Análisis de Vibraciones, Mantenimiento Predictivo y Pronóstico de Deterioro Multidimencional

Vibraciones Tecnologa y Equipo. Prl. Av. Tecnolgico No. 49 Col. El Retablo Quertaro Qro.
Tel (442)
216 64 11 http://www.vibrateq.com.mx/Nuestro_reto.html
ANALISIS DE VIBRACIONES, MANTENIMIENTO PREDICTIVO

Y PRONOSTICO DE DETERIORO POR METODOS
MATRICIALES
Por:
Javier J. Guerrero
Investigacin y Desarrollo
RESUMEN
El mantenimiento predictivo trata de maximizar la rentabilidad de los activos de una
compaa. Se utilizan diversas variables fsicas que se correlacionan con el grado de
deterioro. Los diversos factores pueden generar un subespacio n-dimensional, en dicho
subespacio se puede definir una trayectoria de deterioro y hacer predicciones empleando
series de tiempo. Por lo tanto, se puede establecer un pronstico de avera dentro de un
programa de monitoreo de condicin o prognosis MC.
ANALISIS DE VIBRACIONES, MANTENIMIENTO PREDICTIVO Y PRONSTICO DE DETERIORO POR MTODOS
MATRICIALES.
CONTENIDO
I Retos actuales de un mantenimiento 3
predictivo
II Tcnicas avanzadas para un anlisis de 5
vibraciones e inteligencia artificial

III Mtodos matriciales para un pronstico de 13
averas
IV Desarrollo de un algoritmo con LabVIEW 16
V Conclusiones y recomendaciones 22
Pgina 1
MATRICIALES.
ANALISIS DE VIBRACIONES, MANTENIMIENTO

PREDICTIVO Y PRONSTICO DE DETERIORO POR
MTODOS MATRICIALES.
MANTENIMIENTO PREDIC TIVO DE MAQUINARIA INDUSTRIAL
CAPITULO 1. RETOS ACTUALES DE UN MANTENIMIENTO PREDICTIVO

Surgimiento de nuevas necesidades
El mantenimiento predictivo surge desde que se pudo correlacionar una vibracin con el grado de
deterioro de una mquina (T.C. Rathbone, 1939). Cuando los sistemas digitales desplazaron a los sistemas
analgicos, se extendi el campo de las posibilidades. Los primeros instrumentos podan realizar muchas
tareas de los sistemas de hoy en da. Hay dos sistemas para implantar programas de mantenimiento
predictivo.
Coleccin de datos de forma peridica y

Coleccin de datos de forma permanente.
Estos sistemas tienen una estructura comn

1. Procesamiento de las seales y extraccin de sus caractersticas
2. Seleccin y reduccin de caractersticas
3. Evaluacin de la salud de los equipos
4. Diagnstico de desperfectos y
5. Prediccin del desempeo
Pgina 2
MATRICIALES.
FIGURA 1. ESTRUCTURA DE UN PROCESO PARA MANTENIMIENTO PREDICTIVO
En un sistema en donde los datos son obtenidos de forma permanente el tiempo de respuesta debe ser
mucho ms corto o se debe de disponer de otros recursos ya que en un sistema de monitoreo permanente
normalmente se incrementa el nmero de seales resultando prohibitivo para el especialista procesar la
enorme cantidad de informacin. Otro aspecto que tambin influye es la bsqueda de herramientas ms
efectivas o al menos poder estar a la vanguardia, entre estas estn:
1. Sustentabilidad. La inteligencia artificial se est volviendo una normalidad. Si una cortadora de
csped se convierte en una mquina de operacin autnoma, va a necesitar que dicha maquina
tambin garantice su durabilidad.
2. Manejo nico de informacin, una a la vez. Estos sistemas ya estn operando en una red de
cajeros automticos. Ahora se requiere ampliar sus capacidades para garantizar el flujo de
enormes cantidades de datos entre los equipos y el sistema de administracin de la empresa
3. Disponibilidad todo el tiempo. Si las operaciones de una compaa cada vez son ms
automatizadas, el tiempo de respuesta para un sistema de mantenimiento se ver severamente
disminuido. Es necesario entonces que un programa de mantenimiento pueda predecir, priorizar y
optimizar las tareas de mantenimiento.
FIGURA 2. ESPECTATIVAS Y OPORTUNIDADES DE LOS SITEMAS DE MANTENIMINTO DE INTELIGENCIA ARTIFICIAL
Pgina 3
MATRICIALES.
Caractersticas de un sistema de mantenimiento autnomo

En un programa de monitoreo de condicin (PMC), con coleccin de datos en periodos preestablecidos,
normalmente se ejecutan las siguientes acciones
1. Coleccin de datos
2. Identificacin de condiciones de operacin
3. Seleccin de una condicin de operacin
4. Segmentacin de datos
5. Aplicacin del mdulo de pronostico a la condicin de operacin seleccionada
Este procedimiento tiene por objeto generar informacin estable que permita reconocer cambios asociados con
el deterioro de los equipos. Si con un incremento en la automatizacin de los equipos los ritmos de produccin
se vuelven ms variados al igual que las condiciones de carga, como lo tipifican los parques aerogeneradores,
se requerir un sistema de mantenimiento con una estructura diferente. Se debe ser capaz de operar en
diferentes condiciones de operacin segn los equipos y poder aplicar a cada condicin de operacin un
mdulo de prediccin.
FIGURA 3. CARCTERISTICAS DE UN MANTENIMIENTO PREDICTIVO MULTIREGIMEN
CAPITULO 2. TECNICAS AVANZADAS PARA UN ANALISIS DE VIBRACIONES

E INTELIGENCIA ARTIFICIAL
Vibraciones estacionarias y no estacionarias
Una seal de vibracin generalmente es muy compleja con diversos contenidos de frecuencia. Es muy
importante reconocer cules son sus diferencias entre s para extraer informacin apropiadamente para un
anlisis de tendencias. Es posible tabular la informacin bajo determinadas mtricas que conduzcan a un plan
de mantenimiento o programa de produccin. Existe una amplia variedad de tipos de seales y grados de
complejidad como se muestra en la siguiente figura.
1. Algunas seales tiene un tiempo de duracin prolongado pero con un ancho de banda angosto como
un frotamiento o zumbido
2. Algunas seales tienen un tiempo de duracin corto pero con un amplio ancho de banda como los
transitorios provocados por impactos.
3. Algunas seales tienen un tiempo de duracin corto y un ancho de banda angosto como el decaimiento
de la resonancia en una prueba de arranque-paro de mquina.
4. Algunas seales tienen ancho de banda de tiempo variable como un desbalanceo generando ruido
dependiendo de las RPM
Pgina 4
MATRICIALES.
FIGURA 4. CATEGORIAS DE SEALES DE VIBRACION TIEMPO-FRECUENCIA
Dependiendo de la clasificacin anterior se han desarrollados ciertas tcnicas para extraer la caracterstica de
inters de una seal burda. En la siguiente figura se seala una gua para seleccionar la tcnica ms
apropiada
FIGURA 5. ALGORITMOS DE ANLISIS MS APROPIADOS SEGN EL TIPO DE SEAL
.
Estos algoritmos actualmente estn disponibles en diversos paquetes de cmputo: LabVIEW, Matlab, C++, etc.
Las tcnicas ms convencionales son
anlisis de frecuencias,
anlisis de orden para el monitoreo de caja de engranes,
anlisis quefrency para detectar armnicos,
anlisis cepstrums para detectar falla en rodamientos.
Las tcnicas avanzadas como tiempo-frecuencia, wavelet y anlisis basado en modelos, son utilizadas ms
para establecer seales de paro de mquina, como por ejemplo en un centro de maquinados cuando se
detecta una fractura de la herramienta.
Anlisis de frecuencias
Esta tcnica es muy apropiada para seales estacionarias cuyos componentes de frecuencia no cambian con el
tiempo.
Pgina 5
MATRICIALES.
En contraste, una seal con frecuencia variable en el tiempo presenta un espectro sin los picos caractersticos.
Otra limitante que tiene una FFT es que no puede detectar transitorios o picos cortos de la seal ya que su
energa es esparcida en un amplio rango de frecuencias
FIGURA 6. UNA SEAL DE BARRIDO EN FRECUENCIA Y SU INVERSA, PRODUCEN EL MISMO ESPECTRO DE FRECUENCIA
Figure 3. .
FIGURA 7. LOS TRANSITORIOS DE UNA SEAL NO PUEDEN VERSE EN EL ANLISIS DE FRECUENCIAS YA QUE LA ENERGA SE ESPARSE EN UNA
AMPLIA GAMA DE FRECUENCIAS
Anlisis de orden
Esta tcnica re ensambla las seales burdas para sincronizarlas con la posicin angular del eje de la
maquina haciendo que un anlisis de orden sea inmune al cambio de velocidad
Pgina 6
MATRICIALES.
FIGURA 8. ESPECTRO DE ENERGA DE UN REDUCTOR DE TURBINA DE VIENTO GIRANDO A 50 HZ.
En la siguiente figura se muestran dos armnicos relacionados en 4X. Si la frecuencia cambia de 50 a 60

Hz, se pude ver que el anlisis de orden no cambia,
FIGURA 9. ESPECTROS DE ORDEN DE LA TURBINA DE VIENTO ROTANDO A 60 HZ (SUPERIOR) Y 50 HZ (ABAJO).
Anlisis tiempo frecuencia

El anlisis tiempo frecuencia es un proceso en el que se toman mltiples FFTs, en pequeas porciones de datos
y periodos de tiempo muy corto. Como un ejemplo simple considere una seal chirp (barrido en frecuencia)
Pgina 7
MATRICIALES.
FIGURA 10. ENSAMBLE TIEMPO-FRECUENCIA DE DOS SEALES. UNA CON FRECUENCIA CRECIENTE EN EL TIEMPO (IZQUIERDA) Y OTRA CON
FRECUENCIA DECRECIENTE CON EL TIEMPO (DERECHA).
Algunas seales pueden tener una banda de frecuencia angosta y un tiempo de duracin corto. En la prueba
de bocinas se aplica una seal chirp de 10 Hz a 20 kHz. Es clara la diferencia entre una bocina buena y una
mala. Esta caracterstica es provocada porque durante el ensayo las frecuencias naturales de la bocina
defectuosa no mantienen su linealidad
FIGURA 11. ANLISIS TIEMPO-FRECUENCIA DE UNA ALTAVOZ MALO, CON MUCHOS COMPONENTES ANORMALES, EN COMPARACIN CON EL
ALTAVOZ BUENO CON UN ESPECTROGRAMA "LIMPIO 1
"
Anlisis Quefrency
El Quefrency se define como se ilustra en la figura. Al obtener el logaritmo de la FFT y luego regresarla al
dominio del tiempo, las ordenadas corresponden con el reciproco de la frecuencia. No se utiliza explcitamente
al tiempo pues el proceso no tiene una inversa en un sentido amplio. La FFT revela la periodicidad de una seal
en el dominio del tiempo, mientras que el Cepstrum revela la periodicidad del espectro.
Pgina 8
MATRICIALES.
FIGURA 12. RELACIN ENTRE UN ESPECTRO Y UN CEPSTRUM
.
El anlisis Cepstrums es especialmente til para detectar armnicos. Como lo exhibidos por rodamientos
defectuosos. En la figura se muestran las frecuencias de aro interno y aro externo de un rodamiento
FIGURA 13. ESPECTROS DE POTENCIA Y CEPSTRUMS DE UN RODAMIENTO CON UNA FALLA DEL ANILLO EXTERIOR (PARTE SUPERIOR), UNA
FALLA DEL ANILLO INTERNO (MEDIO) Y SIN DEFECTOS (PARTE INFERIOR)
Anlisis wavelet
Esta tcnica es apropiada para analizar seales con un ancho de banda angosta y una duracin de tiempo
corta, por ejemplo en una torre de enfriamiento durante un cambio de velocidad se puede producir vibracin
transitoria en sus rodamientos, soportes, en el eje u otros componentes mecnicos. Otra rea donde el anlisis
wavelet es til es en el monitoreo de caja de engranes de baja velocidad como en las turbinas de viento
Pgina 9
MATRICIALES.
FIGURA 14. UNA ONDA SENOIDAL TIENE UN DOMINIO DE FRECUENCIA MUY COMPACTO, Y NO LO ES EN EL DOMINIO DEL TIEMPO. UNA
WAVELET ES COMPACTA EN EL TIEMPO Y FRECUENCIA
La figura siguiente muestra la seal de vibracin de un motor disel con y sin defectos por golpeteo. El uso de
un filtro wavelet permite ver la seal con dicho defecto. Esto se puede emplear para en una lnea de ensamble
separar los motores defectuosos o en un proceso de maquinado detener la maquina cuando se presente la
fractura de la herramienta. En aplicaciones de monitoreo esto podr ser til cuando se produzcan cambios
sbitos por rotura de elementos como en caja de engranes. Wavelet en estas aplicaciones resalta los
fenmenos de impacto como agrietamientos, fracturas, desprendimiento de dientes de engrane, etc.
FIGURA 15. EN EL DOMINIO DEL TIEMPO UN MOTOR BUENO ES INDISTINGUIBLE DE UNO DEFECTUOSO, PERO UTILIZANDO EL ANLISIS
WAVELET LAS FALLAS FCILMENTE SE DIFERENCIAN.
Anlisis basado en modelos

El anlisis basado en modelos compara la seal de vibracin con un modelo lineal de la seal y resume el error
entre las dos lo cual es til para detector transitorios. Dentro del anlisis autor regresivo estn los modelos
lineales. Los modelos AR pueden representar cualquier muestra en una serie de tiempo como la combinacin de
muestras pasadas en la misma serie de tiempo Las combinaciones lineales ignoran el ruido y los transitorios de
Pgina 10
MATRICIALES.
la seal. Cuando se compara una nueva medicin con el modelo AR el error del modelo corresponde a ruido
y/o transitorios no registrados en la combinacin lineal del modelo.
El anlisis de modelos autor regresivos se utiliza para detector transitorios de vibraciones en una mquina.
Tales transitorios pueden ocurrir cuando una maquina cambia de estado, variaciones de carga o el inicio de
una falla que no es peridica. Las diferencias entre la vibracin actual y el modelo AR, adems conocidas
como error del modelo indica las vibraciones transitorias de la seal registrada.
El modelo AR esta dado por la siguiente ecuacin
Xt + a1Xt1 + , + anXtn = et
donde n es el orden de AR. Xt es una serie temporal un variada o multivariada (vector 1D o 2D). et es una
serie de ruido blanco Gaussiano con media cero. El termino autor regresivo se refiere al hecho de que el
modelo expresa el valor actual Xt de la serie temporal en funcin de los valores anteriores de la serie
temporal Xt-1, Xt-2 .Xt-n
Para series de tiempo un variadas, los coeficientes AR forman una matriz 1D desde [1, a1, a2,..., an], donde
cada es un nmero real.
Para series de tiempo multivariadas, los coeficientes AR forman una matriz 1D desde [I, a1, a2,..., an], donde
los coeficientes forman un clster de matrices 2D.
El requisito de longitud mnima de la serie de tiempo de entrada debe ser por lo menos dos veces el orden de
AR.
Otro tipo de modelos autoregrsivos son de la forma:
Xt + a1Xt1 + ,, + aNaXtNa = et + b1et1 + ,, +
A estos se les conoce como modelo ARMA, donde Na es el orden del modelo AR, Nb es el orden de MA, Xt
es una series de tiempo (vector), univariante o multivariante y es una serie de tiempo de ruido blanco
Gaussiano con media cero.
En series de tiempo univariantes, los coeficientes AR son una matriz 1D [1, a1, a2,..., ], donde cada ai es un
nmero real. Los coeficientes de MA forman un arreglo 1D desde [1, b1, b2,..., bNb], donde cada bi tambin
es un nmero real.
Para series de tiempo multivariadas, los coeficientes AR foramn una matriz 1D desde [I, a1, a2,..., aNa], donde
cada es un cluster 2D. Los coeficientes de MA forman un arreglo 1D desde [I, b1, b2,..., bNb], donde cada
bi tambin es un cluster de matrices 2D.
El requisito de longitud mnima de la serie de tiempo de entrada difiere para cada mtodo utilizado:
Metodo Yule-Walker: Longitud minima orden AR + orden MA
Metodo High-Order AR: Longitud minima 5 orden MA

Metodo Polinomial: Longitud minima 5 (AR order + MA order)
Pgina 11
MATRICIALES.
FIGURA 16. ERROR DEL MODELO AR INDICANDO TRANSITORIOS DE LA SEAL ORIGINAL. ESTO FACILITA UNA MEDIDA DE UMBRAL
Inteligencia ar tificial
Una clasificacin de mquinas de inteligente considera:
1. Mquinas basadas en lenguaje

2. Maquinas basadas en el conocimiento: redes semnticas, redes neuronales, etc.
3. Interfaces inteligentes: reconocimiento del habla, reconocimiento de formas y procesamiento de

imgenes, visin computacional, etc.
Las redes neuronales y lgica difusa tienen las siguientes caractersticas:
Motor de inferencias
Estructuras del conocimiento
Mezcla de procedimientos y datos
Capacidad de deduccin
Capacidad para generar nuevo conocimiento
Pgina 12
MATRICIALES.
FIGURA 17. ESTRUCTURA DE UNA RED NEURONAL CON LABVIEW
Estas herramientas se desarrollan cada vez ms y estn mostrando buena adaptabilidad en los procesos
industriales. Por ejemplo, en la produccin de cajas de velocidades para camioneta se precisa de una prueba
de ruido. Un conductor escucha la transmisin en una prueba de velocidad de crucero y asigna una calificacin
de uno a diez. Si la compaa recibe un reporte de siete decide que un lote de cajas de velocidad debe ser
revisado. Para simplificar la prueba requiere que se instale en la lnea de produccin una cabina de prueba
que correlacione la vibracin con el ruido. Pruebas preliminares de comparacin con las frecuencias de
engranaje muestran criterios opuestos. Las redes neuronales tienen la habilidad de aprender, tratar con
informacin extraa (ruido) y datos incompletos y manejar datos complejos. Una red neuronal una vez
entrenada pude reconocer las diferencias entre patrones, puede realizar una clasificacin, realizar acciones de
control, etc. En este proyecto de clasificacin de cajas de velocidades ruidosas las redes neuronales pueden ser
una solucin nica. LabVIEW como interface de usuario es una excelente herramienta, mientras que Matlab
presenta las mejores herramientas para tratar con redes neuronales. Estas dos tecnologas se pueden acoplar
fcilmente
CAPITULO 3. METODOS MATRICIALES PARA UN PRONOSTICO DE AVERIAS

Antecedentes
Utilizando valores RMS de una seal de vibracin se puede dar un seguimiento del deterioro de una mquina,
sin embargo, componentes de vibracin de menor energa quedan ocultos y su progreso es ms pronunciado
llegando a ser la causa de paro de mquina. Para evitar falsas alarmas se puede dar un seguimiento en
trminos de bandas de potencia.
Una maquina consta de: unidad motriz, transmisin y una unidad de trabajo. Si por cada unidad se consideran
dos puntos con tres direcciones: horizontal, vertical y axial, se tendrn 18 seales de vibracin. Si se consideran
seis bandas de potencia se tienen 108 valores de potencia de banda. Se puede crear un historial de vibracin
para cada banda y construir un modelo. Con estos modelos se puede determinar que banda est ms prxima
Pgina 13
MATRICIALES.
a un lmite establecido en cada banda y poder jerarquizar a las maquinas con una mayor probabilidad de
falla.
Tcnicas similares han sido desarrolladas. Zhipeng Wang y otros (), utilizan un algoritmo que permite
descomponer una seal como una combinacin lineal de otras. El proceso lo denominan Empirical Mode
Descomposition (EMD). En la figura siguiente se muestra la metodologa desarrollada por Zhipeng. Durante el
proceso utilizan la descomposicin SVD de una matriz para reducir una seal de vibracin a 7 caractersticas o
factores ms un factor residual. Los vectores de dimensin N formados por los valores singulares son
reestructurados considerando un diseo factorial tipo Taguchi.
FIGURA 18. METODOLOGIA TAGUCHI-MAHALANOBIS
El coeficiente CV es utilizado para evaluar la severidad de condicin o estado de salud de una maquina
()
=
() ()
El valor MD fue introducido por Mahalonobis (1936) para determinar la distancia de un punto o dato a la
media de un grupo. El MD se evala en trminos de la desviacin estndar de la media de los datos
muestreados y proporciona una medicin estadstica de que tambin los datos son conformes con el ideal
1 1
=

En donde representa los datos normalizados y C es la matriz de correlacin.
En la determinacin de Max(MD) se requiere saber el estado de falla del elemento. Otra desventaja que fue
observada es que los coeficientes de nivel de confianza son poco significativos al inicio y muy pronunciados al
final de la vida del elemento.
Si una vibracin es descompuesta en bandas de potencia. La potencia de una seal de vibracin se puede ver
como la norma de un vector de dimensin N. Si se adopta la descomposicin de bandas Charlotte es posible
Pgina 14
MATRICIALES.
establecer un lmite para Max(MD). El modo de descomposicin emprica (EMD) puede verse como la
contraparte del teorema de Parseval, si a cada seal se le calcula la potencia y luego se divide en bandas de
frecuencia.
FIGURA 19. DESCOMPOSICION EMPIRICA DE UNA SEAL
Si a cada una de las unidades de una maquina se le consideran dos puntos con tres direcciones, cada una, se
puede formar una matriz de condicin con los valores de potencia de cada banda. Por ejemplo, si se
consideran las bandas Charlotte de un cierto equipo en trminos de valores de velocidad de vibracin
expresada en pulg/seg, la matriz Max(MD) se muestra en la figura siguiente.
FIGURA 20. BANDAS CHARLOTTE PARA DOS PUNTOS DE UNA MAQUINA
Si se emplean historiales de vibracin por cada banda para cada unidad se tendran 6x6=36 tendencias.
Como una matriz puede constituir un espacio vectorial con un producto interior bien definido. En esta
metodologa se aprovechan estas propiedades para reducir el seguimiento de deterioro a un solo historial de
vibracin. Las simulaciones realizadas apoyan la posibilidad de llegar a obtener una metodologa con las
siguientes ventajas
1. Con un solo historial de vibracin es posible pronosticar el deterioro de una maquina sin importar el
rgimen de operacin que esta tenga, ya que existen diversos modelos de prediccin basados en una
variable independiente.
2. Se reduce el nmero de operaciones complejas a operaciones ms simples de sumas y restas
3. El procedimiento se simplifica facilitando su automatizacin computacional.
Espacio vectorial con producto interno

Sea = un espacio vectorial formado por todas las matrices reales de m x n. El producto interno
Definido por
Pgina 15
MATRICIALES.
; = ( )
Cumple con las siguientes propiedades
1. ; = ;
2. + ; = ; + ;
3. ; > 0 0 0 ; 0 = 0
La norma de una matriz est dada por
= ( )
El ngulo entre dos vectores de este espacio vectorial est dado por:
1 ; 2
cos =
1 2
La proyeccin de 1 sobre 2 es el vector dado por:

1 ; 2 2
0 =
2 2
CAPITULO 4. DESARROLLO DE UN ALGORITMO EN LABVIEW

Restricciones metodolgicas.
Dimensin del espacio vectorial.
El espacio vectorial tiene una dimensin igual a m x n, al emplear la base estndar de matrices. Al
considerar el teorema de Perceval se puede definir un vector de dimensin igual a nmero de
bandas Charlotte. Como el nuevo espacio vectorial es formado por seales de vibracin de puntos
de la maquina en tres direcciones: horizontal, vertical y axial. Es posible que estas seales vistas
como un vector multidimensional sean linealmente dependientes. Por lo tanto si los renglones de las
matrices m x n representan las seales de vibracin, se puede tener renglones con dependencia
lineal. En esta metodologa se considera que el deterioro de la maquina ocupa un subespacio cuya
dimensin se desconoce.
Progreso del deterioro
Al iniciar con un registro del deterioro de una maquina queda bien establecida la matriz Min(MD). Al
progresar el desgaste de la maquina se generan nuevos vectores que estn definidos por (MD). Se asume que
este y todos los dems estados permanecen o quedan contenidos en un mismo subespacio formado por dichos
vectores.
El vector o matriz Max(MD) es creada siguiendo la descomposicin de las bandas Charlotte. Es posible que
este vector no este contenido en el subespacio creado por los vectores (MD) y Min(MD), sin embargo, los limites
creados por la matriz determinan la condicin de riesgo de la mquina. Para mantener la hiptesis de que el
deterioro ocurre dentro de un subespacio creado por los vectores (MD) y Min(MD), los ndices del estado de
salud de la maquina son redefinidos por
Pgina 16
MATRICIALES.
()
=
() ()
En donde () , son los lmites establecidos por un estndar de vibracin, () , son los valores
de vibracin al iniciar un programa de monitoreo de condicin (PMC), , , son los valores actuales de la
vibracin.
Probabilidad Poisson
Cuando los valores () , sean iguales a () , Los coeficientes del estado de salud de la
maquina serian igual a 1. Los pueden ser >0, <0, o >1. Si al inicio de un PMC los () ,
inusualmente son mayores que el estndar, se tendrn valores negativos. Es conveniente que si este es el caso
se reporte un valor de =0. Los inusualmente podran ser mayores que () , ya que la
vibracin de una maquina varia, sin embargo, estas variaciones avanzan hacia un mayor deterioro, por lo que
en este caso se debe reportar un valor cero.
Cuando los valores de los son >1 la condicin de la maquina ya est en un estado crtico. Para asignar
un criterio de evaluacin de deterioro se aplica la probabilidad de Poisson.
Para relacionar los lmites de las bandas Charlotte con el deterioro de la maquina se utiliza la matriz CV. La
probabilidad de Poisson est definida por
()
(; ) =
!
En este caso se toma x = 0 y , representa el nmero de valores de CV que son iguales o mayores que uno.
Una maquina con una probabilidad de un 5%, significa que es la probabilidad de encontrar al menos una
banda Charlotte en riesgo.
Se pueden ahora presentar estos coeficientes en un trazo de radar, para facilitar la localizacin del deterioro
de la maquina
FIGURA 21. TRAZO RADAR CON SEIS COMPONETES
Pronstico de avera
Dentro del subespacio de deterioro de la maquina se crean dos modelos de regresin.
Un modelo se relaciona con la norma de la matriz MD

El otro modelo representa el ngulo formado por los subespacios MD y Min(MD)
Pgina 17
MATRICIALES.
Los modelos pueden ser: lineal, exponencial o polinomial. Observando los datos y la prediccin del modelo se
selecciona el que logra un mejor ajuste. Una vez creado el modelo; la prediccin de un vector de estado se
crea bajo las siguientes hiptesis:
1. El nuevo vector est formado por la suma de dos vectores.

2. Un componente de este vector es paralelo al vector inicial Min(MD)
3. El segundo componente es perpendicular al vector Min(MD). Este vector es creado por medio del vector
(MD) actual y siguiendo el proceso de ortogonalizacin de Gram-Schmidt
4. Los valores de los coeficientes de los vectores unitarios se determinan con los valores predichos por los
modelos.
FIGURA 22. REGRESION DE UNA VARIABLE INDEPENDIENTE. RUL PRONOSTICO DE FALLA
Descripcin del algoritmo

Equipos en riesgo
Un equipo est en riesgo si alguna de las bandas Charlotte es >1 y la probabilidad de Poisson es
superior a un 5%
Una maquina est en estado crtico si alcanza la alarma de algn estndar como por ejemplo el ISO
10816
Una maquina est en riesgo si el pronstico es el ms prximo en das
Jerarquizacin del riesgo

Los equipos con la probabilidad ms alta son los que tienen el mayor grado de deterioro o mayor riesgo de
falla. Tradicionalmente se ha clasificado el deterioro de los equipos en verdes, amarillos, naranjas y rojos,
segn el estndar ISO 10816. En esta metodologa una maquina consta de tres unidades con dos puntos para
cada una y tres direcciones dando hasta 18 valores de vibracin ya sea de aceleracin o velocidad. El
propsito es detectar cambios de estas vibraciones. Se emplea la distribucin T-Student para calcular una
media y un rango a un nivel de significancia del 95%.
Pgina 18
MATRICIALES.
Otro criterio establecido consiste en crear un modelo de regresin exponencial con los valores de la media
para pronosticar los das y la fecha en alcanzar un nivel de alarma. Los equipos en mayor riesgo son los que
tienen los menores das.
Pronostico de deterioro
1. Utilizando el estado actual de la maquina representado por (MD) (mnimo tres eventos), generar un
modelo de regresin exponencial.
2. Con el modelo ajustado avanzar k+1 posiciones y fijar estas cuando la probabilidad de Poisson sea
mayor o igual a un 5%.
3. Elaborar un trazo de radar y establecer los componentes en riesgo.
Determinacin del grado de deterioro de los equipos
Cada mquina consta de tres unidades: motriz, transmisin y unidad de trabajo
1. Calcular el valor RMS de cada direccin en cada punto y seleccionar el mximo.

2. Tomar el valor mximo y asignarle la severidad ISO correspondiente. Con el nivel superior del
estndar ISO que le corresponde calcular los niveles de potencia de cada banda segn la
distribucin de las bandas Charlotte
3. Calcular la probabilidad Poisson del estado actual de la maquina al comparar el MD actual con la
referencia Max(MD) de la severidad ISO actual. El objetivo es saber que banda ya supero la
condicin actual de la maquina
4. Con la matriz CV construir un trazo de radar y a cada valor fijarle la severidad ISO con su color
caracterstico
Presentacin de la interface de LabVIEW

Interfase de usuario.
La interfase de usuario consta de tres secciones
Indicadores de severidad de vibracin ISO

Trazo radar de ndices de confiabilidad (CV), para vibracin global y por bandas de potencia
Tabla de valores del estado global de la mquina y de las bandas de potencia
Los indicadores de severidad ISO son tres barras verticales de nivel de vibracin en velocidad o
aceleracin. La barra del medio reporta el valor de la media estadstica T-Student y las barras laterales
muestran el rango a un nivel de confianza del 95%.
El control tab incluye dos pestaas. La primera muestra el estado global de la mquina. Se reportan los
seis puntos de la mquina. Los nicos valores diferentes se refieren al porcentaje de la probabilidad
Poisson que se calcula en funcin de los valores que sobrepasan el nivel de las bandas Charlotte. Los
campos que incluye la tabla de este tab tanto para aceleracin como velocidad son
Criterio de severidad ISO

Amplitud de vibracin
Rango T-Student
ndices de confiabilidad CV T-Student con referencia al estndar ISO
Fecha en riesgo
Das prximos
Pgina 19
MATRICIALES.
La grafica de este tab muestra el historial de la media estadstica de hasta 18 puntos de una mquina.
Al desplazar el cursor para cada fecha se modifican los valores de la tabla. El usuario tiene la opcin de
seleccionar un modelo lineal o exponencial para observar qu modelo se ajusta mejor a los datos.
El trazo de radar presenta seis cantidades
Severidad de aceleracin
Severidad de velocidad
Das prximos aceleracin
Das prximos velocidad
ndice CV de aceleracin
ndice CV de velocidad
Este tipo de trazos permiten visualizar los factores de mayor peso. Esta informacin es muy til para
programar la prioridad de servicio de una mquina.
FIGURA 23. PREDICTIVEVMX7 CON SEVERIDAD ISO Y TRAZO RADAR E HISTORIAL DE VIBRACION
El segundo tab tambin se vincula con una grfica que representa un modelo de regresin. Se crean seis
modelos por cada banda Charlotte y se selecciona el que tiene los das ms prximos entre las direcciones
horizontal, vertical y axial, para vincular los datos con la tabla de este tab. El anlisis se realiza para
cada punto de la mquina, el cual lo puede seleccionar el usuario.
Los campos de esta tabla son:
Banda de frecuencias 1X
Banda de frecuencias 2X
Banda de frecuencia nX
Banda de frecuencias tipo engranaje
Banda de frecuencias rodamiento fase II
Pgina 20
MATRICIALES.
Banda de frecuencias rodamiento fase I
Das prximos banda de potencia
Pronostico por banda
ndice de banda y rango de frecuencias
Los valores de los campos de cada banda son los CVs, en donde el () es el valor lmite de cada
banda Charlotte. Los seis tipos de banda son presentados en un trazo de radar. La informacin cambia segn
sea la fecha seleccionada por el cursor de la grfica.
Diagrama de flujo
Los subVI de LabVIEW se resumen en las siguientes imgenes. La fig. (24), se inicia con las seales de
vibracin burdas. Esta primera etapa se reserva para el tratamiento de las bandas de potencia y
preparacin de informacin para la siguiente etapa. La fig. (25), muestra la evaluacin de la severidad
mediante el estndar ISO y la aplicacin de los modelos
FIGURA 24. SEALES BURDAS Y REGRESION DE BANDAS DE POTENCIA
Pgina 21
MATRICIALES.
FIGURA 25. EVALUACION DE LA SALUD DE LA MAQUINA
CAPITULO 5. CONCLUSIONES Y RECOMENDACIONES

1. Para determinar el grado de deterioro de una maquina tradicionalmente se ha utilizado el
estndar ISO, sin embargo, se ha demostrado que las variaciones de una vibracin de un cierto
tipo de desperfecto pueden variar de 1 a 1000. Por lo tanto, los historiales de vibracin son
determinantes para establecer lmites especficos.
2. Las bandas de potencia ayudan a orientar la bsqueda de desperfectos y a jerarquizar los
equipos con mayor deterioro. Esto permite una mayor concentracin de los recursos para estudiar
a detalle los problemas ms complejos.
3. Para el anlisis puntual de un problema de vibracin se dispone de diversas herramientas por lo
que es difcil que un problema de vibracin no sea resuelto.
4. PredictiveVmx7, es un equipo integrado con tecnologas de vanguardia. Las tecnologas son de
cdigo abierto por lo que permite actualizar el sistema con lo ltimo de los sistemas de
mantenimiento predictivo e inteligencia artificial (SMI).
Pgina 22
MATRICIALES.
5. Al considerar los factores de vibracin como un subespacio vectorial n-dimensional y poder crear
un modelo de regresin en trminos de magnitud y fase, permite aplicar diversas tcnicas de
regresin de series de tiempo.
BIBLIOGRAFIA
Gil, Juan. Monitoreo Avanzado de Condicin de Maquinaria con LabVIEW. Technical marketing engineer
NI. https://ni.adobeconnect.com/p6lj773h9op/?launcher=false&fcsContent=true&pbMode=normal
Vibration Analysis and Signal Processing in LabVIEW http://www.ni.com/white-paper/9230/en/
Packianather, Michael. Implementing an Artificial Neural Network Using National Instruments LabVIEW
http://sine.ni.com/cs/app/doc/p/id/cs-681#
Jay Lee, D. Sc. The Future of Condition Monitoring. www.imscenter.net
Lee, J., Ni, J., Sarangapani, J., Mathew, J. (Eds.) Engineering Asset Management 2011.Proceedings of the
Sixth World Congress on Engineering Asset Management.
http://www.springer.com/cn/book/9781447149927
Zhipeng Wang1, Chen Lu1,2, Zili Wang1, Hongmei Liu1 and Huanzhen Fan1. Fault diagnosis and health
assessment for bearings using the Mahalanobis Taguchi system based on EMD-SVD. Chen Lu, School of
Reliability and Systems Engineering, Beihang University, Beijing 100191, Peoples Republic of China. Email:
luchen@buaa.edu.cn
Pgina 23

Análisis de Vibraciones, Mantenimiento Predictivo y Pronóstico de Deterioro Multidimencional

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análisis de Vibraciones, Mantenimiento Predictivo y Pronóstico de Deterioro Multidimencional

Uploaded by

Copyright:

Available Formats

Vibraciones Tecnologa y Equipo. Prl. Av. Tecnolgico No. 49 Col. El Retablo Quertaro Qro.

ANALISIS DE VIBRACIONES, MANTENIMIENTO PREDICTIVO

I Retos actuales de un mantenimiento 3

vibraciones e inteligencia artificial

ANALISIS DE VIBRACIONES, MANTENIMIENTO

CAPITULO 1. RETOS ACTUALES DE UN MANTENIMIENTO PREDICTIVO

Coleccin de datos de forma peridica y

Estos sistemas tienen una estructura comn

FIGURA 1. ESTRUCTURA DE UN PROCESO PARA MANTENIMIENTO PREDICTIVO

FIGURA 2. ESPECTATIVAS Y OPORTUNIDADES DE LOS SITEMAS DE MANTENIMINTO DE INTELIGENCIA ARTIFICIAL

Caractersticas de un sistema de mantenimiento autnomo

FIGURA 3. CARCTERISTICAS DE UN MANTENIMIENTO PREDICTIVO MULTIREGIMEN

CAPITULO 2. TECNICAS AVANZADAS PARA UN ANALISIS DE VIBRACIONES

FIGURA 4. CATEGORIAS DE SEALES DE VIBRACION TIEMPO-FRECUENCIA

FIGURA 5. ALGORITMOS DE ANLISIS MS APROPIADOS SEGN EL TIPO DE SEAL

FIGURA 8. ESPECTRO DE ENERGA DE UN REDUCTOR DE TURBINA DE VIENTO GIRANDO A 50 HZ.

En la siguiente figura se muestran dos armnicos relacionados en 4X. Si la frecuencia cambia de 50 a 60

FIGURA 9. ESPECTROS DE ORDEN DE LA TURBINA DE VIENTO ROTANDO A 60 HZ (SUPERIOR) Y 50 HZ (ABAJO).

Anlisis tiempo frecuencia

FIGURA 12. RELACIN ENTRE UN ESPECTRO Y UN CEPSTRUM

Anlisis basado en modelos

El modelo AR esta dado por la siguiente ecuacin

Xt + a1Xt1 + ,, + aNaXtNa = et + b1et1 + ,, +

Metodo Yule-Walker: Longitud minima orden AR + orden MA

Metodo High-Order AR: Longitud minima 5 orden MA

1. Mquinas basadas en lenguaje

3. Interfaces inteligentes: reconocimiento del habla, reconocimiento de formas y procesamiento de

Las redes neuronales y lgica difusa tienen las siguientes caractersticas:

Estructuras del conocimiento

Mezcla de procedimientos y datos

Capacidad para generar nuevo conocimiento

FIGURA 17. ESTRUCTURA DE UNA RED NEURONAL CON LABVIEW

CAPITULO 3. METODOS MATRICIALES PARA UN PRONOSTICO DE AVERIAS

FIGURA 18. METODOLOGIA TAGUCHI-MAHALANOBIS

En donde representa los datos normalizados y C es la matriz de correlacin.

FIGURA 19. DESCOMPOSICION EMPIRICA DE UNA SEAL

FIGURA 20. BANDAS CHARLOTTE PARA DOS PUNTOS DE UNA MAQUINA

Espacio vectorial con producto interno

Cumple con las siguientes propiedades

La norma de una matriz est dada por

La proyeccin de 1 sobre 2 es el vector dado por:

CAPITULO 4. DESARROLLO DE UN ALGORITMO EN LABVIEW

Progreso del deterioro

FIGURA 21. TRAZO RADAR CON SEIS COMPONETES

Un modelo se relaciona con la norma de la matriz MD

1. El nuevo vector est formado por la suma de dos vectores.

FIGURA 22. REGRESION DE UNA VARIABLE INDEPENDIENTE. RUL PRONOSTICO DE FALLA

Descripcin del algoritmo

Jerarquizacin del riesgo

Determinacin del grado de deterioro de los equipos

Cada mquina consta de tres unidades: motriz, transmisin y unidad de trabajo

1. Calcular el valor RMS de cada direccin en cada punto y seleccionar el mximo.

Presentacin de la interface de LabVIEW

Indicadores de severidad de vibracin ISO

Criterio de severidad ISO

FIGURA 24. SEALES BURDAS Y REGRESION DE BANDAS DE POTENCIA

FIGURA 25. EVALUACION DE LA SALUD DE LA MAQUINA

CAPITULO 5. CONCLUSIONES Y RECOMENDACIONES

You might also like