Articulo.clasificación Automática de Patrones de Desbalanceo en Una Maquina Rotativa

8/17/2019 Articulo.clasificación Automática de Patrones de Desbalanceo en Una Maquina Rotativa

http://slidepdf.com/reader/full/articuloclasificacion-automatica-de-patrones-de-desbalanceo-en-una-maquina 1/7

Universidad Antonio Nariño. ANGARITA O Robinson, ZAPATA C Nelson, Clasificación Automática De Patrones DeDesbalanceo En Una Maquina Rotativa, Utilizando Lógica Difusa.

Premio Colombiano de Informática ACIS 2011

1

Resumen — La lógica binaria de las computadorasmodernas frecuentemente falla cuando trata dedescribir la verdad del mundo real. La lógica difusaofrece alternativas más satisfactorias. Lascomputadoras no razonan como lo hace el cerebrohumano. Las computadoras funciona con semanipulan hechos precisos, que han sido reducidosa cadenas de ceros y unos e instrucciones que

pueden ser falsas o verdaderas. El cerebro humano puede razonar a partir de aserciones vagas oafirmaciones que involucran incertidumbre o juiciode valor como son “el aire esta algo caliente”, “el

vehículo se mueve muy rápido”, “esa mujer es muy

joven”. A diferencia de las computadoras, lohumanos tienen sentido común, que le permiterazonar en el mundo en donde las cosas son sólo parciales de la verdad. La lógica Difusa es una ramade la inteligencia artificial que ayuda a lascomputadoras a representar toda la gama de

imágenes del sentido común en un mundo lleno deincertidumbres. He aquí esta tesis aporta unosavances en el estudio de la lógica difusa aplicada ala clasificación de señales vibracionales que son tanimportantes para el mantenimiento de equiposindustriales. Por esta razón se hace el estudio paragenerar un clasificador de señales utilizando la

lógica difusa, de esta manera poder remplazar en parte la experiencia humana en la detección decasos de falla en maquinas usando los tradicionalesmétodos de análisis vibracional.

Ya que el concepto de lógica difusa es muycomún, y está asociado con la manera en que las personas perciben el medio, lo que permite dealguna forma hacer lo que hace el humano.

Abstrac — The binary logic of modern computersoften crashes when trying to describe the truth ofthe real world. Fuzzy logic provides moresatisfactory alternatives. Computers do not reasonas the human brain does. Computers work with precise facts, which have been reduced to strings ofzeros and ones and instructions true or false. Thehuman brain can reason from vague assertions orstatements that involve uncertainty or value judgment such as "hot air is something," "thevehicle is moving very fast", "this woman is veryyoung." Unlike computers, humans have commonsense, which allows you to reason in the worldwhere things are only partial truth. Fuzzy logic is a branch of artificial intelligence that helps computersto represent the full range of images of commonsense in a world full of uncertainties. Here thisthesis provides some advances in the study of fuzzylogic applied to the classification of vibrational

CLASIFICACIÓN AUTOMÁTICA DEPATRONES DE DESBALANCEO EN UNA

MAQUINA ROTATIVA, UTILIZANDO LÓGICADIFUSA Y TRANSFORMADA FOURIER,APLICADA A REGISTROS OBTENIDOS A

PARTIR DEL SENSADO DE VIBRACIONESMECÁNICAS EN UN BANCO DE PRUEBAS

ANGARITA O Robinson, ZAPATA C [email protected], [email protected]

Universidad Antonio Nariño

mailto:[email protected]






2

signals that are very important for the maintenanceof industrial equipment. For this reason, the study isto generate a signal classifier using fuzzy logic, sothat It partly replaces human experience in detectingcases of failure of machines, using the traditional

methods of vibrational analysis.Since the concept of fuzzy logic is very common,and It is associated with how people perceive theirenvironment, which allows somehow to do whathumans do.

Índice de Términos — Lógica difusa, Vibraciones Mecánicas, Mantenimiento Predictivo, Desbalance.

I. INTRODUCCIÓN

El mundo empresarial en los últimos años se hadesarrollado a un ritmo acelerado, influenciado porla competitividad, esto hace importanteimplementar un programa de mantenimiento con elobjetivo de proteger los equipos y máquinas paraaumentar su tiempo de servicio y alargar su vidaútil.El análisis de vibraciones mecánicas se utiliza comouna herramienta de monitoreo y diagnóstico de

fallas, y hace parte del programa de mantenimiento predictivo; estas técnicas permiten evaluar lascondiciones externas de una máquina sin necesidadde desarmarla y sin afectar su funcionamientonormal, las señales de vibración se van captando entiempo real con la máquina funcionando de talforma que se pueda predecir a través del monitoreocuando esta va a fallar, logrando así grandesventajas en la competitividad de las empresas.De acuerdo a lo anterior, es de suma importanciarecopilar información crítica en forma clara y

oportuna para mejorar la toma de decisiones en los procesos de implementación de sensores ytransductores para realizar una clasificaciónautomática [1] de patrones de desbalanceo. Para lasolución de este problema en la UniversidadAntonio Nariño se han venido desarrollandoalternativas que van desde la construcción de un banco de pruebas para análisis de vibracionesmecánicas en maquinaria rotativa, en el cual se pueden inducir condiciones de operación variadas y

registrar las vibraciones provocadas en cada modo;hasta sistemas expertos [2] que buscan determinarla condición de operación del equipo en formaautomática y con buen acierto. No obstante segúnlos trabajos precedentes, se ha identificado lanecesidad de cambiar el sistema de decisiónimplementado en dichos trabajos con el fin demejorar la capacidad de clasificación del sistema yasí aportar conocimiento en el estudio y evaluaciónde equipos en este campo de aplicación.El propósito de este proyecto es continuar con lalínea de investigación desarrollada por launiversidad Antonio Nariño, para crear solucionesinteligentes y eficaces, que informen al usuario elestado de las máquinas para así minimizar costos demantenimiento correctivo e evitar paradasimprevistas que afectan el buen funcionamiento del

proceso productivo de la empresa.

En el presente trabajo se ha dispuesto la realizaciónde un sistema para una Clasificación automática de patrones de desbalanceo en una maquina rotativa,utilizando lógica Difusa y transformada Fourier,aplicada a registros obtenidos a partir del registro devibraciones mecánicas en un banco de pruebas.

La UNIVERSIDAD ANTONIO NARIÑO con elfin de avanzar en tecnología e investigación ha

desarrollado varios proyectos anteriores el primerofue el del banco de pruebas para análisis devibraciones [3] para estudiar las características de laseñal obtenida a través de la implementación deanálisis de fases [4] y la Transformada Wavelet[5] [6] [7]. Posterior a este se implemento laclasificación de patrones usando las redesneuronales artificiales [8], que permitirá seguirincursionando en el campo investigativo. Entonceseste trabajo busca encontrar otra forma de clasificarlas señales vibratorias utilizando lógica difusa

(Fuzzy logic) para distinguir la señal de unamaquina con falla por desbalanceo de una normal(Sin falla), Es importante tener en cuenta que la proyección del laboratorio de vibraciones sirva parael estudio y la enseñanza de la misma, fortaleciendolos conocimientos vistos en clase del estudiante através de herramientas pedagógicas como la líneade investigación que lleva este banco devibraciones.





3

II. LÓGICA DIFUSA COMO CLASIFICADOR DE

VIBRACIONES MECÁNICAS

A. Logica difusa

El concepto de lógica difusa es muy común, estáasociado con la manera en que las personas

perciben el medio, por ejemplo ideas relacionadascon la altura de una persona, velocidad con la quese mueve un objeto, la temperatura dominante enuna habitación, cotidianamente se formulan demanera ambigua y depende de quién percibe elefecto físico o químico, será su enunciado acerca detal fenómeno. Una persona puede ser alta o baja,algo puede moverse rápido o lento, una temperatura puede ser baja o moderada o alta, se dice que estasafirmaciones acerca de una variable son ambiguas porque rápido, bajo, alto son afirmaciones del

observador, y estas pueden variar de un observadora otro. Uno se puede preguntar cuándo algo es frío ocaliente, ¿qué tan baja es la temperatura? cuandodecimos frío, o ¿qué tan alta? es cuando decimoscaliente.Los conjuntos difusos definen justamente estasambigüedades e intenta modelar la ambigüedad conla que se percibe una variable. Los conjuntosdifusos son la base para la lógica difusa.

B.

Conjuntos difusosLos conjuntos clásicos, tienen limitaciones, ellosdefinen un universo discreto con bordes biendefinidos, en ellos un elemento no pueden pertenecer a cierto conjunto, algo es falso o esverdadero; En este punto los conjuntos borrososson una extensión de los clásicos, para describir laambigüedad de un conjunto borroso se lograañadiendo una función de membrecía o pertenecíadenominada µA(x), esta indica el grado en que lavariable x incluida en el conjunto A con valores

entre 0 y 1, si esta función toma el valor 0 significaque el valor de x no está incluida en la etiqueta A ysi toma 1 el correspondiente valor de x estáabsolutamente incluido en A.Los conjuntos difusos son la base para la lógicadifusa, del mismo modo que la teoría clásica deconjuntos es la base para la lógica Booleana. Conlos conjuntos difusos se realizan afirmacioneslógicas del tipo si-entonces definiéndose estas conLógica Difusa. Este tema es propio de inteligencia

artificial, donde se intenta emular en pensamientohumano. En el control industrial, se tiene en cuentala experiencia como base de conocimiento deloperario, esto será útil para emular elcomportamiento humano con una máquina.En siguiente Figura 1 se muestra un ejemplo deconjunto borroso dividido en 3 subconjuntos {Baja,Media, Alta}, con sus respectivas funciones demembrecía {µBaja(x), µMedia (x), µAlta(x)}.

Figura 1. Conjuntos borrosos y funciones de membrecía

Fuente: Los autores

C.

Modelo de clasificador difuso propuesto

El modelo propuesto para el clasificador difuso se presenta en la Fi gura 5 , en donde se observan losvariables de entrada llamadas Antecedente, Éstosvalores entran al clasificador (cuadro central), pasando por la etapa de fuzzificación, la cualentrega los valores al motor de inferencia difusa

(Borrosa) que junto a las reglas difusas computa losconjuntos difusos de salida por cada una de lasreglas difusas, estos conjuntos entran a la etapa deDefuzzificacion, la cual como se mencionóanteriormente transforma los conjuntos de salida enun valor representativo de pertenecía para el caso en particular de estudio.

Figura 2. Modelo de clasificador difuso

Fuente: Los autores





4

D.

Funciones de membrecía

Ya que el método que se plantea para configuraciónde clasificador difuso es prueba y error, se empezó por utilizar para todas la funciones de membrecíauna función de tipo triangula.

El rango para cada uno de los conjuntos difusos seescogió observando el máximo y el mínimo de lasseñales vibracionales obtenidas de banco de pruebas.Los rangos para cada uno de los conjuntos difusos(RMS, PICO, ENERGIA) se obtienen del análisisde cada una de las señales Vibracionales paraobtener los correspondientes valores. Presentadosen la TABLEI, muestra los tres valores necesarios para configurar una función triangula, estos valores pertenecen a cada una de las funciones demembrecía de los conjuntos borrosos de entrada(RMS, PICO, ENERGÍA):

TABLE ICONJUNTO BORROSO Y SUS FUNCIONES DE MEMBRECÍA

Conjunto Borroso Función membrecía

RMSµBajo=[0.97 0.98 0.9936]µMedio=[0.985 0.989 0.994]µAlto= [0.9851 1 2]

PICOµBajo= [0.97 0.99 0.9966]µMedio= [0.993 0.9948 0.997]µAlto = [0.993 1 2]

ENERGÍA µBajo= [0.96 0.97 0.987]µMedio= [0.97 0.981 0.9875]µAlto= [0.9701 1 2]

CONDICIÓNµNORMAL= [-1 0 0.4 0.7]µDESBALANCE=[0.65 0.85 1 2]

E.

MATLAB como herramienta de configuracióndel la lógica difusa.

Utilizando la herramienta informática de toolbox

Matlab llamado fuzzy, configuraremos losantecedente y consecuentes para el clasificadordifuso de desbalanceo, así como las reglas pertinentes y necesarias para la inferencia delclasificador.Esta herramienta permitió hacer pruebas paraencontrar la mejor configuración para el clasificadordifuso.

III. R ESULTADOS

Se hicieron barias pruebas para llegar a laconfiguración mas optima para el clasificadordifuso, El proceso de estas pruebas se describe en lagrafica siguiente Fi gura 5 .

Ésta grafica muestra los pasos posteriores a laconfiguración inicial del clasificador Difuso en elToolbox de Matlab “Fuzzy”, de la forma que sedescribió anteriormente.

Figura 3. Proseo de configuraciones del clasificador difuso

Fuente: Los autores

Después de exportar el archivo “.fis” al que se

llamo “00-FUSI”, con este nombre lo ingresamos en

la variable “nombre” del script “CLASDIFUSI”, élcual contiene las instrucciones necesarias para larecopilación de las 16 pruebas realizada,agrupándolas en una matriz llamada “Entradas” esta

matriz serán los datos de RMS,PICO,ENERGÍA, para cada una de las pruebas, éste mismo scriptejecuta el clasificador difuso y entrega los valoresde salida para cada una de las pruebas a clasificar,también calcula el error de fallas basándose en losvalores medios para las pruebas normales y dedesbalance. Este error representa la diferencia





5

promedio del valor de la salida del clasificador conrespecto al valor medio para todas. Los resultadosobtenidos para cada una de las configuraciones quellevaron a la configuración fina se presentan acontinuación.

A. Salida del clasificador difuso propuesto

Se observo que las salidas del clasificador difusosiempre tenían un comportamiento parecido a unaS, donde las pruebas de desbalance se ubicaban enla parte superior de la figura y las pruebas normalesen la parte inferior, para el caso en particular seordenaron las pruebas iniciando con las que no presentan falla y posterior las que si presentan falla, para tener una estimación de cuál debería ser elvalor representativo de la zona de desbalance y la

normal se calculo el valor medio + la desviaciónestándar de los datos normales y desbalance porseparado , esto se ve representado en la Fi gura 5 , enella podemos ver representado el valor medio de las pruebas normales como una línea horizontal decolor verde, la línea roja horizontal representa elvalor medio de las pruebas de desbalance, la líneaazul son sol valores entregados por el clasificador para cada una de las pruebas.

Figura 4. Salida del clasificador difuso

Fuente: Los autores

IV. VALIDACIÓN CRUZADA

V. CONCLUSIONES

La validación cruzada o cross-validation es unatécnica utilizada para evaluar los resultados de unanálisis estadístico y garantizar que sonindependientes de la partición entre datos de

entrenamiento y prueba. Consiste en repetir ycalcular la media aritmética obtenida de las medidasde evaluación sobre diferentes particiones. Seutiliza en entornos donde el objetivo principal es la predicción y se quiere estimar que tan preciso es unmodelo que quiere llevarse a la práctica [9]. Éstatécnica es muy utilizada en proyectos deinteligencia artificial para validar modelosgenerados.

Figura 5. Validación cruzada

Fuente: Los autores

La Fi gura 5 muestra esquemáticamente el proceso devalidación cruzada del modelo de clasificadordifuso.





6

A.

Objetivo de la validación cruzada

El objetivo es permitir el ajuste y optimiza los parámetros del modelo para que éste se ajuste a losdatos de entrenamiento tan bien como pueda. Secoge una muestra independiente como dato de

prueba (validación), del mismo grupo que los datosde entrenamiento, normalmente el modelo no seajustará a los datos de prueba igual de bien que a losdatos de entrenamiento. Esto se denominasobreajuste y acostumbra a pasar cuando el tamañode los datos de entrenamiento es pequeño o cuandoel número de parámetros del modelo es grande. Lavalidación cruzada es una manera de predecir elajuste de un modelo a un hipotético conjunto dedatos de prueba cuando no disponemos del conjuntoexplícito de datos de prueba [11]

B. Resultado de la validación cruzada

Para realizar la validación cruzada se tomo unconjunto aleatorio de 8 elementos en cada una delas 20 iteraciones que se realizaron al clasificadordifuso, la siguiente Fi gura 5 muestra los errores declasificación presentados en cada una de lasiteraciones. El valor medio de error del modelo delclasificador difuso fue de 15% y una precisión declasificación de 85%, ver TABLEII .

Figura 6. Error de falla de clasif icación y valor medio “Errorf “

Fuente: Los autores

TABLE II

ERROR Y PRECISION DE VALIDACION CRUZADA

iteración Precisión % Errorf %

1 87.50 12.50

2 75.00 25.00

3 75.00 25.00

4 62.50 37.50

5 100.00 0.006 75.00 25.00

7 100.00 0.00

8 87.50 12.50

9 100.00 0.00

10 87.50 12.50

11 87.50 12.50

12 87.50 12.50

13 100.00 0.00

14 75.00 25.00

15 100.00 0.00

16 75.00 25.00

17 75.00 25.00

18 75.00 25.0019 87.50 12.50

20 87.50 12.50

Valor medio 85% 15%

VI. CONCLUSIONES

• Se concluye que el clasificador difuso propuesto es capaz de clasificar las pruebasnormales de las de desbalance aplicando las 27

reglas difusas descritas, los conjuntos borrosos deentrada junto a los de salida permiten dichaclasificación.• Es posible la aplicación de la lógica difusaen la clasificación automática de las señales proveniente del banco de pruebas de vibración parauna situación de desbalance y normal de la señal. Lalógica difusa en un método fácil, intuitivo para estetipo de aplicaciones.• El modelo propuesto cumple con el objetivode clasificar las señales vibracionales obtenidas del

banco de pruebas, en pruebas normales y pruebas dedesbalance para cada caso de estudio.• La validación cruzada permitió evaluar elalcance del el modelo propuesto de clasificadordifuso para pruebas normales y de desbalance,llegándose a obtener un mínimo error declasificación del 15% y un 85% de precisión declasificación.





7

• Se evidencian claramente que las señalesadquiridas del banco de pruebas presenta situaciónde desbalance al agregarle una masa descentradadel eje de rotación.• Las señales adquiridas del banco de pruebas para las situaciones normales presentaron un gradode desbalance el cual no es apropiado para un bancode pruebas de vibración.

REFERENCIAS

[1] U. a. D. F. J. Ing.Eugenio, Controladores basados enlógica difusa y loops de conversación natural caóticos,

proyecto integrador de carrera de ingenierianuclear.Sancarlos de Bariloche,junio de 2007.

[2] A. Ing TÉLLEZ Velázquez, arquitectura de uncontrolador lógico disuso usando lógicacombinatoria,Instituto politecnico nacional, tesis degrado,mexico D.F, 2008.

[3] J. A. J. E. CACERES EGEA y DIAZ SIERRA, ,Implementación de un banco de pruebas para análisis devibraciones mecánicas en maquinaria rotativa afectada

por desbalanceo, Trabajo de grado IngenieroElectromecánico. Bucaramanga: Universidad Antonio

Nar.

[4] J. L. S. REYES, , Implementación de análisis de fase enel banco de pruebas para el análisis de vibracionesmecánicas en maquinaria rotativa afectada pordesbalanceo, Trabajo de grado IngenieroElectromecánico. Bucaramanga: Universidad Antonio

Nariño., Faculta de ingenier electromecanica..[5] C. E. G. G. y. W. P. FLOREZ, Algoritmo en Matlab parala detección de desbalanceo en equipos rotativos usandola Transformada de Wavelet, Trabajo de grado IngenieroElectromecánico. Bucaramanga: Universidad Antonio

Nariño. Facultad de Inge, Facultad de IngenieríaElectromecánica. 2013. 140 p. .

[6] O. S. R. y. R. P. J. H. N. E. HIGUERA, , Extracción decaracterísticas representativas respecto al fenómeno dedesbalanceo y des-alineamiento angular utilizando laTransformada Wavelet, Trabajo de grado IngenieroElectromecánico., Bucaramanga: Universidad Antonio

Nariño. Facultad de Ingeniería Electromecánica. 2014.

164 p..[7] E. J. O. d. c. d. p. d. d. y. d. a. e. u. m. r. u. T. W. y. l. t. d.

e. O. GIL LEON y PIMIENTO RODRIGUEZ, aplicada aregistros obtenidos a partir del sensado de vibracionesmecánicas en un ban, Trabajo de grado IngenieroElectromecánico. Bucaramanga: Universidad Antonio

Nariño. Facultad de Ingeniería Electromecánica. 2042.146 p...

[8] E. S. GUTIERREZ Arrieta, Clasificación Automática DePatrones De Vibración Mecánica En Máquinas RotativasAfectada Por Desbalanceo Y Desalineamiento Usando

Redes Neuronales Artificiales, universidad antonionariño,facultad de ingenieríaelectromecánica,bucaramanga,2015.

[9] J. Schneider, , The holdout method, The school ofcomputer science, 7 de febrero de 1997.

[10] S. a. S. D. S.N.Sivanandam, Introduction to Fuzzy Logic

using MATLAB, ISBN-10 3-540-35780-7,springer-Verlag Berlin Heidelberg,2007.

[11] Payam Refaeilzadeh, Lei Tang, Huan Lui, k-fold Cross-Validation, Arizona State University, 6 de noviembre de2008.

[12] A. W. Moore, Cross-validation for detecting and preventing overfitting, Carnegie Mellon University.

[13] J.-P. Lang, , Predictors tutorial, BioinformaticDepartment Projects.

[14] F. Joanneum, , Cross-Validation Explained, Institute forGenomics and Bioinformatics, 2005-2006.

[15] B. E. a. R. J.Tibshirani, Introduction to the Bootstrap, B.

Efrom 1993.[16] R. Gutiérrez-Osuna, Ricardo Gutiérrez-Osuna, Leave-

one-out Cross Validation Wright State University.

[17] P. A. Devijver, and J. Kittler, Pattern Recognition: AStatistical Approach, Prentice-Hall, Londres, 1982.

[18] Elkan, Charles, Evaluating Classifiers University ofCalifornia, San Diego,8 de enero de 2011.

[19] Jeff Schneider, The holdout method, The school ofcomputer science, 7 de febrero de 1997.

AUTORES ANGARITA O Robinson, [email protected]

ZAPATA C Nelson. [email protected]



Articulo.clasificación Automática de Patrones de Desbalanceo en Una Maquina Rotativa

Documents

Transcript of Articulo.clasificación Automática de Patrones de Desbalanceo en Una Maquina Rotativa