Universidad Antonio Nariño.ANGARITA O Robinson, ZAPATA C Nelson, Clasificación Automática De Patrones De Desbalanceo En Una Maquina Rotativa, Utilizando Lógica Difusa. 1 CLASIFICACIÓN AUTOMÁTICA DE PATRONES DE DESBALANCEO EN UNA MAQUINA ROTATIVA, UTILIZANDO LÓGICA DIFUSA Y TRANSFORMADA FOURIER, APLICADA A REGISTROS OBTENIDOS A PARTIR DEL SENSADO DE VIBRACIONES MECÁNICAS EN UN BANCO DE PRUEBAS ANGARITA O Robinson, ZAPATA C Nelson. [email protected], [email protected] Universidad Antonio Nariño Resumen— La lógica binaria de las computadoras modernas frecuentemente falla cuando trata de describir la verdad del mundo real. La lógica difusa ofrece alternativas más satisfactorias. Las computadoras no razonan como lo hace el cerebro humano. Las computadoras funciona con se manipulan hechos precisos, que han sido reducidos a cadenas de ceros y unos e instrucciones que pueden ser falsas o verdaderas. El cerebro humano puede razonar a partir de aserciones vagas o afirmaciones que involucran incertidumbre o juicio de valor como son “el aire esta algo caliente”, “el vehículo se mueve muy rápido”, “esa mujer es muy joven”. A diferencia de las computadoras, lo humanos tienen sentido común, que le permite razonar en el mundo en donde las cosas son sólo parciales de la verdad. La lógica Difusa es una rama de la inteligencia artificial que ayuda a las computadoras a representar toda la gama de imágenes del sentido común en un mundo lleno de incertidumbres. He aquí esta tesis aporta unos avances en el estudio de la lógica difusa aplicada a la clasificación de señales vibracionales que son tan importantes para el mantenimiento de equipos industriales. Por esta razón se hace el estudio para generar un clasificador de señales utilizando la Premio Colombiano de Informática ACIS 2011 lógica difusa, de esta manera poder remplazar en parte la experiencia humana en la detección de casos de falla en maquinas usando los tradicionales métodos de análisis vibracional. Ya que el concepto de lógica difusa es muy común, y está asociado con la manera en que las personas perciben el medio, lo que permite de alguna forma hacer lo que hace el humano. Abstrac— The binary logic of modern computers often crashes when trying to describe the truth of the real world. Fuzzy logic provides more satisfactory alternatives. Computers do not reason as the human brain does. Computers work with precise facts, which have been reduced to strings of zeros and ones and instructions true or false. The human brain can reason from vague assertions or statements that involve uncertainty or value judgment such as "hot air is something," "the vehicle is moving very fast", "this woman is very young." Unlike computers, humans have common sense, which allows you to reason in the world where things are only partial truth. Fuzzy logic is a branch of artificial intelligence that helps computers to represent the full range of images of common sense in a world full of uncertainties. Here this thesis provides some advances in the study of fuzzy y hace parte del programa de mantenimiento predictivo. Clasificación Automática De Patrones De Desbalanceo En Una Maquina Rotativa. logic applied to the classification of vibrational signals that are very important for the maintenance of industrial equipment. No obstante según los trabajos precedentes. La UNIVERSIDAD ANTONIO NARIÑO con el fin de avanzar en tecnología e investigación ha desarrollado varios proyectos anteriores el primero fue el del banco de pruebas para análisis de vibraciones [3] para estudiar las características de la señal obtenida a través de la implementación de análisis de fases [4] y la Transformada Wavelet [5] [6] [7]. esto hace importante implementar un programa de mantenimiento con el objetivo de proteger los equipos y máquinas para aumentar su tiempo de servicio y alargar su vida útil. fortaleciendo los conocimientos vistos en clase del estudiante a través de herramientas pedagógicas como la línea . es de suma importancia recopilar información crítica en forma clara y oportuna para mejorar la toma de decisiones en los procesos de implementación de sensores y transductores para realizar una clasificación automática [1] de patrones de desbalanceo. I. se ha identificado la necesidad de cambiar el sistema de decisión implementado en dichos trabajos con el fin de mejorar la capacidad de clasificación del sistema y así aportar conocimiento en el estudio y evaluación de equipos en este campo de aplicación. El análisis de vibraciones mecánicas se utiliza como una herramienta de monitoreo y diagnóstico de fallas. que permitirá seguir incursionando en el campo investigativo. Since the concept of fuzzy logic is very common. ANGARITA O Robinson. For this reason. logrando así grandes ventajas en la competitividad de las empresas. which allows somehow to do what humans do. aplicada a registros obtenidos a partir del registro de vibraciones mecánicas en un banco de pruebas. influenciado por la competitividad. Para la solución de este problema en la Universidad Antonio Nariño se han venido desarrollando alternativas que van desde la construcción de un banco de pruebas para análisis de vibraciones mecánicas en maquinaria rotativa. utilizando lógica Difusa y transformada Fourier. para crear soluciones inteligentes y eficaces. Es importante tener en cuenta que la proyección del laboratorio de vibraciones sirva para el estudio y la enseñanza de la misma. hasta sistemas expertos [2] que buscan determinar la condición de operación del equipo en forma automática y con buen acierto. Utilizando Lógica Difusa. the study is to generate a signal classifier using fuzzy logic. using the traditional methods of vibrational analysis.Universidad Antonio Nariño. El propósito de este proyecto es continuar con la línea de investigación desarrollada por la universidad Antonio Nariño. Índice de Términos— Lógica difusa. en el cual se Premio Colombiano de Informática ACIS 2011 2 pueden inducir condiciones de operación variadas y registrar las vibraciones provocadas en cada modo. so that It partly replaces human experience in detecting cases of failure of machines. estas técnicas permiten evaluar las condiciones externas de una máquina sin necesidad de desarmarla y sin afectar su funcionamiento normal. ZAPATA C Nelson. Entonces este trabajo busca encontrar otra forma de clasificar las señales vibratorias utilizando lógica difusa (Fuzzy logic) para distinguir la señal de una maquina con falla por desbalanceo de una normal (Sin falla). que informen al usuario el estado de las máquinas para así minimizar costos de mantenimiento correctivo e evitar paradas imprevistas que afectan el buen funcionamiento del proceso productivo de la empresa. Desbalance. En el presente trabajo se ha dispuesto la realización de un sistema para una Clasificación automática de patrones de desbalanceo en una maquina rotativa.INTRODUCCIÓN El mundo empresarial en los últimos años se ha desarrollado a un ritmo acelerado. Posterior a este se implemento la clasificación de patrones usando las redes neuronales artificiales [8]. and It is associated with how people perceive their environment. Mantenimiento Predictivo. De acuerdo a lo anterior. Vibraciones Mecánicas. las señales de vibración se van captando en tiempo real con la máquina funcionando de tal forma que se pueda predecir a través del monitoreo cuando esta va a fallar. Con Premio Colombiano de Informática ACIS 2011 3 los conjuntos difusos se realizan afirmaciones lógicas del tipo si-entonces definiéndose estas con Lógica Difusa. la cual entrega los valores al motor de inferencia difusa (Borrosa) que junto a las reglas difusas computa los conjuntos difusos de salida por cada una de las reglas difusas. ¿qué tan baja es la temperatura? cuando decimos frío. En siguiente Figura 1se muestra un ejemplo de conjunto borroso dividido en 3 subconjuntos {Baja. será su enunciado acerca de tal fenómeno. en donde se observan los variables de entrada llamadas Antecedente. cotidianamente se formulan de manera ambigua y depende de quién percibe el efecto físico o químico. de investigación vibraciones. Modelo de clasificador difuso . tienen limitaciones. Figura 1. la cual como se mencionó anteriormente transforma los conjuntos de salida en un valor representativo de pertenecía para el caso en particular de estudio. en ellos un elemento no pueden pertenecer a cierto conjunto. por ejemplo ideas relacionadas con la altura de una persona. si esta función toma el valor 0 significa que el valor de x no está incluida en la etiqueta A y si toma 1 el correspondiente valor de x está absolutamente incluido en A. Este tema es propio de inteligencia artificial. está asociado con la manera en que las personas perciben el medio. del mismo modo que la teoría clásica de conjuntos es la base para la lógica Booleana. ZAPATA C Nelson. donde se intenta emular en pensamiento humano. o ¿qué tan alta? es cuando decimos caliente. se dice que estas afirmaciones acerca de una variable son ambiguas porque rápido. II. Conjuntos borrosos y funciones de membrecía Fuente: Los autores C. Alta}. esta indica el grado en que la variable x incluida en el conjunto A con valores entre 0 y 1. B. pasando por la etapa de fuzzificación. y estas pueden variar de un observador a otro. alto son afirmaciones del observador. En el control industrial. Éstos valores entran al clasificador (cuadro central). con sus respectivas funciones de membrecía {µBaja(x). esto será útil para emular el comportamiento humano con una máquina. Figura 2. Logica difusa El concepto de lógica difusa es muy común. una temperatura puede ser baja o moderada o alta. se tiene en cuenta la experiencia como base de conocimiento del operario. bajo. Clasificación Automática De Patrones De Desbalanceo En Una Maquina Rotativa. µAlta(x)}. µMedia (x). estos conjuntos entran a la etapa de Defuzzificacion. Una persona puede ser alta o baja. ellos definen un universo discreto con bordes bien definidos. En este punto los conjuntos borrosos son una extensión de los clásicos. Conjuntos difusos Los conjuntos clásicos. ANGARITA O Robinson. Media.Universidad Antonio Nariño. Modelo de clasificador difuso propuesto El modelo propuesto para el clasificador difuso se presenta en la Figura 5. Utilizando Lógica Difusa. algo es falso o es verdadero. la temperatura dominante en una habitación. algo puede moverse rápido o lento. que lleva este banco de LÓGICA DIFUSA COMO CLASIFICADOR DE VIBRACIONES MECÁNICAS A. Los conjuntos difusos definen justamente estas ambigüedades e intenta modelar la ambigüedad con la que se percibe una variable. velocidad con la que se mueve un objeto. Los conjuntos difusos son la base para la lógica difusa. Uno se puede preguntar cuándo algo es frío o caliente. para describir la ambigüedad de un conjunto borroso se logra añadiendo una función de membrecía o pertenecía denominada µA(x). Los conjuntos difusos son la base para la lógica difusa. ANGARITA O Robinson.987] µMedio= [0. Presentados en la TABLEI. PICO.997] µAlto = [0. así como las reglas pertinentes y necesarias para la inferencia del clasificador. RESULTADOS Se hicieron barias pruebas para llegar a la configuración mas optima para el clasificador difuso. estos valores pertenecen a cada una de las funciones de membrecía de los conjuntos borrosos de entrada (RMS. Esta herramienta permitió hacer pruebas para encontrar la mejor configuración para el clasificador difuso.PICO.96 0. ENERGÍA): III. ENERGIA) se obtienen del análisis de cada una de las señales Vibracionales para obtener los correspondientes valores. se empezó por utilizar para todas la funciones de membrecía una función de tipo triangula.98 0. PICO. configuraremos los antecedente y consecuentes para el clasificador difuso de desbalanceo.994] µAlto= [0. Figura 3. de la forma que se describió anteriormente. Clasificación Automática De Patrones De Desbalanceo En Una Maquina Rotativa.989 0. también calcula el error de fallas basándose en los .97 0. ZAPATA C Nelson.9966] µMedio= [0.65 0.99 0. éste mismo script ejecuta el clasificador difuso y entrega los valores de salida para cada una de las pruebas a clasificar.Universidad Antonio Nariño.85 1 2] Fuente: Los autores E. 4 Fuente: Los autores D.9701 1 2] CONDICIÓN µNORMAL= [-1 0 0.993 1 2] ENERGÍA µBajo= [0. El proceso de estas pruebas se describe en la grafica siguiente Figura 5. para cada una de las pruebas.9948 0.7] µDESBALANCE=[0. Los rangos para cada uno de los conjuntos difusos (RMS.4 0.981 0. con este nombre lo ingresamos en la variable “nombre” del script “CLASDIFUSI”. Funciones de membrecía Ya que el método que se plantea para configuración de clasificador difuso es prueba y error. Utilizando Lógica Difusa. muestra los tres valores necesarios para configurar una función triangula. él cual contiene las instrucciones necesarias para la recopilación de las 16 pruebas realizada. MATLAB como herramienta de configuración del la lógica difusa.97 0.9851 1 2] PICO µBajo= [0. Premio Colombiano de Informática ACIS 2011 Después de exportar el archivo “.ENERGÍA.fis” al que se llamo “00-FUSI”.97 0. Proseo de configuraciones del clasificador difuso TABLE I CONJUNTO BORROSO Y SUS FUNCIONES DE MEMBRECÍA Conjunto Borroso Función membrecía RMS µBajo=[0. Ésta grafica muestra los pasos posteriores a la configuración inicial del clasificador Difuso en el Toolbox de Matlab “Fuzzy”. agrupándolas en una matriz llamada “Entradas” esta matriz serán los datos de RMS. El rango para cada uno de los conjuntos difusos se escogió observando el máximo y el mínimo de las señales vibracionales obtenidas de banco de pruebas.97 0.993 0.9875] µAlto= [0.9936] µMedio=[0.985 0. Utilizando la herramienta informática de toolbox Matlab llamado fuzzy. la línea azul son sol valores entregados por el clasificador para cada una de las pruebas. la línea roja horizontal representa el valor medio de las pruebas de desbalance. para el caso en particular se ordenaron las pruebas iniciando con las que no presentan falla y posterior las que si presentan falla. CONCLUSIONES La validación cruzada o cross-validation es una técnica utilizada para evaluar los resultados de un análisis estadístico y garantizar que son independientes de la partición entre datos de entrenamiento y prueba. en ella podemos ver representado el valor medio de las pruebas normales como una línea horizontal de color verde. Utilizando Lógica Difusa. Validación cruzada Figura 4. esto se ve representado en la Figura 5 . valores medios para las pruebas normales y de desbalance. para tener una estimación de cuál debería ser el valor representativo de la zona de desbalance y la normal se calculo el valor medio + la desviación estándar de los datos normales y desbalance por separado . Figura 5. Clasificación Automática De Patrones De Desbalanceo En Una Maquina Rotativa. IV. Este error representa la diferencia promedio del valor de la salida del clasificador con respecto al valor medio para todas. ZAPATA C Nelson. donde las pruebas de desbalance se ubicaban en la parte superior de la figura y las pruebas normales en la parte inferior. A. Los resultados obtenidos para cada una de las configuraciones que llevaron a la configuración fina se presentan a continuación. Premio Colombiano de Informática ACIS 2011 VALIDACIÓN CRUZADA V. Salida del clasificador difuso propuesto Se observo que las salidas del clasificador difuso siempre tenían un comportamiento parecido a una S.Universidad Antonio Nariño. Consiste en repetir y calcular la media aritmética obtenida de las medidas de evaluación sobre diferentes particiones. ANGARITA O Robinson. Ésta técnica es muy utilizada en proyectos de inteligencia artificial para validar modelos generados. Salida del clasificador difuso Fuente: Los autores 5 Fuente: Los autores . Se utiliza en entornos donde el objetivo principal es la predicción y se quiere estimar que tan preciso es un modelo que quiere llevarse a la práctica [9]. 50 12.00 87.00 87.50 87.00 0. • La validación cruzada permitió evaluar el alcance del el modelo propuesto de clasificador difuso para pruebas normales y de desbalance. 6 La Figura 5 muestra esquemáticamente el proceso de validación cruzada del modelo de clasificador difuso.Universidad Antonio Nariño.50 87.50 37.50 100.00 75.50 12. del mismo grupo que los datos de entrenamiento.50 100. A. la siguiente Figura 5 muestra los errores de clasificación presentados en cada una de las iteraciones.50 85% 15% VI. llegándose a obtener un mínimo error de .50 87.50 12.50 75. Resultado de la validación cruzada Para realizar la validación cruzada se tomo un conjunto aleatorio de 8 elementos en cada una de las 20 iteraciones que se realizaron al clasificador difuso. ZAPATA C Nelson. • Es posible la aplicación de la lógica difusa en la clasificación automática de las señales proveniente del banco de pruebas de vibración para una situación de desbalance y normal de la señal. Clasificación Automática De Patrones De Desbalanceo En Una Maquina Rotativa.00 75.00 25.00 75.00 25.50 12. Esto se denomina sobreajuste y acostumbra a pasar cuando el tamaño de los datos de entrenamiento es pequeño o cuando el número de parámetros del modelo es grande. La validación cruzada es una manera de predecir el ajuste de un modelo a un hipotético conjunto de datos de prueba cuando no disponemos del conjunto explícito de datos de prueba [11] B. normalmente el modelo no se ajustará a los datos de prueba igual de bien que a los datos de entrenamiento.00 0.00 25. Error de falla de clasificación y valor medio “Errorf “ Fuente: Los autores Premio Colombiano de Informática ACIS 2011 TABLE II ERROR Y PRECISION DE VALIDACION CRUZADA iteración 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Valor medio Precisión % Errorf % 87. Se coge una muestra independiente como dato de prueba (validación). Figura 6.00 0. La lógica difusa en un método fácil.50 12.00 25. ver TABLEII.00 0.00 87.00 75.50 12.00 62. ANGARITA O Robinson.00 75. Objetivo de la validación cruzada El objetivo es permitir el ajuste y optimiza los parámetros del modelo para que éste se ajuste a los datos de entrenamiento tan bien como pueda. los conjuntos borrosos de entrada junto a los de salida permiten dicha clasificación.00 75. • El modelo propuesto cumple con el objetivo de clasificar las señales vibracionales obtenidas del banco de pruebas.00 0. intuitivo para este tipo de aplicaciones.00 25.50 100.50 12.00 25.00 25. El valor medio de error del modelo del clasificador difuso fue de 15% y una precisión de clasificación de 85%. Utilizando Lógica Difusa.00 100.00 100. en pruebas normales y pruebas de desbalance para cada caso de estudio. CONCLUSIONES • Se concluye que el clasificador difuso propuesto es capaz de clasificar las pruebas normales de las de desbalance aplicando las 27 reglas difusas descritas. S. • Las señales adquiridas del banco de pruebas para las situaciones normales presentaron un grado de desbalance el cual no es apropiado para un banco de pruebas de vibración. m. . d. 164 p. REYES. d.Instituto politecnico nacional. Elkan.facultad de ingeniería electromecánica. Clasificación Automática De Premio Colombiano de Informática ACIS 2011 [14] [15] [16] [17] [18] [19] 7 Patrones De Vibración Mecánica En Máquinas Rotativas Afectada Por Desbalanceo Y Desalineamiento Usando Redes Neuronales Artificiales. S. Trabajo de grado Ingeniero Electromecánico. 146 p.com . F.mexico D. ANGARITA O Robinson. tesis de grado. S. Charles. Introduction to the Bootstrap. J. c. Facultad de Ingeniería Electromecánica. J. . Bucaramanga: Universidad Antonio Nar. W. Londres.. Predictors tutorial. J. CACERES EGEA y DIAZ SIERRA. GUTIERREZ Arrieta. u.-P. T. d. 7 de febrero de 1997. Ing. S. R. The school of computer science. 2008. Kittler. E. Cross-validation for detecting and preventing overfitting. E. proyecto integrador de carrera de ingenieria nuclear. S. AUTORES ANGARITA O Robinson. E.N. y.. Utilizando Lógica Difusa. nelsonzapata87@hotmail. Bucaramanga: Universidad Antonio Nariño. W. 2005-2006.Universidad Antonio Nariño. l. Payam Refaeilzadeh. [6] O. Huan Lui. R. A. Joanneum. 2042. Carnegie Mellon University. O. Arizona State University. roangarita@uan. [8] E. Trabajo de grado Ingeniero Electromecánico. . N. [4] J. The holdout method. [7] E. The school of computer science. The holdout method. Bucaramanga: Universidad Antonio Nariño. e. A. 140 p. arquitectura de un controlador lógico disuso usando lógica combinatoria. O.Eugenio. J. Trabajo de grado Ingeniero Electromecánico.2007. a. P.2015. a. Trabajo de grado Ingeniero Electromecánico. G. ZAPATA C Nelson. D. J. [3] J. [2] A. y. d. F. REFERENCIAS [9] [10] [11] [12] [13] [1] U. 1982. P. • Se evidencian claramente que las señales adquiridas del banco de pruebas presenta situación de desbalance al agregarle una masa descentrada del eje de rotación. Evaluating Classifiers University of California. d.. San Diego. P. Facultad de Inge. k-fold CrossValidation. y. B. Algoritmo en Matlab para la detección de desbalanceo en equipos rotativos usando la Transformada de Wavelet.Sancarlos de Bariloche. [5] C. Lang.springer-Verlag Berlin Heidelberg. Ing TÉLLEZ Velázquez. Implementación de análisis de fase en el banco de pruebas para el análisis de vibraciones mecánicas en maquinaria rotativa afectada por desbalanceo. e.. S. J. and J. G. Moore.edu.bucaramanga. 7 de febrero de 1997.. Prentice-Hall. Introduction to Fuzzy Logic using MATLAB. Pattern Recognition: A Statistical Approach. B. Bucaramanga: Universidad Antonio Nariño. r. Controladores basados en lógica difusa y loops de conversación natural caóticos. HIGUERA. E. Facultad de Ingeniería Electromecánica. d. GIL LEON y PIMIENTO RODRIGUEZ. H. Ricardo Gutiérrez-Osuna. Schneider. J. W. ISBN-10 3-540-35780-7. Jeff Schneider.8 de enero de 2011. Bioinformatic Department Projects. Cross-Validation Explained.F. aplicada a registros obtenidos a partir del sensado de vibraciones mecánicas en un ban.. L. FLOREZ.co ZAPATA C Nelson. a. 2014. 6 de noviembre de 2008. R. Facultad de Ingeniería Electromecánica. u. a. Leaveone-out Cross Validation Wright State University. Extracción de características representativas respecto al fenómeno de desbalanceo y des-alineamiento angular utilizando la Transformada Wavelet. Devijver. D. . R. . A. Trabajo de grado Ingeniero Electromecánico. p. Gutiérrez-Osuna. 2013. . Bucaramanga: Universidad Antonio Nariño. Faculta de ingenier electromecanica. universidad antonio nariño. Clasificación Automática De Patrones De Desbalanceo En Una Maquina Rotativa. Implementación de un banco de pruebas para análisis de vibraciones mecánicas en maquinaria rotativa afectada por desbalanceo.Tibshirani. Efrom 1993. .Sivanandam. Institute for Genomics and Bioinformatics. t.junio de 2007. Lei Tang. clasificación del 15% y un 85% de precisión de clasificación. y.
Report "clasificación Automática de Patrones de Desbalanceo en Una Maquina Rotativa"