SISTEMA FUZZY DE AUXÍLIO AO DIAGNÓSTICO DE DEFEITOS EM MÁQUINAS ROTATIVAS

ATRAVÉS DE PARÂMETROS VIBRACIONAIS

Abstract This article presents a method for detecting failures in the operation of rotating machines by selective collection of
frequencies and amplitudes of peaks. Based on changes in the pattern of vibration system, the program developed in graphical lan-
guage in LabVIEW programming environment diagnoses your operating condition. The vibrational parameters are arranged as mod-
ifying variables to the end result of fuzzy logic, which is used to drive the system failure predictions. The expert system identifies
and analyzes the peak amplitudes and the rotation frequency spectrum, and this operation occurs systematically in an automated
fashion and provides the operator expert system status in real time. Relying on heuristic knowledge of experts in the field, the fuzzy
system leads sufficiently necessary results for the diagnosis of misalignment and horizontal and vertical imbalance in the rotation
axis, we used elements of different masses to simulate faults and diagnose the operating status , that presents the diagnosis qualita-
tively: Normal; incipient failure; maintenance and danger and quantitative, and thus also possible to detect and accompanies the
evolution of failure, in addition the system have remote monitoring and storage in the database.

Keywords Predictive maintenance, fuzzy logic, spectral scanning, remote access, vibration.

Resumo Este artigo apresenta um método para detecção de defeitos em máquinas rotativas através da coleta seletiva de fre-
quências e amplitudes de picos do espectro de frequências do sinal de vibração. Baseando-se em alterações no padrão de vibração
do sistema, o programa desenvolvido em linguagem gráfica no ambiente de programação LabVIEW diagnostica sua condição de
operação. Os parâmetros vibracionais são dispostos como variáveis modificadoras para o resultado final da lógica Fuzzy, que é
usada para conduzir a predições de defeitos do sistema. O sistema especialista identifica e analisa picos de amplitudes no espec-
tro de frequência do sistema rotativo, e esta sistemática de operação ocorre de forma automatizada e disponibiliza ao operador es-
pecialista a condição do sistema em tempo real. Baseando-se no conhecimento heurístico de especialistas da área, o sistema Fuzzy
conduz resultados suficientemente necessários para o diagnóstico de desalinhamento e desbalanceamento horizontal e vertical no
eixo do sistema rotativo. Utilizou-se elementos de diferentes massas para simular defeitos e diagnosticar o estado de funcionamen-
to. O sistema apresenta o diagnóstico de forma qualitativa: normal; defeito incipiente; manutenção e perigo e, de forma quantitati-
va, sendo deste modo também possível à detecção e o acompanhamento da evolução do defeito. Além disto, o sistema dispõe de
supervisão remota e armazenamento das informações em banco de dados, possibilitando a manutenção de um histórico da máqui-
na.

Palavras-chave Manutenção preditiva, lógica Fuzzy, varredura espectral, diagnóstico de defeito, acesso remoto, vibração.

completamente verdadeiro. Conduzindo a manipula-

1 Introdução
Na natureza, a maioria dos sistemas alteram-se
em domínio do tempo com reações aperiódicas e de-
sequilibradas, onde uma pequena variação em seu
estado atual implica em grande modificação em seu
estado futuro, dando a estes sistemas passividade a
instabilidade. Os esforços em modelar matematica-
mente estes fenômenos físicos conduzem a intercala-
ção de técnicas de modelagens de sistemas para a
condução de um modelo físico-matemático aproxima-
do. É improvável um operador humano conduzir di-
versos sistemas se compreender a matemática e a físi-
ca ao se redor. Porém, este mesmo operador é extre-
mamente capaz de manipular variáveis de entrada que
influenciem as saídas do processo, o que o conduz a
adquirir conhecimentos heurísticos sobre o sistema.
Com esta prerrogativa a automação de processos in-
dustriais buscou novo enfoque baseado na teoria de
controle de sistemas não-lineares e inteligência artifi-
cial, propondo adequação a conceitos já existentes
para a emulação de conhecimentos adquiridos da ex-
periência humana. A imitação do comportamento
humano no controle de processos surgiu como uma
alternativa plausível de controle industrial.
Proposta em 1965 por Lotfi Asker Zadeh (Zadeh,
1965), a lógica Fuzzy ou logica difusa baseia-se no
conceito de verdade parcial, onde o valor lógico com-
preende o infinito campo do completamente falso e
ções para uso em aplicações imprecisas, ambíguas ou
vagas. Para a automação de processos industriais, esta
ferramenta mostra-se extremamente útil, visto que a
maioria dos problemas ligados a controle podem ser
solucionados com a aplicação de seu conceito.
Sua utilização no controle de processos é de fácil
implementação, pois neste caso está ancorada na ex-
periência dos operadores ou especialistas em deter-
minado processo industrial, portanto não exige mode-
lamento matemático. Esta forma de aplicação para
esta ferramenta foi primeiramente proposta por
Ebraim Mamdani no controle de máquinas a vapor
(Mamadani, 1974). Este já havia tentado variados
tipos de controle, contudo sem sucesso.
Algum tempo depois, estudos mostraram que este
conceito aplicado a controladores acabou por condu-
zir a uma maior eficiência em processos de acelera-
ção, frenagem a parada de trens no metro de Sendai,
Japão (Yasunobu et al., 1983). A melhoria destes
controladores está ligada a aceleração e parada mais
suaves, conduzindo a um estado de satisfação ideal a
seus passageiros, além de reduzir o consumo de ener-
gia.
Há várias aplicações envolvendo lógica Fuzzy,
como controle de eletrodomésticos, drones, elevado-
res, dentre outras. A implementação de um controle
automático em uma instalação que sempre foi contro-
lada por operadores humanos, pode gerar preocupa-
ção. Porém, neste caso, o sistema de diagnóstico abre
a oportunidade de melhoria baseado no operador es-
pecialista, onde é possível mostrar em uma tela a saí-
da do controlador Fuzzy apenas como sugestão para o
controlador humano, o qual executa a função de con-
trole. O operador verifica se aceita ou não a sugestão
do programa, o que dá consistência e melhora a base
de regras do controlador.
2 Lógica Fuzzy
A lógica clássica ou lógica padrão relaciona um
elemento como pertencente ou não a um determinado
conjunto, admitindo dois níveis de classificação. De-
finindo assim o principio da bivalência. Na prática,
variáveis relacionadas com determinados processos,
quando considerado o principio da bivalência, são
controladas para estados pré-definidos, como “sim ou
não”, “ligado/desligado”, “cheio ou vazio”.
Entretanto, para determinados controles de pro-
cessos industriais a lógica clássica não caracteriza
seus estados de funcionamento. Levando como exem-
plo, que para sistema de controle de nível o limiar do
valor estabelecido com verdadeiro não é considerado,
pois ainda é compreendido como valor falso. Para
sistemas de supervisão de nível de líquidos, gases, ou
determinados sólidos, dentre outros, conclui-se que
para seu controle o principio da bivalência não se
adequa.
Esta incerteza existente dado processo de contro-
le é solucionada a partir da teoria de conjuntos Fuzzy,
desenvolvida por Lofti Zadeh (Zadeh, 1965). Admi-
tindo valores limiares ao valor real, a ferramenta lógi-
ca Fuzzy pode ser aplicada para eficiente controle
baseado em raciocínio aproximado para dados com
incerteza, possibilitando à automação industrial um
senso humano para um maior e sutil controle de sis-
temas.
Podendo ser útil também em tomadas de decisão.
Por exemplo, a associação de tarefas e ações em uma
linha de produção ou no planejamento de tomadas de
decisões empresariais, o seu uso pode significar rele-
vantes vantagens em diminuição de custos, devido à
facilidade de implementação dessas estratégias
(Shaw, 1999). A Lógica Fuzzy é base para sistemati-
camente transformar conhecimentos heurísticos, que
são a preferência humana, para elementos numéricos
e conhecimentos quantitativos, que são a linguagem
dos computadores, e vice-versa.
O modelo heurístico, ou baseado em experiência
prévia, possibilita a criação de funções entradas e
saídas, que variam de acordo com a necessidade do
sistema e exploram todo o domínio. Com isto é pos-
sível solucionar impasses quando os parâmetros a
serem considerados são desconhecidos, variantes no
tempo ou quando o espaço de busca é grande. Para o
Fuzzy, uma função real de entrada-saída é constituída
por segmentos que correspondem a regiões da função.
A seção indicaria um conjunto de valores prováveis
em vez de indicar um elemento exato da função de
entrada&saida.
Quanto se tem uma maior cobertura de região,
também se tem uma maior gama de valores possíveis
neste conjunto para representar um ponto real. Cada
região é retratada por regra heurística com um antece-
dente e uma consequência como “se-antecedente-
então-consequência”. Da mesma maneira, incertezas
nas regras correspondem a regiões menores. Partindo
do Teorema de Aproximação Fuzzy, uma curva sem-
pre pode ser transmutada em descrições verbais diante
de um número finito de regiões Fuzzy [Shaw, 1999].
Para a Lógica Fuzzy a pertinência indica o grau
de relacionamento de um determinado conjunto. As
funções de pertinência são utilizadas para medir este
grau.
2.1 Raciocínio Fuzzy
O sistema de auxilio ao diagnóstico proposto
neste trabalho está apoiado em modelos propostos
por Mamdani e Assilian (Mamdani and Assilian,
1975) e Takagi e Sugeno (Takagi and Sugeno, 1985).
A logística de inferência Fuzzy usa uma gama de con-
ceitos da lógica Fuzzy e de forma automática faz to-
madas de decisões. E, além disto, disponibiliza ao
projetista do sistema a liberdade de conduzir a logís-
tica de inferência em função liga-la à compreensão e
experiências descritas previamente pelo operador. A
estrutura básica de um sistema de inferência em forma
de fluxograma é mostrada na figura 1.
Figura 1: Inferência Fuzzy
2.2 Nível Linguístico
No nível linguístico estão dispostas variáveis lin-
guísticas que são tratadas com palavras ou sentenças,
cada uma pode assumir um conjunto de valores intitu-
lado variável base e dentro desta são dispostas variá-
veis Fuzzy.
2.3 Nível Numérico
Neste nível da logística Fuzzy os valores são dis-
postos em forma numérica ao fuzzificação, estes valo-
res são dados de amplitudes e frequências colhidos de
picos no espectro de frequência. Da mesma forma
dados de saída do processo são numéricos e são dis-
postos para na etapa de supervisão.
2.3 Inferência
 A base das regras: para sistema Fuzzy foi
disposta a partir de dados coletados de co-
 nhecimentos de especialista na identificação
de frequência e amplitude de vibração de de-
feitos, a partir disto os limites de cada regra
foi linearizado para cada estado de funcio-
namento do sistema rotativo.
 As regras: para o sistema de inferência Fu-
zzy, ou regras de inferência, são correspon-
dentes ao limiar de detecção de defeitos no
sistema rotativo. Estas são do tipo Se-Então,
podendo ser compostas por um antecedente
e uma consequência. Estas regras compõem
a saída do sistema.
2.5 Fuzzificação
Nesta etapa os dados coletados são convertidos
em valores linguísticos. Para tal, a fuzzificação se
utiliza de funções de pertinência anteriormente defi-
nidas como funções trapezoidais, gaussianas, triangu-
lares, singleton, e suas variações. E verifica o grau de
pertinência de cada elemento de entrada.
2.6 Defuzzificação
Processo contrário a fuzzificação, nele a variável
Fuzzy é transformada segundo métodos como cen-
troide, média de máximos, primeiro máximo e ultimo
máximo, bissietorem e suas variações em valor numé-
rico. Neste trabalho esses valores são fatores centrais
na composição de sistema de auxilio ao diagnóstico.
3 Método Proposto
A manutenção preditiva tem como objetivo
acompanhar a evolução de um defeito para evitar a
ocorrência de falhas, com isso minimizar a ociosidade
originada por falhas, este processo reflete grandemen-
te na eficiência global da instalação (Nepomuceno,
1989). Segundo este conceito, a detecção de qualquer
alteração de padrão de uma variável indicadora, neste
caso vibração, será possível prever a evolução e pro-
gramar uma parada para manutenção ou ajustes na
máquina. O método para detecção de defeitos e auxí-
lio ao diagnóstico do funcionamento baseia-se na
varredura do espectro de vibração até a terceira har-
mônica, através do qual se constrói um espectro pa-
drão de vibração para a máquina, denominado assina-
tura espectral do sistema rotativo. Com este fim, fo-
ram coletadas dez amostras do sistema rotativo em
estado normal de funcionamento. Como mostrado na
figura 2.
Figura 2: Assinatura espectral do sistema rotativo
É importante citar que a máquina foi ensaiada di-
versas vezes com o intuito de chegar a um padrão
normal de vibração, foram feitas manutenções no eixo
e no motor, assim como em sua base e seus mancais.
Esta logística validou esta assinatura de espectro.
Verificou-se que a frequência de rotação do sistema e
sua primeira e segunda harmônica possuem valores de
amplitude com aproximadamente 0,036 mm/s, 0,054
mm/s e 0,055 mm/s respectivamente para 20Hz, 40Hz
e 60Hz.
4 Certificação de Dados
Os dados apresentados por um sistema de medi-
ção, neste caso sistema rotativo, deve corresponder ao
valor verdadeiro do mensurando. Porém, não é isso o
que sempre ocorre. Existem imperfeições do sistema
de medição, além de limitações ligadas ao operador e
as condições ambientais estes são exemplos de fato-
res que induzem erros de medição (Albertazzi, 2008).
Houve um estudo direcionado para detecção do erro,
para tal houve levantamentos de dados e cálculos de
tendência, repetitividade para gerar o gráfico de erro
para os valores dispostos no software e advindos do
inversor de frequência, este valor é disponibilizado
em uma saída analógica podendo ocorrer dentro da
faixa de 0 a 10 volts, logo, fez-se uma conversão de
volts para frequência em Hz. Este estudo de erro é
considerado de suma importância para o valor de
conversão, pois é considerado essencial para precisão
dos valores posteriormente dependentes dele. Na prá-
tica, o estudo gera tendência de valores e consequen-
temente valor para correção. É importante citar que
este mesmo estudo foi feito para valores de amplitude
vindos dos acelerômetros, foi levando em considera-
ção a calibração destes sensores junto a um equipa-
mento com certificado de calibração.
Isso significa, para estas condições, que à apro-
ximadamente 95% de probabilidade de ocorrência de
valores dentro da faixa média de 0,08 +2,03 – 1,86 e
com 1,96*σ. A tendência média é de 0,08, e a corre-
ção de -0,08. Na figura 3 as faixas de valores delimi-
tadas pelas curvas na cor azul representam o limite de
erro máximo admissível. E a curva central correspon-
de a valores de tendência.

Figura 3: Curva de Erro
5 Arquitetura e Concepção do Sistema Fuzzy
Os valores para as funções de pertinência foram
espelhando na norma ISO 2372. É importante citar
que com o uso frequente deste gênero de maquinário
sua assinatura espectral pode mudar em função de
alguns fatores como instabilidade estrutural, desba-
lanceamento e desalinhamento de longa ocorrência,
mudanças no ajuste de apoio, desgaste, fadiga em
elementos. Logo, optou-se por acolhimento dos valo-
res em normatização para vibrações em máquinas
rotativas como alicerce para valores de funções de
pertinência. O sistema de auxilio ao diagnóstico dis-
ponibiliza em forma quantitativa a indicação do esta-
do do sistema no universo discutido, á medida que a
qualitativa compreende o desenvolvimento da variável
primária medida. Os valores tratados e corrigidos
advindos de outras fases do sistema são separados em
amplitudes para cada sensor de forma que a 1º, 2º
hormônica e frequência nominal do sistema possam
formar a entradas para cada complexo de blocos de-
signados para a lógica Fuzzy.
Para a metodologia aplicada neste sistema de su-
pervisão verificou-se a existência várias entradas e
uma única saída para objetivo do trabalho, esta situa-
ção classificou o sistema com MISO, característica
que foi irrefutável no decorrer da estruturação em
programação gráfica. Nas figuras 4 e 5 são disponibi-
lizadas as funções de entrada e saída respectivamente.
Figura 4: Funções de pertinência entrada
Figura 5: Funções de pertinência Saída
6 O Processamento com LabVIEW
O LabVIEW é um software com ambiente que
possibilita o desenvolvimento de programação e foi
criado exclusivamente para acelerar a produtividade
de engenheiros e cientistas. Nele podem-se desenvol-
ver blocos com funções específicas ou simplesmente
usar suas bibliotecas, o fluxo de dados é ordenado
com a ligação dos blocos. Cada bloco é designado
como instrumento virtual ou VI, podendo conter saí-
das e entradas e, em eventual caso de erro, conta ain-
da com uma saída exclusiva para este fim. Para este
trabalho foram usadas bibliotecas disponibilizadas
pelo próprio software.
O fluxo de dados começa na aquisição de dados
em uma placa de tratamento com ganho de cinquenta
para os sinais dos acelerômetros. Os dados de acele-
rômetro vertical, horizontal e inversor de frequência
são separados. Os dados do acelerômetro sofrem tra-
tamento para transformação de unidade, neste caso
mm/s, e logo depois são designados para transforma-
ção de escala, passando de tempo em segundos para
frequência. Já para o sinal advindo do inversor é feita
correção em função do levantamento do erro. No blo-
co seguinte é imposta uma lógica de varredura para
encontrar amplitudes precisamente correspondentes à
frequência. Já com essas amplitudes coletadas o fluxo
segue para a lógica Fuzzy, onde os dados numéricos
são transformados em linguísticos, no fim deste pro-
cesso os dados são entregues a análise para disponi-
bilização de salvamento em banco de dados, sobre
critérios os dados são divididos para salvamento ou
não, porém estes mesmos são dispostos de forma in-
tegral no supervisório e supervisório - Web. O méto-
do executado nesta etapa do projeto está disponibili-
zado em sua forma básica de estágios de operação na
Figura 6.
Figura 6: Fluxograma LabVIEW
7 Coleta Automática de Dados
A etapa de coleta automática de amplitudes é de
grande relevância para concepção do sistema. Ela está
ancorada em um método de aquisição seletiva de da-
dos de picos, o sistema reconhece e coleta automati-
camente dados de qualquer pico ou vale selecionado
no espectro de frequência estudada. Este método faz a
seleção exclusiva de dados necessários ao diagnóstico
Fuzzy, para tal usa-se o valor de referência que é dis-
ponibilizado pelo inversor de frequência, este dado é
admitido como referência para posição amplitude no
vetor de espectro de frequência. O funcionamento
básico é demostrado na figura 7.
Figura 7: Varredura espectral
8 Identificação de Falhas
8.1 Desalinhamento
O desalinhamento testado foi de grau angular, e
para sua simulação foram feitos testes com desloca-
mento do motor em aproximadamente cinco graus em
relação ao mancal. Os testes tiveram como finalidade
causar modificações pautadas na classificação de
amplitudes da norma base do trabalho. Os defeitos
simulados foram identificados no sistema supervisó-
rio. Os testes objetivaram a situação rotineira de tra-
balho para este gênero de máquina, que neste caso
exigiria parada da máquina por parte do especialista
para manutenção.
Em rotinas de testes analisando o sistema rotati-
vo verificam-se escalas de frequências em que ampli-
tudes variam de classificação na norma, uma determi-
nada amplitude para determinada frequência poderia
mudar drasticamente em outra. Na figura 8 foram
coladas cinco amostras de 10Hz, 20Hz, 30Hz, 40Hz e
50Hz. Analisando os espectros de amostras no plano
Z, verificam-se variações nas frequências nominais e
nas 1º, 2º harmônicas em relação a outras amostras,
mais para determinadas amostra há extrema variação,
como visto para as amostras de 10Hz e 40Hz. Para
esta rotação conclui-se que a o desalinhamento carac-
terizado em muitas vezes pela a ocorrência das três
primeiras harmônicas é extremamente evidente. Exis-
tem infinitas possibilidades para variação destes três
valores de amplitude, por esta razão seria extremante
trabalhoso a construção de um sistema analisador em
outra lógica, para infinitas possibilidades a logica
Fuzzy é extremante útil.
Figura 8: Desalinhamento
8.1 Desbalanceamento
De acordo com Ya´cubsohn (Ya´cubsohn, 1983),
o defeito de desbalanceamento em um sistema rotati-
vo apresenta uma vibração de interesse na frequência
de rotação do sistema girante, esta frequência é dita
nominal. Analisando a figura 9 com gráficos em cas-
cata para diferentes picos da frequência normal do
sistema percebe-se grande discrepância do primeiro
pico em relação aos outros, o sistema supervisório
identifica automaticamente esta amplitude A ampli-
tude para esta falha apresenta valores em mm/s dispo-
níveis em norma e nela são classificados em bom,
permissível, tolerante e não permissível. A figura
abaixo mostra dez amostras coletadas em uma fre-
quência nominal de 20Hz. Em caráter de teste e vali-
dação do método e sistema desenvolvidos inseriram-
se massas de 3g no volante. Cada inserção foi subme-
tida ao diagnóstico Fuzzy.
Figura 9: Desbalanceamento
9 Sistema Rotativo
Um sistema mecânico pode apresentar muitos
modos de vibração e muitas frequências principal-
mente se for complexo, contendo várias partes giran-
tes ou oscilantes. O sistema rotativo é composto por
um motor com eixo fixado por dois mancais engasta-
dos em rolamentos radiais de esferas acoplados. Com
defasagem de 90º, os sensores são fixados no mancal
da máquina. A máquina e seus componentes são dis-
postos na figura 10.

Figura 10: Sistema Rotativo
7 Supervisório e Acesso Remoto
Figura 11: Supervisório e Acesso Remoto
No sistema de supervisão disponível na figura
11, o operador tem a opção de além de visualização
no computador local também pode supervisionar por
acesso remoto, de modo que as funções de parada do
sistema, seleção de porta de aquisição de dados, visu-
alização de dados em banco, visualização de dados
referentes à lógica Fuzzy, visualização de gráficos do
tempo e frequência nos dois sensores também são
disponibilizadas online. Na figura 12 é apresentado o
fluxograma desta etapa do traba-
lho.
Figura 12: Acesso Remoto
9 Conclusão
Os defeitos estudados neste trabalho podem ser
preditos pela indicação de modificações incipientes
na amplitude e frequência dos sinais adquiridos. A
possibilidade de acompanhamento na forma qualitati-
va e quantitativa da sua evolução garantem uma con-
duta de manutenção antecipada para que não ocorram
falhas. Seguramente estas falhas elevam a classifica-
ção de perigo de funcionamento da máquina, o que
eventualmente levará a parada total, seja por rompi-
mento, empenamento de eixo ou folga de mancais. As
conclusões chegadas e as dificuldades encontradas no
decorrer das pesquisas e experiências práticas são
satisfatórias. Podem ser citados os resultados da óti-
ma precisão de dados de saída com tendência média
de 0,08. A metodologia proposta diagnostica ocor-
rências de alterações correspondestes a defeitos e
dispõem de uma considerável sensibilidade. Os resul-
tados para sistema de auxilio ao diagnóstico mostra
que este sistema detecta elementos desbalanceadores
de 3g de massa em um volante de alumínio de 900g
de massa, resultando em uma relação de aproximada-
mente 1:100. A logística usada pode ser aplicada a
outros sistemas rotativos. Onde devem ser feitas
adaptações referentes a monitoração do sistema.
Agradecimentos
Nossos agradecimentos aos senhores professo-
res: Anderson José Costa Sena, por sua indubitável
orientação aplicada em todas as áreas estudadas no
decorrer deste trabalho, Wellington José F. de Lima
por auxilio em estudos aplicados a instrumentação e
metrologia.
Referências Bibliográficas
Albertazzi, Armando G. Jr e Roberto, André R.
(2008). Fundamentos de Metrologia: Cientifica e
Industrial. Manole, São Paulo.
Mamdani, E. H. (1974). Application of fuzzy al-
gorithms for simple dynamic plant, Proce- edings
of Institute of Electrical Engineering 121: 1585–
1588.
Mamdani, E. H. and Assilian, S. (1975). An expe-
riment in linguistic synthesis with a fuzzy lo- gic
controller., International Journal of Man-
Machine Studies 7(1): 1–13.
Nepomuceno, L. Xavier. (1989). Técnicas de
Manutenção Preditiva, Vol.1 .Edgar Blucher,
São Paulo.
Shaw, Ian S. e Simões, Marcelo G. (1999). Controle e
Modelagem Fuzzy. Edgard Blücher Ltda, São
Paulo.
Takagi, T. and Sugeno, M. (1985). Fuzzy iden-
tification of system and its applications to
modeling and control, IEEE Transactions on
Systems, Man and Cybernetics pp. 116–132.
Yasunobu, S., Miyamoto, S. and Ihara, H. (1983).
Fuzzy control for automatic train operation
system, Proceedings of 4th IFAC/IFIP/IFORS -
International Congress on Control in
Transportation Systems pp. 33– 39.
Ya’cubsohn, R. V. El Diagnostico de fallas por
analisis vibratorio.Die Techik Ltda. São Paulo,
1983.
Zadeh, L. (1965). Fuzzy sets, Information Control 8:
338–353.