Escolar Documentos
Profissional Documentos
Cultura Documentos
FACULTAD DE INGENIERA
ESCUELA DE INGENIERA ELCTRICA
DEPARTAMENTO DE POTENCIA
GONZLEZ J. RUBN D.
MUOZ O. JORGE L.
UNIVERSIDAD DE CARABOBO
FACULTAD DE INGENIERIA
ESCUELA DE INGENIERIA ELECTRICA
DEPARTAMENTO DE POTENCIA
GONZLEZ J. RUBN D.
MUOZ O. JORGE L.
UNIVERSIDAD DE CARABOBO
FACULTAD DE INGENIERA
ESCUELA DE INGENIERA ELCTRICA
DEPARTAMENTO DE POTENCIA
CERTIFICADO DE APROBACIN
Los abajo firmantes miembros del jurado asignado para evaluar el trabajo especial de grado
titulado DETECCIN DE FALLAS EN LOS COJINETES DEL MOTOR DE
INDUCCIN A TRAVS DEL ANLISIS ESPECTRAL DE CORRIENTE APLICANDO
MQUINAS DE VECTORES SOPORTE, realizado por los bachilleres: Rubn D. Gonzlez
J., cdula de identidad: 18.435.1652 y Jorge L. Muoz O., cdula de identidad: 17.704.362,
hacemos constar que hemos revisado y aprobado dicho trabajo.
---------------------------
---------------------------
JURADO
JURADO
AGRADECIMIENTOS
A Dios todo poderoso por darnos la vida, sabidura, constancia, salud y las fuerzas necesarias
que nos ayudaron a vencer los obstculos manifestados durante toda la carrera incluyendo los
sinsabores familiares y personales.
A nuestros Padres, sin sus esfuerzos no hubiramos dado este paso tan importante. Son fuente de
inspiracin para lograr estas metas y muchas ms.
A nuestro tutor Rubn Tern por brindarnos su apoyo, contribucin y servirnos de gua en la
investigacin, muchas gracias.
A la profesora Leidy Guerra, por la voluntad incondicional de ayudarnos, as como sus
observaciones crticas y sustanciales en la consecucin de la investigacin, Dios la bendiga y
sigua llenando de salud y sabidura.
Al nuestro tutor metodolgico profesor Carlos Gimnez, por habernos asesorado y enseado las
tcnicas de la redaccin.
A la profesora Irahis Rodrguez, quin con sus consejos contribuy sobremanera en la
elaboracin de nuestro proyecto y quien con sus enseanzas nos permiti refinar detalles
fundamentales a la hora de presentarlo. Adems por haber sido pilar en nuestra formacin, ya que
con ella se constituy gran parte de nuestro perfil en el rea de las Mquinas Elctricas.
A nuestros compaeros de compaeros de clases: Jos Caldern y Douglas Prez por su amistad
incondicional.
A los tcnicos del laboratorio de mquinas elctricas: Gustavo Ruiz, David Nazar por su
colaboracin y disposicin.
DEDICATORIA
Dedico uno de mis ms grandes logros a:
Dios nuestro padre, por darme la vida, una familia tan especial y las herramientas necesarias
para culminar este proyecto.
Con inclinacin especial a mis Padres, pilares de mi vida, que con sus esfuerzos, cario y ayuda
incondicional han logrado de m una buena persona. Los quiero mucho.
Mis hermanos, por sembrar en m el incentivo de echar para adelante y no darme por vencido,
ya que por ser el mayor, tengo la responsabilidad de ser un modelo a seguir.
Mis abuelitas lindas; sus bendiciones, consejos llenos de experiencias y buenos deseos me dieron
la fuerzas que levantaron hasta los ms pesados obstculos.
Mis tas Marisela, Luisa y Lisbeth, las cuales han sido mis segundas madres y que a lo largo de
mi vida han contribuido en mi formacin espiritual, personal y acadmica. De manera muy
especial a mi ta Lisbeth, ta no sabes cuan agradecido estoy contigo, eres una persona fuerte,
vencedora, te admiro mucho y s que mi hermanito Flavito est muy orgulloso de ti y aunque no
est presente fsicamente siempre comparte con nosotros.
Isaura, Edgar, Ysed y Rubn, grandes personas, que me brindaron su cario y atencin, gracias
por su apoyo incondicional.
Mis primos Junior y Luisito, quienes colaboraron mucho conmigo, mis ms sinceros
agradecimientos para con ustedes.
Rubn Gonzlez, mi compaero de tesis, con quien compart este difcil proceso, mis mejores
deseos tanto para ti como para t familia.
La Universidad de Carabobo, mi casa de estudio, la cual me brind conocimientos y experiencias,
claves fundamentales para lograr este anhelado objetivo.
Jorge L. Muoz O.
DEDICATORIA
El haber culminado esta investigacin con xito y con ello cumplir la meta de obtener el ttulo de
Ingeniero Electricista me llena de gloria y satisfaccin, y es un motivo para dedicar este trabajo a
aquellos seres que de una u otra forma me han apoyado.
Gracias Padre Celestial por haberme dado la inteligencia, fuerza y voluntad para sobrellevar las
cargas y dificultades que se me han presentado, y por brindarme gratos momentos de aprendizaje
y regocijo.
Con especial dedicacin a mis padres: Mara Jimnez y Rubn Gonzlez por haberme dado la
vida y haber sido pilares fundamentales en mi formacin como ser humano, por apoyarme y
ensearme que la vida tiene valor, que para obtener las cosas en la vida es necesario luchar. Por
saber entenderme cuando necesit compresin, y permitirnos olvidar los malos momentos y
enaltecer los buenos momentos. Gracias por todo lo brindado y por lo que la vida nos traer.
En memoria de un ser que con su amor incondicional llen mi vida de enseanza, respeto,
admiracin y constancia, que me apoy en todo lo que pudo y quien siento estara orgulloso de
estar en este momento junto a m para compartir un sueo; este logro es en dedicacin tuya
Abuela Mara, que Dios te tenga en su gloria, te quiero viejita.
A mis hermanas: Mara y Rubmary; a mis hermanos: Antonio y Daniel; por haber compartido
conmigo distintos momentos y emociones, por haber sido testigos de mis esfuerzos y haber
soportado situaciones estresantes de mi persona, los quiero mucho.
A mi querido sobrino Luis Santiago; que ha estado presente en el ltimo ao de mi carrera y en el
alcance de este logro, Dios te bendiga.
A mis familiares ms cercanos: ta Josefina, to Lorenzo, ta Nora, abuela Isabel, ta Gisela; por
haber estado al pendiente de mi evolucin en esta carrera y decirme que siguiera adelante.
A mis primos ms cercanos: Jess Alberto, Mario Gustavo, Jean Franco, Vanesa, Jhoan, Junior,
Eduardo; por haber sido testigos de mis esfuerzos y por sus echaderas de broma. Los quiero,
sigan adelante.
A mi compaero de tesis y amigo Jorge Muoz; por haber guiado esta investigacin y la carrera
junto a m, por haber soportado mi terquedad de querer hacer las cosas de una manera, de verdad
supiste hacer bien las cosas y tuviste especial dedicacin para que esto fuera posible, an cuando
tuviste inconvenientes familiares. Que Dios te llene de bendiciones a ti y a tu familia, sigue
adelante compa.
A mis compaeros de clase y amigos Caldern Jos y Douglas Prez; por haber compartido
momentos de gran presin que se convirtieron en xito, con ustedes estudi, pas buenos tiempos
y de ustedes aprend muchas cosas. Dios los bendiga y sigan adelante.
A todos mis amigos que cientos de veces me parecieron necios al decirme: Cundo terminas la
tesis? Y yo les responda: Cuando la termine!, bueno ya lo logr y les digo que tenan razn en
preguntar. Cudense y sigan adelante.
A la Universidad de Carabobo por permitir mi formacin profesional e inclusive humana, en mi
carrera aprend muchas cosas y conoc personas excepcionales.
Rubn D. Gonzlez J.
NDICE GENERAL
Pgina
NDICE DE FIGURAS
xi
NDICE DE TABLAS
xiv
INTRODUCCIN
CAPTULO I: EL PROBLEMA
1.2.- Justificacin
1.3.- Objetivos
1.6.- Recursos
2.1.- Antecedentes
11
14
14
14
16
2.2.2.- Cojinetes
18
19
20
25
induccin.
2.2.4.- Mquinas de vectores soporte
26
2.2.4.1.- Introduccin
26
2.2.4.2.- Ventajas
27
28
28
30
ejemplos
2.2.4.6.- Riesgo estructural y dimensin VC (VAPNIK-
30
CHERVONENKIS)
2.2.4.7.-Clasificacin de Vectores Soporte
32
33
39
43
43
44
software
2.2.4.8.3.- Seleccin del modelo
44
2.2.4.8.4.- Entrenamiento
46
2.2.4.8.5.- Pruebas
46
46
48
48
49
53
54
54
55
57
58
58
84
85
87
nominal
4.1.3.- Entrenamiento con los datos del motor B y prueba con los datos
88
89
nominal
4.5.- Entrenamiento con los datos del motor A y prueba con los datos
90
91
carga igual a 5 A
4.7.- Entrenamiento con los datos del motor B y prueba con los datos
92
93
carga igual a 5 A
4.9.- Entrenamiento con los datos del motor A y prueba con los datos
94
95
vacio
4.11.- Entrenamiento con los datos del motor B y prueba con los datos
96
97
vacio
4.2.- Anlisis de las pruebas desarrolladas
98
CONCLUSIONES
100
RECOMENDACIONES
102
REFERENCIAS BIBLIOGRFICAS
103
ANEXOS
105
NDICE DE FIGURAS
Pgina
CAPTULO II
Figura 2.1 Estator de un motor asncrono
15
15
16
20
21
29
32
35
39
47
CAPTULO III
Figura 3.1 Hardware de adquisicin modelo USB 1208FS
56
59
60
61
64
65
66
67
67
68
70
72
75
77
78
79
79
80
80
81
81
CAPTULO IV
Figura 4.1 Fase de entrenamiento y prueba para la primera etapa
86
87
88
89
Figura 4.5 Fase de entrenamiento y prueba del modelo para la quinta etapa
90
91
92
93
94
95
96
97
NDICE DE TABLAS
Pgina
CAPTULO II
25
CAPTULO III
54
57
57
68
69
69
INTRODUCCIN
Se decidi estructurar la investigacin en cuatro captulos, donde cada uno engloba aspectos de
gran importancia. A continuacin se denota el contenido de cada captulo:
Captulo II: En donde se realiza una revisin terica sobre los aspectos ms importantes
que vienen a ser sustento de la investigacin, entre ellos: los estudios e investigaciones
afines con el proyecto, la teora asociada a los motores de induccin, a los armnicos de
las fallas en cojinetes, a las mquinas de vectores soporte y por ltimo se habla en lneas
generales del sistema de adquisicin de datos.
Captulo IV: Se presentan los resultados de las predicciones realizadas por el modelo
basado en la tcnica Mquina de Vectores Soporte sobre los datos del anlisis espectral de
corriente en el motor de induccin.
CAPITULO I
CAPITULO I
El PROBLEMA
En relacin al diagnstico de fallas se deben tener en cuenta algunos aspectos, como por ejemplo:
Cmo realizar la deteccin de fallas incipientes? Qu parmetros fsicos son los mejores
indicadores de falla? Cmo realizar el procesamiento de los parmetros medidos para efectuar
un diagnstico eficiente?.
asociada a los parmetros medidos es grande y para el ser humano es bastante difcil manipular
dicha informacin sin cometer errores.
Si se empleara un procedimiento matemtico con ayuda del computador para realizar el anlisis
de la data y emitir resultados, el proceso sera ms sencillo y eficiente. En tal caso se contara con
un modelo computacional que manipulara dicha informacin, desarrollara un patrn y pudiera
discernir entre ciertas condiciones de funcionamiento de la mquina basado en dicho patrn.
Hace algunos aos se han estado desarrollando tcnicas basadas en aprendizaje estadstico tales
como: RNA (Redes Neuronales Artificiales), MVS(Mquina de Vectores Soporte), que permiten
manipular la data asociada a parmetros medidos y poder emitir un diagnstico sobre la
condicin de funcionamiento de una mquina de induccin.
Particularmente las mquinas de soporte vectorial (MVS) han tomado cierta atencin en aos
recientes, ya que poseen algunas caractersticas que las han puesto en ventaja respecto a otras
tcnicas populares de clasificacin y/o regresin [2]. Las Mquinas de Vectores Soporte son
entrenadas con los patrones que caracterizan determinados estados de la mquina, de tal manera
que puedan emitir un diagnstico sobre la condicin de funcionamiento de la mquina al
introducirles la data asociada a las variables medidas.
En este sentido, surge la inquietud de realizar una investigacin tendente a aplicar la Mquina de
Vectores Soporte como tcnica de clasificacin para la deteccin de fallas en la mquina de
induccin, problemtica que ser el punto central de esta tesis.
1.1.- JUSTIFICACIN
Hoy en da las gestiones de mantenimiento cada vez cobran mayor importancia en las empresas,
debido a la necesidad de garantizar la confiabilidad y seguridad de operacin del sistema. Es por
ello que se han desarrollado lneas de investigacin en las Universidades destinadas a realizar
estudios sobre las nuevas tecnologas y metodologas enfocadas al diagnstico de fallas en las
mquinas elctricas. En relacin a esto, hace algunos aos en la Escuela de Elctrica de la
Facultad de Ingeniera de la Universidad de Carabobo se ha desarrollado una lnea de
investigacin enfocada al mantenimiento predictivo de motores de induccin. Dicha lnea de
investigacin ha dirigido trabajos de grado orientados a la aplicacin de tcnicas y mtodos para
el diagnostico de fallas incipientes en motores de induccin.
A pesar de que los resultados obtenidos en dichas investigaciones han sido de gran utilidad, los
mismos provienen de estimaciones poco precisas, ya que el criterio utilizado en el diagnstico es
el de la comparacin y la cantidad de data manejada es grande, siendo de gran dificultad para el
ser humano manipular dicha informacin para establecer un juicio. Este proceso de elaborar un
diagnstico seria ms sencillo y eficiente con la ayuda del computador, es decir, que a travs de
un procedimiento o modelo matemtico se pudieran realizar las comparaciones y emitir
resultados en los cuales el error seria mnimo.
En la bsqueda de algn modelo capaz de procesar grandes cantidades de datos y que permita
identificar patrones con gran exactitud, se encontr una tcnica denominada Mquina de Vectores
Soporte, la cual es un mtodo de aprendizaje estadstico capaz de clasificar un conjunto de datos
con gran numero de caractersticas, y que ha demostrado gran eficiencia en problemas de
clasificacin y regresin.
1.2.- OBJETIVOS
1) Realizar el estudio del arte sobre la tcnica de Mquinas de Vectores Soporte con la
finalidad de comprender su estructura y funcionamiento.
2) Realizar la adquisicin de la data correspondiente al anlisis espectral de corriente
para su posterior utilizacin en el entrenamiento y prueba de la SVM.
3) Desarrollar el algoritmo computacional para entrenar la SVM con el conjunto de
muestras previamente seleccionadas.
4) Realizar las pruebas sobre el algoritmo desarrollado con la finalidad de determinar
el comportamiento del modelo frente caractersticas desconocidas al entrenamiento.
condiciones de fallas en cojinetes (pista interna, pista externa y elementos rodantes) y se obtendr
la seal asociada a la corriente de una fase del motor por medio de transformadores de corriente,
para llevarla al computador a travs de una tarjeta de adquisicin de datos. Una vez obtenidas las
seales para cada condicin de funcionamiento, se llevarn al dominio de la frecuencia a travs
de software LabView7.1 y se organizar dicha informacin para el entrenamiento y prueba de la
SVM. El modelo basado en SVM ser desarrollado en el entorno de Matlab y luego se realizarn
las pruebas del modelo para ciertas condiciones de funcionamiento de la mquina de induccin.
Se pretende mostrar la capacidad que tienen las mquinas de vectores soporte para realizar
predicciones una vez que han sido entrenadas con patrones, en esta investigacin dichos patrones
corresponden a los espectros de corriente de cada condicin de funcionamiento.
1.5.- RECURSOS
Transformadores de corriente.
Ampermetros.
Voltmetros.
Resistencias.
CAPITULO II
CAPITULO II
MARCO TERICO
2.1.- ANTECEDENTES
negativa como indicador de falla, aplicando redes neuronales artificiales (RNA). Para este
desarrollo, se implement y se verific un modelo de motor de induccin que permite simular el
comportamiento del motor bajo diferentes condiciones de carga y desequilibrio de tensin. El
mtodo para diagnosticar fallas est dividido en dos etapas fundamentales: etapa de aprendizaje,
en la cual se caracterizan los cambios de la corriente de secuencia negativa en funcin de la carga
y las variaciones de tensin; etapa de monitoreo, en la cual se registran las tensiones y corrientes
en los terminales del motor, se calculan las componentes de secuencia y se evala la red
neuronal, luego se calcula el nivel de alerta y de acuerdo al mismo, se determina si hay falla o no.
Se aplic el mtodo mediante simulacin, empleando un prototipo digital y utilizando un
analizador de redes. Los resultados experimentales muestran la fortaleza del mtodo al poder
detectar de forma confiable fallas incipientes. Este antecedente muestra la capacidad y las
diversas aplicaciones de los modelos basados en datos para la deteccin de fallas en motores de
induccin, en este caso se utilizaron redes neuronales artificiales.
Sanna Pyhnen, Marian Negrea, Antero Arkkio, Heikki Hytyniemi, Heikki Koivo. Support
Vector Classification for Fault Diagnostics of an Electrical Machine. Helsinki University of
Tecnology. Control Engineering Laboratory. Laboratory of Electromechanics. En esta
investigacin la SVM es aplicada como mtodo clasificador en el diagnstico del motor de
induccin. Se utiliz el anlisis de elementos finitos para simular la mquina elctrica y obtener
la data medida virtualmente para distintas condiciones de funcionamiento. Se consideraron tres
niveles de carga (vacio, mitad de carga y plena carga) y se obtuvieron las estimaciones del
espectro de potencia. La SVM fue entrenada con la mitad del conjunto de ejemplos y con la otra
mitad se realiz la prueba. En esta investigacin se consider el problema de mltiples clases
pero solo se mostraron resultados de clasificacin de dos clases. Los resultados obtenidos en este
trabajo presentan porcentajes de clasificacin altos y solo se presentaron serios problemas al
clasificar fallas de excentricidad frente a la condicin sin falla. Adems, se not que para altos
niveles de carga los porcentajes de clasificacin son ms altos. Esta investigacin presenta
similitud con la investigacin a desarrollar porque en ambas se utiliza la tcnica de SVM como
medio de clasificacin para el diagnstico de la condicin del motor de induccin. En ambas se
plantea el problema de clasificacin de dos clases (condicin con falla y sin falla) y se genera un
patrn a travs de un conjunto de entrenamiento, para ser luego utilizado en el diagnstico.
El estator est formado por un apilamiento de chapas de acero al silicio que disponen de unas
ranuras en su periferia interior en las que se sita un devanado trifsico distribuido, alimentado
por una corriente del mismo tipo, de tal forma que se obtiene un flujo giratorio de amplitud
constante distribuido senoidalmente por el entrehierro. El estator est rodeado por la carcasa, tal
como lo indica la figura 2.1, disponindose en esta las correspondientes patas de fijacin y los
anillos de elevacin y transporte [7].
El rotor est constituido por un conjunto de chapas apiladas, formando un cilindro, que tiene unas
ranuras en la circunferencia exterior, donde se coloca el devanado. En el tipo en forma de jaula de
ardilla se tienen una serie de conductores de cobre o aluminio puestos en cortocircuito por dos
anillos laterales (el nombre de jaula proviene del aspecto que tomara este devanado si se omitiera
el apilamiento de hierro); en la actualidad, en las mquinas pequeas, se aplica un mtodo de
fundicin de aluminio, con el que se producen al mismo tiempo las barras del rotor y los anillos
laterales, resultando un conjunto como el que se muestra en la figura 2.2.
En el caso de rotor devanado o con anillos, se tiene un arrollamiento trifsico similar al situado
en el estator, en el que las tres fases se conectan por un lado estrella y por el otro se envan a unos
anillos aislados entre si, como se muestra en la figura 2.3. Esta disposicin hace posible la
introduccin de resistencias externas por los anillos para limitar las corrientes de arranque,
mejorar las caractersticas de par y controlar la velocidad [7].
rotor ser variable y, por lo tanto, en l se inducir fuerza electromotriz tal y como lo indica la ley
de Lenz [1].
Al estar las espiras del rotor en cortocircuito, la fuerza electromotriz inducida provocar la
circulacin de corriente por ellas. Entonces, la presencia de conductores atravesados por corriente
elctrica en el seno de un campo magntico dar lugar a la aparicin de una fuerza tangencial
sobre cada espira del rotor dada por la ecuacin 2.1 [1].
:
2.1
Puesto que segn la ley de Lenz la fuerza electromotriz inducida debe oponerse a las variaciones
de flujo que la crea, la circulacin de las corrientes ser tal que trate de hacer girar al rotor en el
mismo sentido que el campo giratorio, ya que, de este modo, se reduce la variacin del flujo
abarcado por las espiras del primero. Es decir, la fuerza expresada en la ecuacin 2.1 producir
un par motor, incluso cuando la mquina este inicialmente parada [1].
La velocidad de giro del motor suele estar comprendida entre el 92 y 99% de la velocidad de
sincronismo. Una manera habitual de expresar la diferencia entre la velocidad de sincronismo y la
de giro es utilizar el concepto de deslizamiento, definido por la ecuacin 2.2.
2
34536
34
:
2.2
2: 72!"*#.
Es lgico pensar que toda maquinaria mvil est compuesta por una serie de piezas giratorias y
otras fijas, existiendo un movimiento de rotacin relativo entre unas y otras. Las piezas que
permanecen estticas constituyen la estructura arquitectnica del motor, mientras que las mviles
necesitan de apoyos, los cuales condicionan de una manera importante el esfuerzo necesario para
mantener girando el elemento de que se trate. Por tal motivo, los motores llevan incorporado unos
cojinetes.
Los cojinetes sirven para soportar y ubicar el eje a la parte fija del motor, adems permiten la
rotacin del eje del motor dentro de l, guiando dicha rotacin. Un cojinete est compuesto
bsicamente por dos piezas con capacidad de movimiento relativo. El mal ajuste de un cojinete al
motor ocasionara irregularidades en el entrehierro provocando excentricidades, las cuales seran
muy peligrosas ya que se correra el riesgo de rozar el estator y destruir los aislamientos de los
devanados.
En este sentido se tiene que en los cojinetes de rodadura, el gorrn del eje y la superficie de
rodadura del soporte estn separados por elementos rodantes, de forma que con el giro del gorrn
o del cojinete se genera un movimiento de rodadura y no de deslizamiento. Estos elementos de
rodadura pueden ser de diferentes formas (bolas, rodillos cilndricos, agujas, etc.) dando como
resultado diferentes tipos de rodamientos.
Particularmente, los motores de induccin utilizan dos tipos de rodamientos: los de bola los de
rodillos [5]. Se har nfasis solo en rodamientos de bola debido a que los motores a utilizar estn
constituidos por los mismos. En los cojinetes de bolas el rodamiento est compuesto por un
conjunto de esferas de metal que se mantienen en su lugar por medio de una jaula que separa las
esferas de metal. Los cojinetes de bola se clasifican de acuerdo a su configuracin en: cojinetes
de bola de ranura profunda y de contacto angular.
Los cojinetes de bola presentan una menor resistencia a la friccin y menor superficie de
rozamiento que los cojinetes de rodillo [5], razn por la cual, son utilizados en mquinas de alta
velocidades, alta precisin y baja vibracin. En la figura 2.4 se muestra un cojinete de bolas y se
indican las partes que lo constituyen, a saber:
Pista interna
Pista externa
Jaula
Rodamiento
Existen cinco movimientos bsicos que son usados para describir la dinmica de los rodamientos
y a cada movimiento le corresponde una frecuencia, las cuales son:
En donde:
7E : Dimetro de la bola.
7F : Dimetro de la jaula.
A continuacin se describen las diferentes frecuencias que describen la dinmica del cojinete.
A.
Frecuencia fundamental del eje (:; ): representa la frecuencia de giro del rotor y es muy
importante para el movimiento del rodamiento. Todas las otras frecuencias son funcin de esta.
B.
jaula por lo que puede derivarse de la velocidad lineal de un punto de la jaula 8F , la cual puede
calcularse como lo indica la ecuacin 2.3.
8F
8H I 8
,
2
2.3
8F
8H I 8
,
7F
2.4
2.5.
F
8F
donde
8H I 8 H M
7F
PQ
R
M cos V,
C.
I M
7F
2.5
PQ
R
7F O 7E M cos V
7F I 7E M cos V
1
M WF M X
Y I M X
YZ
2
2
7F
2.6
Frecuencia de paso de bola por pista interior (<>?>@ ): frecuencia con la cual la bola
pasa por un punto de la pista interna, viene dada por el nmero de bolas ('E ) que multiplica a la
diferencia de la frecuencia de la jaula (F ) y la frecuencia de la pista interna (H ), tal como se
muestra en la ecuacin 2.7 y 2.8.
'E M \F O H \ 'E M ]
H M
I M
7F
O H ]
2.7
'E M ]
_ M`6a 5
bQ Mcde f
b Mcde f
hij M`6a i Q
h
g
g
Pa
O H ]
2.8
Dado a que el eje del rotor y la pista interna se mueven a misma velocidad, ya que el eje y la pista
estn acoplados, se tiene que F l6 y sustituyendo en la ecuacin 2.8 se obtiene la ecuacin 2.9.
mm+
D.
'
M nol6 O C p M X1 I
PQ Mqrs t
7D
Yn
2.9
Frecuencia de paso de bola por pista exterior (<>?>A ): frecuencia con la cual la bola
pasa por un punto de la pista exterior, viene dada por el nmero de bolas ('E ) que multiplica la
diferencia entre la frecuencia fundamental de la jaula (F ) y la frecuencia de la pista exterior ( ),
'E M w
mmC
E.
'
H M ` F O
H M
I M
7F
O ]
7E M cos V
7E M cos V
h
I
M
`
O
h
F
2
2
O w
7F
M ]6 O C M x1 O
7E M cos V
7D
y]
2.10
2.11
2.12
girando sobre su propio eje y puede calcularse como se indica en la ecuacin 2.13.
E noH O D p M
2.13
H M
7F
_ M6_ ij M6j
Pa
E xH O
como
H M H
yM
7F
6j 56_
E H x1 O
7F
2.15
yMX
2H
Y
O H
2.16
PQ
R
M cos V y
PQ
R
M cos V, se
2.17
Finalmente, las ecuaciones 2.6, 2.9, 2.12 y 2.17 son las que describen los movimientos
caractersticos del cojinete. Tomando como referencia la pista exterior y sabiendo que H = l6 , las
ecuaciones quedan como se muestra en el tabla 2.1.
F
'
7E M cos V
7F O 7E M cos V
1
y]
M Wl6 M X
YZ mm+ 2 M ]l M x1 I
7D
7F
2
mmC
'
M ]l M x1 O
7E M cos V
7D
y]
7F
D| M cos
E
zl6 W1 O x
y Zz
27E
D}
R
Puesto que los rodamientos de toda mquina rotativa estn sometidos a una continua friccin y
movimiento, las vibraciones causadas por cualquier defecto de la mquina o agente externo se le
transmiten directamente, estos son los componentes con una tasa de fallo ms elevada [1].
de la
mquina, es decir, aparecen armnicos en las corrientes, los cuales tendrn unas frecuencias
basadas en la geometra del cojinete, la frecuencia de giro rotrica y la frecuencia de
alimentacin.
Por tal motivo, se han desarrollado diferentes tcnicas que permiten realizar el diagnstico de
estado de los cojinetes con alto grado de exactitud, tal es el caso del anlisis espectral de corriente
para la visualizacin de la magnitud de los armnicos originados
y sus frecuencias
caractersticas, cuando los cojinetes se encuentran fallados. Ahora bien, los cambios producidos
en las corrientes del motor por un falla en cojinetes, es descrita a travs de la ecuacin 2.18.
lE~ l l
:
2.18
l : %%" %" "%# 2#%" 9" " %" " #9 l%#: "2 92#"
# " l , 92#" # " l "2 l , " "2 9
Se puede imaginar una falla como un pequeo agujero, o perdida de un pedazo de la pieza sobre
el correspondiente elemento. La definicin de estos tipos de fallas es de alguna forma artificial
con respecto al dao real en el rodamiento. Sin embargo, es el nico mtodo para distinguir los
diferentes efectos de las fallas en los rodamientos sobre la mquina [5].
2.2.4.1.- INTRODUCCIN
La teora de las SVM es una tcnica de aprendizaje estadstico que ha tomado mucha atencin en
aos recientes. Los fundamentos tericos de las SVM empezaron a ser desarrollados por Vapnik
y otros autores desde la dcada de los 70. Sin embargo, no es hasta la dcada de los 90 cuando
Vapnik y sus compaeros presentan el modelo formal de las SVM como se conoce hoy en da.
Las SVM son un sistema para entrenar eficientemente las mquinas de aprendizaje lineal en los
espacios caractersticos inducidos, tomando en cuenta las ideas proporcionadas por la teora de la
generalizacin y aprovechando la teora de optimizacin. En la actualidad son utilizadas para
resolver problemas tanto de clasificacin como de regresin. Algunas aplicaciones de
clasificacin son: reconocimiento de firmas, imgenes y categorizacin de textos. Por otro lado,
las aplicaciones de regresin incluyen el anlisis de series de tiempo y problemas de inversin en
general.
Las SVM pueden resolver problemas sin conocer la naturaleza de los datos con los que se
pretende trabajar, gracias a la metodologa de aprendizaje. La idea que hay detrs de esta
metodologa es la de hacer que las mquinas puedan ir aprendiendo, a travs de ejemplos, las
salidas correctas para ciertas entradas.
2.2.4.2.- VENTAJAS
La teora de las SVM est basada en el principio de Minimizacin de Riesgo Estructural (SRM
por sus siglas en ingls), por tal razn muchos autores afirman que las SVM estn ganando
popularidad. Las SVM han mostrado tener gran desempeo, ms que las mquinas de aprendizaje
tradicional como las redes neuronales, las cuales emplean el principio de Minimizacin de Riesgo
Emprico (ERM). El principio de Minimizacin de Riesgo Estructural (SRM) minimiza un lmite
superior de riesgo esperado, opuesto al principio de ERM que minimiza el error en los datos de
entrenamiento; esta diferencia dota a las SVM con una mayor habilidad para generalizar, es decir,
tener una alta capacidad de pronstico para nuevas observaciones.
vectores atributos estn disponibles, un conjunto de hiptesis podran ser mostradas para el
problema. Entre estas, las funciones lineales son las mejores entendidas y ms simples de aplicar.
La teora de estadstica tradicional y redes neuronales clsicas, han desarrollado mtodos para
discriminar entre dos clases de ejemplos usando funciones lineales, tal como para interpolar
utilizando funciones lineales.
la clase negativa. Se considerar el caso donde l es una funcin lineal de , de manera
2.19
Donde , b x son los parmetros que controlan la funcin, la decisin es dada por
implica que esos parmetros deben ser aprendidos de los datos. Una interpretacin geomtrica de
esta clase de hiptesis es aquella en la cual el espacio de entrada es dividido en dos partes por
2.20
Los investigadores de estadstica y redes neuronales han usado frecuentemente este tipo de
clasificador llamndolo discriminante lineal y perceptron, respectivamente. El vector de pesos
2.21
Donde es el nmero de ejemplos. Se hace referencia a los H como ejemplos y los H como sus
etiquetas. La data de entrenamiento es trivial si las etiquetas de todos los ejemplos son iguales.
Para dar solucin al problema de reconocimiento de patrones se busca estimar una funcin
l: 3 1
al
usar
como
data
de
entrenamiento
ejemplos
entrada-salida
escoge la funcin estimada l , incluso una funcin la cual trabaja bien con la data de
entrenamiento, es decir,
Para observar lo anteriormente expuesto, se debe notar que para cada funcin l y algn conjunto
3
de prueba
,
,
,
,
,
~
~ 1 , donde
,
~ , , ~ , existe otra
funcin l tal que l H lH para todo 1, , , sin embargo lH lH para todo
1, , . Con esto se observa que el hecho de tener un conjunto de entrada no indica cual de las
dos funciones se debe seleccionar. Por lo tanto, solo minimizar el error de entrenamiento (o
Riesgo Emprico) definido por la ecuacin (2.22), no implica obtener un error de prueba pequeo,
ecuacin (2.23) (llamado riesgo esperado), promediado del conjunto de ejemplos de prueba
2.22
2.23
disponibles. La teora VC proporciona los lmites para el error esperado. La minimizacin de esos
lmites, la cual depende del riesgo emprico y de la capacidad de la clase de funciones, lleva al
principio de Minimizacin de Riesgo Estructural (Vapnik, 1979). El concepto de capacidad de la
teora VC es mejor conocido como dimensin VC, la cual es definida como la mayor cantidad h
de puntos que pueden ser separados en todas las formas posibles al usar funciones de una clase
de esa clase, con una probabilidad de al menos 1 O , el lmite obtenido es definido por la
ecuacin 2.24.
L I ` ,
r
~
`r ih5r` h
h
~
2.24
2.25
Para obtener un riesgo pequeo, lo que se traduce en una buena generalizacin, tanto el riesgo
emprico como la confianza VC tienen que ser pequeos. Dado que el riesgo emprico es
normalmente una funcin decremental de , esto hace, que para un nmero dado de puntos exista
La seleccin de un valor apropiado de (el cual en la mayora de las tcnicas se controla por la
cantidad de parmetros libres del modelo) es crucial para obtener un buen desarrollo,
especialmente cuando el nmero de puntos es pequeo.
proporciona la tcnica matemtica necesaria para encontrar hiperplanos que optimicen esas
medidas. En este enfoque se busca minimizar la norma del vector de pesos.
El modelo ms simple de la SVM, el cual fue el primero en ser usado, es el llamado clasificador
de margen mximo. ste solo funciona para datos linealmente separables en el espacio
caracterstico, y por lo tanto no puede ser usado en problemas de la vida real. No obstante, es el
algoritmo ms fcil de entender y constituye el bloque principal en la construccin de las SVM
ms complejas. Proporciona las caractersticas claves que definen esta clase de mquinas de
aprendizaje, y por lo tanto su descripcin es fundamental para entender los sistemas ms
avanzados.
Antes de continuar con el desarrollo del clasificador de margen mximo es necesario aclarar
algunos aspectos:
cantidad H H lH .
funciones lineales se asume que los mrgenes son geomtricos, o en otras palabras que el vector
de pesos tiene norma unitaria.
El teorema 4.18 [8] limita el error de generalizacin de las mquinas lineales en trminos del
margen *2l de la hiptesis l con respecto al conjunto de entrenamiento S. La dimensin del
teorema 4.18 supone que el margen geomtrico es el margen funcional de un vector normalizado.
Por lo tanto, se puede igualmente optimizar el margen geomtrico al ajustar el margen funcional
a 1 (los hiperplanos con margen funcional igual a 1 se conocen como hiperplanos cannicos) y
minimizar la norma del vector de pesos w. Si w es el vector de pesos asociado a un margen
geomtrico estableciendo un margen funcional en 1, las ecuaciones 2.26 y 2.27 representan los
hiperplanos cannicos. En la figura 2.8 se muestra el hiperplano separador mximo y los
hiperplanos cannicos.
i I I1
5 I O1
2.26
2.27
Para calcular el margen geomtrico se debe normalizar el vector de pesos w. Por tanto, el margen
geomtrico es el margen funcional del clasificador resultante y queda definido por la ecuacin
2.28.
1
1
1
i
5 Y
i
5
O
X
R
R
2R
2 R
2.28
2D# "
,E
H I 1
1, ,
2.29
,E,
E
O ~H H H 0
~H H H 0
Se obtiene:
~
H H
H
~
0 H H
H
2.30
En este resultado se observa que la hiptesis puede ser descrita como una combinacin lineal de
los puntos de entrenamiento. La aplicacin de la teora de optimizacin conlleva naturalmente a
la representacin dual. La representacin dual tambin se necesita para el uso de kernels.
*"*!"
2D# "
H,F
1
H O H F H F G
2
~
H H 0
H
H 0,
1, ,
margen geomtrico g. El valor de b no aparece en el problema dual, por lo tanto M debe
encontrarse haciendo uso de las restricciones primarias, tal como se muestra en la ecuacin 2.31.
M
2.31
2.32
Esto implica que solo para las entradas H para las cuales el margen funcional es 1 y por lo tanto
estn ms cerca del hiperplano, son los correspondientes H M 0. Todos los otros parmetros H M
son cero. De all, en la expresin para el vector de pesos solo esos puntos son tomados en cuenta.
Por tal razn es que son llamados vectores soporte (sv).
M
H H
H
I H H M I M
M
H4
2.33
Los multiplicadores de Lagrange asociados con cada punto se convierten en variables duales,
dndoles una interpretacin intuitiva al cuantificar la importancia de un punto del conjunto de
entrenamiento sobre la solucin final, los puntos que no son vectores soporte no tienen
influencia.
Tanto la funcin de decisin como la funcin objetivo dual tienen la extraordinaria propiedad de
que la data solo aparece dentro de un producto interno. Esto har posible encontrar y utilizar
hiperplanos en espacios caractersticos a travs del uso de kernels como se muestra a
continuacin:
Considerando un conjunto de entrenamiento , , , , ~ que es linealmente
separable en el espacio caracterstico definido implcitamente por el kernel , ! y suponiendo
H,F
1
H O H F H F o , G p
2
~
H H 0
H
H 0,
1, ,
muestra en la ecuacin 2.34. En la figura 2.9 se muestra el uso de la funcin Kernel para resolver
el problema de clasificacin.
~
l H H M I M
H
2.34
La dependencia de una cantidad como el margen introduce la posibilidad de que el sistema tienda
a fallar frente un pequeo nmero de puntos. En data real, en donde el ruido puede estar presente,
la estimacin no sera factible. Estos problemas motivan a utilizar medidas ms robustas de la
distribucin del margen. Tales medidas pueden tolerar ruido y toman en consideracin la
posicin de ms puntos de entrenamiento y no solo los que estn ms cerca de la frontera de
decisin.
Para desarrollar este enfoque se retoma el problema de optimizacin para el caso del margen
mximo:
**!"
2D# "
,E
H I 1
1, ,
Para optimizar el vector de margen dbil se necesita introducir variables de holgura que permitan
violar las restricciones del margen.
2D# "
H I 1 O H
1, , ,
H 0
,,E
I / H R
H
H I 1 O H
1, , ,
H 0
El Langraniano primario para el problema de optimizacin planteado esta dado por la ecuacin
2.35.
~
/
1
), , , I H R O H &H I O 1 I H (
2
2
2.35
,E,,
,E,,
E
O ~H H H 0
/ O 0
~H H H 0
O
1
1
H O H F H F G O
2
2/
H
H,F
2.36
2.37
*"*!"
2D# "
H,F
1
1
H O H F H F Xo , F p I HF Y
2
/
~
H H 0
H
H 0,
1, ,
1O
_ M
para todo con H M 0. Luego la regla de decisin dada por 2$olp es equivalente
H M &H M I M O 1 I H ( 0
H H M O / 0
1, ,
De esta igualdad se deduce que los nicos valores H M 0 son aquellos que para las constantes H
H M I M 1 O H , 1, ,
2.38
El punto H correspondiente con H M 0 es llamado vector de soporte. Pero hay dos tipos de
vectores soporte en un caso no separable. En el caso 0 H M /, el correspondiente vector de
soporte satisface las igualdades H M I M 1 y H 0 . En el caso H M / , el
de decisin.
Los problemas de clasificacin pueden ser resueltos a travs de una serie de pasos utilizando
softwares especiales para ello, entre los cuales se pueden destacar: SVM h , LIBSVM, diferentes
toolbox de Matlab, Spider, WEKA, entre otros. La utilizacin de los programas para llevar a cabo
la clasificacin facilita el uso de las SVM, ya que sin ellos sera bastante difcil la aplicacin de
esta tcnica.
El primer paso para llevar a cabo la clasificacin con SVM es seleccionar el conjunto de muestras
o ejemplos a ser utilizados durante el entrenamiento y durante la prueba.
Una vez que se ha seleccionado el software para llevar a cabo la clasificacin, se deben
transformar los datos al formato del software seleccionado. El formato que deben tener los datos
depende del programa que se utilizara; algunos utilizan, por ejemplo, tablas de Excel como
entrada para el entrenamiento y prueba de las SVM. Sin embargo, es necesario tener en cuenta
que las MVS requieren que cada instancia de los datos est representada como un vector de
nmeros reales. Por lo tanto, si existen atributos categricos o cualitativos, stos deben ser
previamente transformados a datos numricos.
La seleccin del modelo consiste en determinar el kernel que se utilizar, los valores de los
parmetros del mismo y el modo de evaluacin del clasificador. Por ejemplo, LIBSVM
proporciona funciones kernel: linear, polinmica, de base radial y sigmoid [9]. Para entrenar una
SVM el usuario debe seleccionar los valores apropiados para los parmetros asociados a la
funcin kernel seleccionada. Las funciones kernel son definidas de la siguiente forma:
)"
,
I %l0L6LL
m*"
,
, 5|5|
$*
, #"
I %l0
La gua de SVM [10] recomienda utilizar el kernel RBF como primera eleccin. El kernel RBF
realiza mapeos no lineales de ejemplos a un espacio de mayor dimensin, a diferencia del kernel
lineal, este puede manipular casos en los cuales la relacin entre las etiquetas y atributos no es
lineal. Adems, el kernel lineal es un caso especial de RBF.
La segunda razn por la cual se recomienda el uso del kernel RBF es la cantidad de parmetros,
ya que ste incide en la complejidad de la seleccin del modelo. Sin embargo, existen algunas
situaciones en las cuales el kernel RBF no es confiable, en particular cuando el nmero de
caractersticas es muy grande, se puede usar el kernel lineal.
usar el kernel polinomial se deben establecer los parmetros: C, , degree, coef(0), no obstante
estableciendo el grado del polinomio y el valor del coeficiente independiente se podra llevar un
de C y son los mejores para un problema determinado, en consecuencia se debe llevar a cabo
identificar buenos valores /, de manera que el clasificador pueda predecir eficientemente
frente a data desconocida (data de prueba).
Una forma muy comn de llevar a cabo este procedimiento es la de separar la data en dos partes,
de las cuales una se considera desconocida en el entrenamiento del clasificador. Entonces la
eficiencia de la prediccin sobre el conjunto desconocido puede reflejar de forma precisa la
eficacia del modelo al clasificar data desconocida. Una versin desarrollada de este
procedimiento es la validacin cruzada.
En el procedimiento de validacin cruzada se divide el conjunto de entrenamiento en
entrenado con los O 1 subconjuntos restantes. Por lo tanto, cada instancia del conjunto de
entrenamiento completo es predicha una vez, y con ello la eficacia de la validacin cruzada
representara el porcentaje de data que ha sido clasificada correctamente.
Es recomendable realizar " O 2" %" de /, usando validacin cruzada. Bsicamente
son probados pares de valores /, y aquel par con la mayor eficiencia en validacin cruzada se
selecciona. Se ha encontrado que probar con secuencias exponenciales crecientes de / y , es un
mtodo practico para identificar buenos parmetros.
2.2.4.8.4.- ENTRENAMIENTO
2.2.4.8.5.- PRUEBAS
Esta fase consiste en realizar las pruebas al clasificador desarrollado al medir la eficacia con la
cual el mismo generaliza frente a instancias desconocidas, es decir, medir la capacidad de
clasificacin para nuevas observaciones.
Es por lo anterior que los dispositivos DAQ son instrumentos ideales para una gran variedad de
aplicaciones, desde registros de datos simples hasta sistemas integrados, ya que han sido
diseados con el propsito general de medir seales de voltaje.
Generalmente, los datos o variables que se han de captar tienen un carcter de tipo analgico,
mientras que su tratamiento, almacenamiento y anlisis son mucho ms eficaces cuando se hace
digitalmente. Por lo tanto, se requiere de una etapa de acondicionamiento, que adecue la(s)
seal(es) a niveles compatibles con el elemento encargado de realizar la transformacin. El
elemento que realiza dicha transformacin es el mdulo o tarjeta de adquisicin de datos (DAQ).
Algunos de los parmetros que caracterizan a un DAQ son bsicamente: nmero de entradas
analgicas, cantidad de bit de resolucin, rango y velocidad de muestreo (nmero de muestras
por unidad de tiempo).
Nmero de entradas analgicas: comnmente nombrado como la cantidad de canales de
lectura, de este parmetro va a depender el nmero de seales analgicas que podrn ser captadas
simultneamente.
Cantidad de bit de resolucin: nmero de bits que el convertidor analgico a digital
(ADC) utiliza para representar una seal.
Rango: valores mximo y mnimo entre los que el dispositivo funciona bajo unas
especificaciones de operacin.
el SAD puede adquirir y almacenar muestras de las entradas. Las muestras pertenecern a un
nico canal o a varios, segn la configuracin, por lo que es fundamental revisar cuidadosamente
los datos suministrados por el fabricante.
Ahora bien, una teora que es fundamental tomar en cuenta a la hora de querer tomar muestras del
mundo real para generar datos, y que puedan ser manipulados por un computador, es el teorema
de Nyquist-Shannon.
Este teorema bsicamente establece que al muestrear una seal, la frecuencia de muestreo debe
ser mayor que dos veces el ancho de banda de la seal de entrada, para poder reconstruir la seal
original de forma exacta a partir de sus muestras. En caso contrario, aparecer el fenmeno del
Aliasing que se produce al infra-muestrear.
El aliasing es el efecto que causa que seales continuas distintas se tornen indistinguibles cuando
se les muestrea digitalmente. Cuando esto sucede, la seal original no puede ser reconstruida de
forma unvoca a partir de la seal digital.
Actividades: Es el conjunto de acciones que se llevan a cabo para cumplir las metas de un
programa de operacin.
Data: Representa un banco o conjunto de datos, agrupados con la finalidad de ser utilizados en
alguna aplicacin.
Generalizar: Abstraer lo que es comn y esencial a muchas cosas, para formar un concepto
general que las comprenda todas.
Mtodo: Sucesin lgica de pasos o etapas que conducen a lograr un determinado objetivo.
Modelo: Representacin en pequeo de alguna cosa. Representacin de las caractersticas que
definen un conjunto de datos.
Parada General: Situacin de un conjunto de equipos a los que se les efecta revisiones
peridicas y reparaciones programadas en un determinado periodo de tiempo.
Patrn: Modelo que sirve de muestra para sacar otra cosa igual.
Prueba: Ensayo o experimento que se hace de algo, para saber cmo resultar en su forma
definitiva.