema de dos ejes
en cuadratura.

El seguimiento continuo del Iasor espacial que surge de la aplicacion de dicha transIormacion se
puede emplear con Iines de diagnostico. Las componentes de la corriente del estator en el eje directo y
de cuadratura (D y Q), Iijas al estator, se obtienen por medio de las siguientes relaciones:

D
2 1 1
3 6 6

i i i i =

(2)

Q
1 1
2 2

i i i =

(3)

Donde i
A
, i
B
e i
C
son las corrientes de las Iases A, B y C del estator. En condiciones ideales, cuando
un motor sin Iallas se alimenta a traves de un sistema triIasico de corrientes sinusoidales, equilibrado
y de secuencia positiva, las componentes del vector de Park determinan una circunIerencia centrada
en el origen del plano D-Q con radio aproximadamente constante, tal como se observa en la Iigura 3
(a). En caso de un cortocircuito en devanados del estator, el motor se comporta como una carga
desequilibrada y las corrientes del estator dejan de constituir un sistema balanceado. Tales
desequilibrios provocan una oscilacion en el radio del vector de Park y derivan en Iormas elipticas.
La Iigura 3 (b) muestra el resultado obtenido sobre un motor con dos bobinas en cortocircuito. La
inclinacion del eje mayor de la elipse indica la Iase sobre la cual se produjo el Iallo.


(a)

(b)

Figura 3. Ejemplos de la transIormada de Park para el diagnostico de Iallas en motores. (a) Lugar geometrico del vector
de Park en condiciones normales de Iuncionamiento, (b) Lugar geometrico del vector de Park en un motor con bobinas
en cortocircuito.
V. DESARROLLO DE LA METODOLOIA.
En la Iigura 4 se muestra el diseo experimental del monitoreo del motor de induccion. Para ello se
utilizan los principios basicos del metodo MCSA (Motor Current Signatura Analisis), el cual se
centra en el analisis espectral de las corrientes del estator. Mediante el analisis de corrientes, se
pueden diagnosticar averias mecanicas y electricas, pero se aplica Iundamentalmente en la mayoria
de los casos en la deteccion de la rotura de las barras de la jaula del rotor. La ventaja de utilizar el
metodo MCSA es el analisis de las corrientes cuando el motor esta en Iuncionamiento, por lo que el
CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
7
diagnostico de las Iallas puede hacerse en linea |5|. Entonces la corriente del motor es detectada a
traves de tres sensores de eIecto Hall (uno para cada Iase).

La seal generada por los sensores es enviada a una tarjeta de adquisicion de datos a traves del
convertidor analogo-digital y posteriormente procesada en Iorma digital en una computadora. Para
disminuir el eIecto de la seal de 60 Hz, ruido de la seal proveniente de los sensores de corriente y
evitar el eIecto de aliasing, se utiliza un Iiltro de ranura y un Iiltro pasabajos.



Figura 4. Diagrama de bloque del monitoreo al motor de induccion.

Las pruebas se hacen en un motor Siemens de clase B de un caballo de potencia. El voltaje con el
cual se alimenta al motor para censar las corrientes del estator es de 220 V. Se disea una red
neuronal artiIicial con un aprendizaje supervisado tipo Backpropagation. Para obtener los datos de
entrenamiento es necesario provocar Iallas en el motor. Una vez provocadas las Iallas se monitorea
las corrientes del motor por 10 segundos atraves de una tarjeta de adquisicion de datos PCI-6014, de
la compaia Nacional Instruments y el soItware Matlab 7.0. Los datos son tratados por medio de
una matriz de 4 columnas por 10000 Iilas. La primera columna indica el tiempo de muestreo del
motor, la segunda, tercera y cuarta columna indica el comportamiento de las tres Iases del motor de
induccion y las Iilas indican el comportamiento de cada Iase en el tiempo t.

Se procesa la matriz por medio del vector de Park obteniendo una matriz de una sola columna por
10000 Iilas en donde cada Iila representa una entrada a la red neuronal para la deteccion de la Ialla.
Se diagnostican dos tipos de Iallas: desbalanceo del rotor y espiras en cortocircuitos en el estator. Al
Carga
Filtro Analogo 60 Hz Filtro de paso bajo Convertidor A/D
Tratamiento de la
inIormacion por
computadora.
Procesador FFT
Analisis de la
inIormacion (Vector de
Park)
Entrenamiento de
la Red Neuronal
ArtiIicial.
Deteccion de Iallas del motor de induccion.

CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
8
aplicar serie de Iourier se puede observar el comportamiento de cada una de las Iallas. Con un circulo
se aprecia el comportamiento del motor en estado normal y (x,*, rombo) corresponde a espiras en
cortocircuito desde un nivel bajo a un nivel alto de severidad (ver Iigura 6).
-500 -100 -300 -200 -100 0 100 200 300 100 500
0
0.02
0.01
0.0
0.08
0.1
0.12
0.11

Figura 6. Motor de Induccion utilizado en el diseo experimental de la investigacion.

La red neuronal contiene 10000 neuronas de entrada, 40 neuronas en la capa oculta y 5 neuronas en
la capa de salida. Las 10000 neuronas en la capa de entrada corresponden a los 10000 datos que se
obtienen durante el analisis del vector de Park. Cada vector de Park corresponde a un patron con el
cual se entrena a la red neuronal artiIicial. El error objetivo con el cual se entrena a la red es de
0.0001. La red neuronal es entrenada satisIactoriamente en 600 epocas, por lo cual en su Iase de
recuerdo tiene una prediccion del 100 de los datos con la que Iue entrenada. A las 5 neuronas de
salida se les establece un vector objetivo (0,0.5, 1.0, 1.5, 2.0, 2.5, 3.0), en donde el primer valor
representa un patron de un motor en condiciones normales, 1.5 para un motor con condiciones de
desbalanceo y 2.0, 2.5, 3.0 para un motor con espiras en cortocircuito en Iuncion de su severidad. El
vector de valores para las neuronas de salida es (0.9947 0.9948 0.9629 0.9888 0.7830
0.9957 0.9808) de acuerdo a los parametros antes establecidos que corresponden a cada una de las
Iallas que se requiere diagnosticar.

Cuando a la red neuronal se le presentan dos tipos de patrones con los cuales no ha sido entrenada
tiene un grado de aproximacion del 90. Los patrones son representativos para el caso de un motor
en condiciones normales y con cortocircuitos en espiras. Las muestras al ser procesadas por medio de
la transIormada de Park, se observa que existe una oscilacion en el radio del vector de Park, como se
muestra en la Iigura 7.

CONTECSI
2S - 2S DE SEPTIEMBRE 200?
INSTITUTO TECNOLGICO DE LEN
9

(a)

(b)

Figura 7.Datos experimentales del comportamiento de un motor. (a) Lugar geometrico del vector de Park en condiciones
normales de Iuncionamiento, (b) Lugar geometrico del vector de Park en un motor con bobinas en cortocircuito.

CONCLUSIONES Y TRABAJO FUTURO

En este articulo se ha propuesto una metodologia reciente para el diagnostico de Iallas en motores de
induccion mediante redes neuronales artiIiciales. Los datos de entrenamiento se preprocesan mediante
el vector de Park. La metodologia Iacilita la implementacion de la arquitectura para el monitoreo de
nuevas Iallas mediante una red neuronal artiIicial de tipo Backpropagation, lo que es importante
denotar es la capacidad de generalizacion de la red para identiIicar deIectos en el motor tales como:
desbalanceo del rotor y espiras en cortocircuito en el estator. La cantidad de neuronas en la capa
oculta sigue siendo experimental y tema de estudio para mejorar el modelo.

Como trabajo Iuturo se establecera un punto de comparacion entre los resultados obtenidos en este
articulo y los resultados que se obtengan de una red neuronal artiIicial con aprendizaje no
supervisado.
RECONOCIMIENTOS
Agradezco a la Universidad Autonoma de Aguascalientes por el apoyo brindado durante la
realizacion de la investigacion. A la Direccion eneral de Educacion Superior Tecnologica por el
apoyo economico para que se llevara a cabo la investigacion.
REFERENCIAS
|1| Verucchi C.J, Acosta ., 'Tecnicas de Deteccion y Diagnostico de Fallos en Maquinas
Electricas de Induccion, IEEE Latin America Transactions, IEEE, Latin America, 9 paginas,
2007, Marzo 2007.
|2| Simon H., comprehensive foundation, Prentice Hall Second Edition, United Status oI
America, 482 pages, 1999.
|3| S. M. AlIredo, M.d.B. BoniIacio, #edes Neuronales y Sistemas Difusos, AlIa-Omega, Segunda
Edicion, Mexico D.F. 2001.
|4| Hachemi M., 'A Review oI Induction Motors Signatura Analysis as Medium Ior Faults
Detection, IEEE Transactions On Industrial Electronics, IEEE, 10 pages, October 2000.
|5| M.E.H. Benbouzid, nduction motors faults detection and locali:ation using stator current
advanced signal processing techniques, IEEE Transactions Power Electronic, IEEE, January,
1999.