caracterización de emisiones acústicas en sistemas con

Caracterización de emisiones acústicas en sistemas con miras a su potencial diagnóstico y

mantenimiento.

Juan Camilo Gómez Soto, [email protected]

Trabajo de Grado presentado para optar al título de Ingeniero de Sonido

Asesor: Juan David Berrio Bernal, Magíster (MSc) en Ingeniería Mecánica.

Universidad de San Buenaventura Colombia

Facultad de Ingenierías

Ingeniería de Sonido

Medellín, Colombia

2020

Citar/How to cite [1]

Referencia/Reference

Estilo/Style:

IEEE (2014)

[1] J. C. Gómez Soto, “Caracterización de señales acústicas en sistemas mecánicos

tipo rodamiento con miras a su potencial diagnóstico y mantenimiento”,

Trabajo de grado Ingeniería de Sonido, Universidad de San Buenaventura

Medellín, Facultad de Ingenierías, 2020.

Línea de investigación en mediciones acústicas y procesamiento de señal.

Bibliotecas Universidad de San Buenaventura

• Biblioteca Fray Alberto Montealegre OFM - Bogotá.

• Biblioteca Fray Arturo Calle Restrepo OFM - Medellín, Bello, Armenia, Ibagué.

• Departamento de Biblioteca - Cali.

• Biblioteca Central Fray Antonio de Marchena – Cartagena.

Universidad de San Buenaventura Colombia

Universidad de San Buenaventura Colombia - http://www.usb.edu.co/

Bogotá - http://www.usbbog.edu.co

Medellín - http://www.usbmed.edu.co

Cali - http://www.usbcali.edu.co

Cartagena - http://www.usbctg.edu.co

Editorial Bonaventuriana - http://www.editorialbonaventuriana.usb.edu.co/

Revistas - http://revistas.usb.edu.co/

Biblioteca Digital (Repositorio)

http://bibliotecadigital.usb.edu.co

https://co.creativecommons.org/?page_id=13

https://co.creativecommons.org/?page_id=13

Dedicatoria

Este logro va dirigido principalmente a mis padres, donde su amor, perseverancia y su

confianza han permitido lograr un objetivo más en mi vida, también a mi novia por su apoyo

constante y valioso, finalmente a toda mi familia quienes con paciencia y aliento me han

sabido impulsar para continuar con mi formación.

Agradecimientos

Les agradezco a mis familiares y compañeros más cercanos por su apoyo constante, por

supuesto a mi Universidad y a mi asesor, gracias por la paciencia, orientación y guiarme en

el desarrollo de esta investigación. A PLÁSTICOS AMBIENTALES S.A.S y su personal

quienes colaboraron con la elaboración de este trabajo de investigación.

TABLA DE CONTENIDO

RESUMEN ............................................................................................................................. 9

ABSTRACT ......................................................................................................................... 10

I. INTRODUCCIÓN ........................................................................................................ 11

II. PLANTEAMIENTO DEL PROBLEMA ................................................................. 12

III. JUSTIFICACIÓN ..................................................................................................... 18

IV. OBJETIVOS ............................................................................................................. 20

A. OBJETIVO GENERAL ........................................................................................... 20

B. OBJETIVOS ESPECÍFICOS ................................................................................... 20

V. PROBLEMA DE INVESTIGACIÓN ...................................................................... 21

A. Alcance ................................................................................................................. 21

B. Delimitación ......................................................................................................... 22

VI. HIPÓTESIS .............................................................................................................. 23

VII. MARCO TEÓRICO ................................................................................................. 24

VIII. METODOLOGÍA ..................................................................................................... 57

IX. RESULTADOS ........................................................................................................ 77

X. DISCUSIÓN ............................................................................................................. 84

XI. CONCLUSIONES .................................................................................................... 87

XII. RECOMENDACIONES .......................................................................................... 89

XIII. REFERENCIAS ....................................................................................................... 90

XIV. ANEXOS .................................................................................................................. 97

LISTA DE TABLAS

TABLA 1 PROYECTOS RELACIONADOS CON EL ESTUDIO DE LOS ELEMENTOS

RODANTES EN UN SISTEMA MECÁNICO ROTATIVO. ............................................. 14

TABLA 2 VENTAJAS DE UN SISTEMA DE MONITOREO. ........................................ 19

TABLA 3 PRINCIPALES DIFERENCIAS ENTRE SEÑALES ACÚSTICAS Y

EMISIÓN ACÚSTICA. ....................................................................................................... 34

TABLA 4 TONOS CLASIFICADOS CON RELACIÓN AL RANGO DE

FRECUENCIAS DE ONDAS SONORAS. ......................................................................... 40

TABLA 5 TIPOS DE RUIDO Y SU MEDICIÓN. ............................................................. 42

TABLA 6 CARACTERÍSTICAS DEL MOTOR ASÍNCRONO. ...................................... 58

TABLA 7 INSTRUMENTAL DE MEDIDA. .................................................................... 59

TABLA 8 SPLeq DE 8, 4, 2, MINUTOS. .......................................................................... 62

TABLA 9 PRUEBAS CON DIFERENTES RUIDOS RESIDUALES. ............................. 66

TABLA 10 VARIABLES DEL ALGORITMO Y SUS RESPECTIVOS VALORES. ..... 76

TABLA 11 FRECUENCIAS EMPÍRICAS DE FALLO EN RODAMIENTOS. .............. 77

TABLA 12 ARMÓNICOS DE BPFI TEÓRICOS. ............................................................ 77

TABLA 13 ARMÓNICOS DE LA FRECUENCIA DE GIRO DEL SISTEMA

ROTATIVO. ......................................................................................................................... 78

TABLA 14 BANDAS LATERALES 1xBPFI .................................................................... 78

TABLA 15 BANDAS LATERALES 2xBPFI .................................................................... 78

TABLA 16 PORCENTAJE DE ERROR PARA ESTADO DE RODAMIENTO BUENO

Y MALO. ............................................................................................................................. 79

TABLA 17 PRIMEROS PICOS PARA ESTADO DE RODAMIENTO BUENO Y

MALO. ................................................................................................................................. 80

TABLA 18 NÚMERO MÁXIMO DE FRECUENCIA PARA ESTADO DE

RODAMIENTO BUENO Y MALO. ................................................................................... 81

TABLA 19 DIAGNÓSTICO TOTAL DEL BANCO DE SEÑALES ACÚSTICAS......... 83

LISTA DE FIGURAS

Fig. 1 Tipos de mantenimiento en la industria .................................................................... 13

Fig. 2 Incidencias de averías en motores eléctricos............................................................. 23

Fig. 3 Rodamientos rígidos a bolas FAG6005-2RSR. ........................................................ 23

Fig. 4 Etapas de mantenimiento predictivo. ........................................................................ 24

Fig. 5 Mantenimiento predictivo vs proactivo. ................................................................... 25

Fig. 6 Estrategia de mantenimiento. .................................................................................... 27

Fig. 7 Desplazamiento en función del tiempo. .................................................................... 29

Fig. 8 Señal acústica de vibración de una máquina. ............................................................ 29

Fig. 9 Generación de una vibración armónica. .................................................................... 31

Fig. 10 Espectro de vibración aleatoria de una máquina. .................................................... 31

Fig. 11 Ejemplo de vibración periódica............................................................................... 32

Fig. 12 Línea de tiempo del uso de monitoreo acústico. ..................................................... 35

Fig. 13 Espectro acústico. .................................................................................................... 38

Fig. 14 Elementos que conforman un micrófono de condensador. ..................................... 43

Fig. 15 Micrófono omnidireccional - dbx .......................................................................... 44

Fig. 16 Clasificación del micrófono usado según su patrón de captación y sus principales

características........................................................................................................................ 44

Fig. 17 Interfaz de sonido – sound device USBpre-2. ......................................................... 45

Fig. 18 FFT de una onda de vibración compleja. ................................................................ 47

Fig. 19 Cartas de diagnóstico de los asociados técnicos de Charlotte. ................................ 49

Fig. 20 Etapa 3 de daño de un rodamiento. ......................................................................... 50

Fig. 21 DFT de la señal acústica.......................................................................................... 54

Fig. 22 Fallo en la pista interior. .......................................................................................... 54

Fig. 23 Fallo en la pista exterior. ........................................................................................ 55

Fig. 24 Fallo de jaula ........................................................................................................... 55

Fig. 25 Procesamiento de señal para métodos de diagnóstico de fallos .............................. 56

Fig. 26 A) Componente medido B) Rodamientos 1 y 2 en el componente medido ............ 57

Fig. 27 Punto de medida. ..................................................................................................... 59

Fig. 28 Sistema de medida. .................................................................................................. 60

Fig. 29 Seteo del equipo. ..................................................................................................... 61

Fig. 30 Espectros normalizados. .......................................................................................... 64

Fig. 31 Armónicos de la frecuencia de giro del sistema. ..................................................... 64

Fig. 32 Fallas reales del juego de rodamientos FAG6005-2RSR. ....................................... 67

Fig. 33 Diagrama del algoritmo de reconocimiento. ........................................................... 69

Fig. 34 Picos ordenados de mayor a menor amplitud en un vector. .................................... 71

Fig. 35 Parámetros de función findpeaks para ordenar picos de mayor a menor amplitud. 71

Fig. 36 Proceso de comparación del algoritmo. .................................................................. 74

Fig. 37 Interfaz gráfica del algoritmo. ................................................................................. 76

Fig. 38 Diagnóstico para rodamiento FAG 6005-2RSR en buen estado. ............................ 82

Fig. 39 Diagnóstico para rodamientos FAG 6005-2RSR en mal estado ............................ 82

RESUMEN

En este trabajo se realizan acciones de mantenimiento predictivo, por medio del monitoreo

de la condición con señales acústicas y finalmente se desarrolla e implementa en el software

Matlab un algoritmo capaz de procesar, analizar y diagnosticar el estado de uno de los 4

componentes de rodamientos con balines en sistemas mecánicos rotativos, siguiendo las

cartas de diagnóstico de los asociados técnicos de Charlotte. Además, se utilizan rodamientos

de referencia comercial FAG6005-2RSR con fallos reales, producto de exposición laboral

alta.

Este trabajo consta de dos etapas, la primera se enfoca en implementar un montaje de medida,

estableciendo parámetros objetivos con el fin de fijar una metodología de medida confiable

y versátil, la segunda etapa pertenece al desarrollo de un algoritmo que caracteriza señales

acústicas con dos estados del rodamiento (con fallo y sin fallo) y de forma automatizada

establecer el estado actual del componente a partir de análisis en amplitud y frecuencia.

Palabras claves: Mantenimiento predictivo, análisis espectral, rodamientos a balines,

señales acústicas, cartas de Charlotte.

ABSTRACT

In this work, predictive maintenance actions are carried out by monitoring the condition with

acoustic signals and finally an algorithm is developed and implemented in the Matlab

software capable of processing, analyzing and diagnosing the condition of one of the 4 ball

bearing components in rotary mechanical systems, following the diagnosis letters from

Charlotte's technical associates. In addition, commercial reference bearings FAG6005-2RSR

with real failures are used, product of high occupational exposure.

This work consists of two stages. The first one is focused on implementing a measurement

assembly establishing objective parameters in order to set a reliable and versatile

measurement methodology, the second stage belongs to the development of an algorithm that

characterizes acoustic signals with two bearing states (failed and non-failed) and

automatically establishes the current state of the component from amplitude and frequency

analysis.

Keywords: Predictive Maintenance, spectral analysis, ball bearings, acoustic signals,

Charlotte letters.

CARACTERIZACIÓN DE SEÑALES ACÚSTICAS EN SISTEMAS MECÁNICOS… 11

I. INTRODUCCIÓN

En este trabajo al hablar de sistemas, se hace referencia a sistemas mecánicos rotativos, estos

requieren de un mantenimiento durante su funcionamiento [1], para ello existen planes de

mantenimientos correctivos, preventivos y predictivos. Una técnica de mantenimiento que se

emplea en la industria corresponde al basado en la condición o predictivo, el monitoreo de

una condición ha trascendido con nuevas técnicas de detección de fallo o anomalías en

máquinas rotativas [1]; al día de hoy la técnica de monitoreo más empleada en sistemas

rotativos corresponde al monitoreo de vibraciones [2], ya que su alta confiabilidad para

detectar fallos en rodamientos ha sido bien aceptada en la industria [1].

La forma más común de análisis y diagnóstico de fallas en rodamientos es la inclusión de

capturas de señales vibratorias, que posibilitan el mantenimiento predictivo para analizar los

fallos en sus etapas iniciales, generando así, un seguimiento del comportamiento y estado de

los elementos rodantes. El presente trabajo atiende la necesidad de desarrollar una

metodología distinta, pero igualmente confiable, que permita la captura y análisis de otro tipo

de señal, que en este caso corresponde a señales acústicas de los elementos rodantes de un

sistema giratorio, empleando micrófonos como transductores en vez de acelerómetros. El

monitoreo basado en señales acústicas de máquinas rotativas ha recibido muy poca atención

[1], ya que la percepción del monitoreo acústico en sistemas rotativos es ruidoso y complejo

cuando este se encuentra en un entorno industrial. Asimismo, existe una alta probabilidad

que la señal acústica registrada sea contaminada por el entorno [3]. El análisis de señales

acústicas posibilita la detección de fallos a un nivel aceptable y sin producir daños a

maquinarias, para esto es de gran interés identificar las frecuencias de fallo a través de señales

acústicas. Además, al hablar de sistemas rotativos industriales, se requiere de un sistema de

captura confiable y un procesamiento de señales acústicas que posibilite un diagnóstico

acertado en elementos rodantes, dado que se presenta contaminación acústica [3]. Este

trabajo está enfocado en proponer un algoritmo de detección de fallas en los rodamientos de

un sistema, derivado de una previa selección de características del estado del elemento.


II. PLANTEAMIENTO DEL PROBLEMA

Los sistemas mecánicos rotativos son componentes críticos para la mayoría de las industrias,

la falla de estos puede producir una interrupción en la producción final [4]. Desde el primer

sistema construido, el personal de la planta ha escuchado ruidos que emiten las máquinas;

con la experiencia necesaria, un oyente puede hacer una estimación bastante precisa del

estado de una máquina, pero dicha estimación no permite estudiar la causa raíz del fallo [5].

Una falla en el sistema rotativo puede producir una interrupción inesperada con

consecuencias en costos, calidad del producto y seguridad [5]. Estas fallas pueden ser innatas

de la máquina o de las condiciones de su funcionamiento, los orígenes de dichas fallas se

deben a fuerzas mecánicas, térmicas o eléctricas actuando en la misma.

El mayor desafío en el área de mantenimiento predictivo es el diagnóstico de una falla antes

de que esta se vuelva crítica y la detección anticipada permite la reparación de la causa. En

general los esquemas de monitoreo de condición han sido incluidos para detectar los modos

de falla en uno de los tres (3) principales componentes del sistema rotativo: del estator, del

rotor y los rodamientos [4]. Habitualmente el monitoreo de la condición se ha dividido en

dos áreas (problemas mecánicos y eléctricos) [6].

A. Antecedentes

Las labores de mantenimiento en máquinas industriales han tenido una evolución notable. A

continuación, se describe de manera resumida las diferentes formas de mantenimiento

existentes en la industria. En un principio estas acciones se centraban en actuar como

consecuencia de averías en máquinas, producto de esto, se derivan costos de reparación

(piezas de repuestos, horas extras, mano de obra, etcétera), esta forma de mantenimiento se

le conoce como mantenimiento correctivo. Las necesidades de reducción de costos, dada

la baja disponibilidad de las máquinas y de las paradas no programadas, llevaron a los

técnicos de mantenimiento a planificar revisiones periódicas con el fin de conservar sus

máquinas y así, bajar su probabilidad de fallo; a esta técnica se le conoce como

mantenimiento preventivo, pero presenta una incertidumbre ligada al costo adicional que

genera incógnitas. ¿Los periodos que se establecen para las intervenciones de mantenimiento

están sobredimensionados?, ¿Es posible reducir los periodos de intervención sin


consecuencias desfavorables?, ¿Es posible hacer esta revisión sin parar la máquina?, esta

clase de preguntas carecen de respuestas precisas y limitan la eficiencia del mantenimiento

[5].

Al tener presente la incertidumbre asociada al mantenimiento preventivo y con el

acompañamiento de nuevas tecnologías, se desarrolla un nuevo concepto de mantenimiento

basado en el estado de la máquina o condición. A esta técnica se le conoce como

mantenimiento predictivo, se centra en anticipar averías gracias al conocimiento de cómo

se comporta el sistema y de cómo debería hacerlo, distinguiendo de esta manera qué elemento

puede fallar y cuándo [7] [5] [8]. Esto permite establecer en qué momento de la producción

es recomendable proyectar una intervención, minimizando la afectación Figura. 1.

Fig. 1 Tipos de mantenimiento en la industria

Nota: Tomado de [5].

.

Todo apunta a que el mantenimiento predictivo puede ser una forma de seguimiento en

rodamientos prometedora, pero trae consigo desventajas. Se puede destacar en primer lugar

el alto costo de sus equipos, ya que necesitan una alta capacidad de almacenamiento y

cálculo.


El mantenimiento predictivo se puede desarrollar bajo la implementación de dos (2) tipos de

equipos, que están clasificados por [7]:

• Portátiles, estos se usan de forma periódica. Normalmente estos equipos poseen un

valor económico bajo, pero su costo de explotación es alto e intervalos de toma de

datos más grandes.

• Continuos u on-line: Son sistemas automatizados que se diferencian por ofrecer

beneficios notorios al reducir de forma drástica los intervalos de tiempo de la toma

de datos, permitiendo diagnosticar de forma inmediata cualquier tipo de anomalía en

el sistema rotativo. A su vez, tiene un costo de explotación menor y mayor calidad al

medir en el mismo punto. Trae consigo la desventaja de necesitar equipos costosos y

normalmente suelen ocupar más espacio debido a su tamaño y cableado.

En el presente trabajo se emplean equipos portátiles para la captura de las señales acústicas

que posteriormente entregan información sobre el estado de elementos rodantes. Por otro

lado, universidades como la Politécnica Salesiana sede Cuenca, han realizado investigaciones

sobre el mantenimiento predictivo en maquinaria industrial [1]. En la Tabla 1 se muestra de

forma resumida los proyectos relacionados con adquisición de señales vibratorias y acústicas

para el diagnóstico de fallos en sistemas rotativos industriales.

TABLA 1 PROYECTOS RELACIONADOS CON EL ESTUDIO DE LOS ELEMENTOS RODANTES EN

UN SISTEMA MECÁNICO ROTATIVO.

Referencia Título Descripción Señales adquiridas Componentes

estudiados

[9]

"Establecimiento de una

base de datos de señales de

vibraciones mecánicas de

una caja reductora

combinando fallos de

rodamientos y engranajes

rectos para fines

investigativos en la

Universidad Politécnica

Salesiana".

Se adelantaron bases de datos

con un total de 60

combinaciones diferentes

incluyendo fallos en engranajes

rectos, rodamientos rígidos de

bolas y combinando fallos en

ambos elementos.

Vibración

mecánica.

Rodamientos-

Engranajes.


[10]



vibraciones acústicas e

imágenes termográficas

infrarrojas para un sistema

mecánico rotativo con la

combinación de diferentes

tipos de fallos y elaboración

de guías de prácticas para la

detección de fallos en

engranajes".

Se logró registrar señales de

emisión acústica, vibración

mecánica e imágenes

termográficas sobre un sistema

mecánico rotativo.

Vibración

mecánica-Emisión

acústica-Imágenes

termográficas.

Sistema mecánico

rotativo-

Engranajes-

Rodamientos.

[11]



vibraciones mecánicas y

acústicas de un sistema

mecánico rotativo con la

combinación de fallos de


helicoides y elaboración de

guía práctica para

desbalanceo estático".

Se adquirieron señales de

vibración mecánica y emisión

acústica en un sistema mecánico

rotativo, simulando fallos en


helicoidales en una caja de

engranajes.

Vibración

mecánica-Emisión

acústica.

Rodamientos-

Engranajes.

[12]

"Adquisición de señales

vibracionales y emisiones

acústicas combinando fallos

en maquinaria rotativa y

elaboración de guías de

práctica sobre detección de

fallos en engranajes por

medio de mediciones

acústicas".

Se comparan las señales de

emisiones acústicas y señales de

vibración adquiridas en un

sistema mecánico rotativo con

diferentes configuraciones de

fallos en rodamientos y en

engranajes.

Vibración

mecánica-

Emisiones

acústicas.

Rodamientos-

Engranajes.

[13]

"Adquisición de señales de

vibración y emisión

acústica para el diagnóstico

de severidad de fallos en

maquinaria rotativa".

Se establece una base de datos

de severidad de fallos en

engranajes y rodamientos, por

medio de la adquisición de

señales de vibración y emisiones

acústicas.

Vibración

mecánica-

Emisiones

acústicas.

Rodamientos-

Engranajes.


[14]

"Spectral Analysis for

Identifying Faults in

Induction Motors by Means

of Sound".

La contribución de esta

investigación es el desarrollo de

una estrategia de monitoreo de

condición que puede hacer una

evaluación confiable

de la presencia de una condición

de falla específica en un motor

de inducción

con una sola falla presente a

través del análisis de la señal de

sonido.

Vibración

mecánica-

Emisiones

acústicas.

Rodamientos-

Poleas.

[15]

"Application of high-

resolution spectral analysis

for identifying faults in

induction motors by means

of sound".

Se desarrolla un procedimiento

de monitoreo de condición que

puede hacer una evaluación

confiable de la presencia de una

condición de falla específica en

un motor de inducción con una

sola falla.

Vibración

mecánica-

Emisiones

acústicas.

Rodamientos-

Poleas-Barras.

[16]

"Methodology for fault

detection in induction

motors via sound

and vibration signals".

La contribución de este trabajo

es una metodología para la

detección de fallas en los

motores de inducción en una

operación de estado estable

basada en el análisis de sonido

acústico y señales de vibración.

Vibración

mecánica-

Emisiones

acústicas.

Rodamientos-

Poleas-Barras.

[7]

"Desarrollo de un sistema

de mantenimiento

predictivo integrado dentro

del protocolo OPCUA".

Análisis teórico de una maqueta

de sistema de elevación por

cable con un motor trifásico

asíncrono. Búsqueda y

determinación de fallos en

rodamientos y engranajes dentro

del espectro de las frecuencias

utilizando un micrófono

direccional.

Señales de vibración

y acústica.

Engranajes-

Rodamientos.

También se han desarrollado estudios con equipos de medición muy limitados [17], es el

caso de los micrófonos integrados en teléfonos móviles modernos para cumplir con los

propósitos de diagnóstico en maquinaria, que traen consigo limitaciones en su respuesta en

frecuencia ya que el sistema mecánico rotativo se presenta en bandas de baja frecuencia [17].

En el presente trabajo se utiliza un micrófono omnidireccional de condensador [18], para


posteriormente generar espectros del sistema rotativo. Este trabajo está desarrollado bajo la

implantación de equipos portátiles, es decir, se usan de forma periódica y sirven para obtener

y procesar la señal.


III. JUSTIFICACIÓN

La predicción temprana de una anomalía en un sistema rotativo es importante, no hacerlo

conlleva a fallas de alto grado de severidad, incluso al daño total del equipo [2]. Existen

diversos sistemas que posibilitan el desarrollo y la eficiencia de un proceso, por lo que se

debe garantizar la operación permanente de dichos sistemas con la ayuda de diagnósticos

para la detección temprana de fallas. El uso más común en la caracterización de señales

acústicas como técnica de diagnóstico es complementaria a prácticas comunes

[19]. Asimismo, para lograr mejores resultados se proponen ciertas condiciones como

posición de medida, posibles arreglos de micrófonos de medición y el uso de algoritmos

especializados en cancelación de ruido para detectar fallas individuales en un sistema [14].

La técnica de seguimiento (caracterización acústica) trae consigo ciertas ventajas que la

hacen útil y práctica; al ser una técnica no invasiva, en la mayoría de situaciones no es

indispensable desmontar y no es necesario parar el sistema [6]. Por otro lado, la técnica de

monitoreo de vibraciones, a pesar de ser la práctica de diagnóstico dominante, trae consigo

posibles riesgos en su instrumentación producto de acoples de transductores en las superficies

de interés, los cuales son sometidos a las condiciones de funcionamiento del sistema, es

importante precisar que dichos contactos conllevan a que la energía térmica que genera el

sistema en condiciones nominales se transmita. La predicción de anomalías tempranas ayuda

a prevenir fallas catastróficas en piezas de un sistema, a su vez ofrece una ventaja adicional,

ya que la compra de repuestos futuros se hará siempre y cuando sea necesaria. Ante esto, el

presente trabajo se enfocará en la detección de fallas en rodamientos de un sistema rotativo.

En la Tabla 2 se presentan las ventajas en términos de disminución de costos porcentuales

del monitoreo de sistemas [3].


TABLA 2 VENTAJAS DE UN SISTEMA DE MONITOREO.

Nota: tomado de [3].

En cuanto a la viabilidad del proyecto, se tuvo en cuenta en primera instancia la necesidad

de caracterizar los diferentes estados de un sistema, con la ayuda de ciertas posiciones e

instrumentos de medida del fenómeno sonoro, a diferencia de otras técnicas de diagnóstico

por caracterización acústica [25], [20], [21], [4], en este trabajo se usa un micrófono de

respuesta plana, para así lograr caracterizar un espectro adecuado.

A mediano plazo se espera caracterizar un sistema en una determinada situación que permita

diferenciar el estado de funcionamiento óptimo respecto al que presenta una desviación

considerable o una falla puntual, determinando así el estado de salud del mismo, finalmente

se espera desarrollar e implementar un algoritmo que tenga la capacidad de diagnosticar

fallos en rodamientos industriales. Principalmente el sector industrial se beneficiará con el

desarrollo de esta técnica predictiva, ya que en contextos de producción los tiempos y costos

son factores de vital importancia y no contemplan percances. Por otra parte, una detección

temprana de una falla o anomalía en un sistema mecánico rotativo ayuda a extender su vida

útil, como también se evitan consumos excesivos de energía eléctrica, producto de esfuerzos

no comunes en el sistema [21].

Costos de mantenimiento Reducción del 50 al 80 %

Daños al equipo Reducción del 50 al 60 %

Partes redundantes Reducción del 20 al 30 %

Vida útil del equipo Reducción del 50 al 80 %

Gasto de horas extras Reducción del 20 al 50 %

Vida útil de la máquina Incremento del 50 al 60 %

Productividad total Incremento del 20 al 30 %

Lucro Incremento del 25 al 60 %


IV. OBJETIVOS

A. OBJETIVO GENERAL

Caracterizar señales acústicas en sistemas mecánicos tipo rodamiento orientadas a acciones

de diagnóstico y mantenimiento.

B. OBJETIVOS ESPECÍFICOS

• Implementar un montaje de medición de señales acústicas para la caracterización del

estado de sistemas mecánicos tipo rodamiento.

• Generar un banco de señales acústicas siguiendo el montaje de medición implementado

bajo condiciones de funcionamiento normales e incluyendo falla en los rodamientos.

• Desarrollar un código capaz de caracterizar señales acústicas para determinar un tipo de

falla en un sistema mecánico tipo rodamiento basado en las cartas de Charlotte.


V. PROBLEMA DE INVESTIGACIÓN

A. Alcance

El mantenimiento predictivo es una manera de usar los datos que se generan a partir del

monitoreo de la condición, este se puede resumir en tres etapas principales; toma de datos,

procesamiento de datos y selección del estado del componente [22]. Para este caso, se

implementa el mantenimiento predictivo en el sistema mecánico medido, donde los

problemas más comunes se presentan como deterioro térmico y desgaste de sus componentes.

Asimismo, variables como carga, tiempo de funcionamiento y la velocidad de la máquina;

son factores que posibilitan daños en los rodamientos [23], [24]. Dicho esto, el monitoreo

de la condición se enfoca en caracterizar fallos o anomalías en estos elementos anticipando

que el sistema rotativo se dañe [25]. Se ha validado que a través de un mantenimiento

predictivo que incluya medidas vibratorias, señales acústicas, emisión acústica y corriente,

se puede diagnosticar de manera confiable y temprana para reducir intervenciones no

programadas [10].

El micrófono, conocido como elemento receptor, hace las veces de transductor inverso; y

convierte energía proveniente de una onda sonora a movimiento, y luego esa energía

mecánica es llevada a señal eléctrica [26], posteriormente esa señal eléctrica generada por el

micrófono puede digitalizarse para luego ser analizada en un ordenador. Además, estos

elementos receptores pueden estar cerca de la máquina, sin necesidad de tener contacto con

la misma, pero tienen una dificultad para adquirir señales acústicas que son contaminadas

por el entorno [24], esto no es bueno porque la señal adquirida del medio se mezcla con la

señal original o las señales características del sistema. También hay dificultades en

acelerómetros, ya que la señal captada de vibración incluye otros componentes o equipos

adyacentes [1], el buen uso del elemento receptor utilizado en el presente estudio permitirá

comparar señales acústicas de fallos en el juego de rodamientos para abordar un estudio

comparativo de dichas señales, lo cual puede ser un aporte al área industrial. Para este caso,

la situación aprovechada para realizar las mediciones de los diferentes estados son ejemplo

de sistemas mecánicos rotativos donde se emplea el monitoreo de la condición que juegan


un papel considerable en la industria, ya que a partir de ellas se realiza la transmisión de

movimiento en gran parte de las máquinas industriales, con el objetivo de identificar y

localizar la falla en etapa temprana por medio de adquisición y procesamiento de señales de

monitoreo de la condición [1]. También en situaciones como falta de espacio o elevadas

temperaturas de operación dificultan la instalación de acelerómetros, por el contrario el uso

del micrófono logra superar los inconvenientes presentados por el monitoreo de la condición

de vibración [1]. En el procesamiento de señales acústicas se obtienen ruidos constantes y

continuos Tabla 5 generados por el sistema rotativo en el dominio del tiempo, pero con la

necesidad de mejorar el análisis gráfico se transforman al dominio de la frecuencia a

espectros.

B. Delimitación

La mayoría de trabajos enfocados en el mantenimiento de la condición de vibración y

acústica, se desarrollan en entornos controlados como laboratorios o en entornos donde la

única fuente de ruido en función será el sistema mecánico rotativo [7], [27], [28], [4], [16],

el presente se adelantó en una industria real, este aspecto es un reto que si se aborda de forma

satisfactoria proporciona información valiosa y objetiva que sirva en el campo investigativo.

Además, los fallos medidos en el juego de rodamientos descritos más adelante en la Figura.

32 son reales, es decir, son fallos producto del tiempo de funcionamiento del sistema

mecánico rotativo y de sus condiciones adversas que afectan a su vida útil.


VI. HIPÓTESIS

Las fallas en rodamientos son los problemas más comunes en los sistemas rotativos;

aproximadamente el 40 % [29], [30]. ¿Es posible hacer la revisión del estado de estos

componentes sin parar la máquina utilizando mantenimiento predictivo?. El presente trabajo

se encarga de analizar y abordar esta pregunta.

Fig. 3 Rodamientos rígidos a bolas FAG6005-2RSR.

Fig. 2 Incidencias de averías en motores eléctricos.



VII. MARCO TEÓRICO

Mantenimiento predictivo:

El mantenimiento predictivo es una técnica fundamentada a través de la adquisición de datos

mediante el monitoreo de condición de la máquina [31] [32]. Dicho mantenimiento está

representado en cinco (5) etapas principales como se observa en la Figura. 4.

La obtención de datos es una etapa primordial en el monitoreo de condición de la máquina

para generar los diagnósticos de posibles fallos. La etapa que corresponde al procesamiento

de datos manipula y se analiza para entender y visualizar de una mejor forma los datos

obtenidos. Asimismo, se recomienda tomar decisiones para las acciones respectivas de

mantenimiento basadas en los resultados de diagnóstico [22]. Al decir lo anterior, es posible

establecer niveles de alarma cuando se presenten acciones que signifiquen un riesgo para la

máquina en sí, esta técnica consiste en la detección e identificación de fallos cuando se

generen.

El mantenimiento predictivo se ha adaptado tanto que es una forma eficiente de confirmar

un nivel aceptable de la máquina durante su vida útil. Gracias a la gran evolución y

adaptación de nuevas tecnologías, las industrias requieren de procesos de mayor calidad y

fiabilidad, lo cual las hacen más complejas. A su vez, las industrias se están encaminando a

mantenimientos más confiables y eficientes como el mantenimiento predictivo, lo cual si se

implementa correctamente se podría reducir los costos de mantenimiento y horas de paradas

programadas.

Como tal, el mantenimiento predictivo tiene como objetivo conocer el estado de la máquina,

determinado su operación de manera adecuada, eficiente y económica. Esta técnica tiene

|

Fig. 4 Etapas de mantenimiento predictivo.


presente características cuantificables y observables que son indicadores del estado de la

máquina. Los beneficios del mantenimiento predictivo se pueden clasificar en [33]:

• Detectar condiciones que pueden ser causa de falla (proactiva).

• Detectar problemas en la máquina (predictiva).

• Impedir fallos catastróficos (predictiva).

• Diagnóstico de la causa de la falla (proactiva).

• Pronóstico de utilidad (predictiva).

La toma de decisiones en el momento apropiado permite evitar que el fallo se presente

(proactivo) o eliminar la posibilidad de un fallo severo (predictivo) Figura. 5 [33].

Fig. 5 Mantenimiento predictivo vs proactivo.


Monitoreo de condición

El monitoreo de una condición es un factor esencial para efectuar un programa de

mantenimiento funcional y efectivo en combinación con sistemas de detección de fallos.

Además, suministra información de diagnóstico sobre el estado de la máquina, con esta


información se planifican labores de mantenimiento permitiendo reparar de forma anticipada

fallos o anomalías que puedan generar interrupciones del funcionamiento del equipo [34].

La información de señales como vibración, acústica, temperatura, etcétera; son base del

mantenimiento predictivo. El monitoreo de la condición trata de recopilar datos del sistema

mecánico por medio de sensores y luego se procesan dichos datos para obtener información

relevante; múltiples técnicas de monitoreo de la condición son útiles para detectar el estado

de la máquina, incluso permiten identificar qué elemento posee alteraciones, el monitoreo de

la condición es una manera para ejecutar el mantenimiento predictivo [35]. Las claves para

realizar un programa de monitoreo de condición acertado son [36]:

• Tener presente qué se debe escuchar.

• Cómo interpretarlo.

• Cuándo poner en práctica ese conocimiento.

El uso adecuado de este programa de monitoreo posibilita reparar los componentes que

presentan fallos tempranos. También puede dar información importante sobre el estado de

salud de los equipos de producción para obtener la mayor eficacia posible, reducir paros y

maximizar la capacidad de producción en la industria [37].

En la estrategia de mantenimiento predictivo, los elementos son seguidos de manera

constante para encontrar signos de desgaste a través del monitoreo de condición. Con la

información obtenida, puede realizarse un perfil estructurado de la máquina que combine

información histórica con la inmediata. Esta información permite predecir su

comportamiento posterior y así estimar el momento de fallo [38]. En la Figura. 6 se ilustran

los tiempos de mantenimiento convenientes para su planificación.


Fig. 6 Estrategia de mantenimiento.


Normalmente los operadores y mecánicos perciben señales de la máquina con sus propios

sentidos, pero lo que pretende el monitoreo de condición es amplificar estas señales y

aislarlas para incrementar su percepción por medio de tecnología de medición. Las técnicas

se catalogan de la siguiente manera [1]:

• Inspecciones de la maquinaria.

• Mediciones del desempeño de la maquinaria.

• Monitoreo de las condiciones dinámicas de la maquinaria.

• Monitoreo de fluidos.

• Monitoreo de las partículas de desgaste.

• Monitoreo de vibración y acústica.

Monitoreo de vibración

En términos muy simples una vibración corresponde a un movimiento oscilatorio de pequeña

amplitud. En general todos los cuerpos presentan una señal vibratoria en la cual reflejan cada

una de sus características, al decir esto, comúnmente las máquinas presentan su propia

vibración, que posee información relativa a cada uno de sus componentes. Dicho esto, una

señal de vibración capturada de una máquina se compone de la suma de la vibración de cada


uno de sus componentes [5]. Entendiendo lo anterior, un concepto principal de las señales de

vibración en el dominio del tiempo corresponde a ondas sinusoidales porque son más simples

y son la representación de las oscilaciones puras [5], [27]. El estudio de vibraciones como

mecanismo para detectar anomalías en máquinas ro tativas, ha generado un fuerte impacto en

la industria por su capacidad para diagnosticar de forma anticipada probables fallos en

sistemas mecánicos empleados en diferentes sectores de la industria [39]. Para el caso

particular en el monitoreo de la condición, el análisis y estudio de vibraciones es la técnica

más usada, debido a su capacidad de identificar con gran precisión (90%) los fallos de

maquinaria por el cambio de sus señales vibratorias, asimismo, el nivel de señal permite

predecir con gran exactitud una futura falla [40].

Existen dos temas de gran importancia para analizar maquinaria rotativa, la vibración provocada

directa o indirectamente por el giro de la máquina y las resonancias estructurales que aumentan

las vibraciones [41]. Para el caso particular de este proyecto, se encamina en las vibraciones

generadas por los rodamientos con y sin fallos. Por otra parte, los factores característicos de las

vibraciones vistas en la Figura. 7 son:

• Frecuencia: Número de ciclos que ocurren en un tiempo determinado.

• Periodo: Tiempo que tarda la masa en realizar un ciclo completo.

• Desplazamiento: Cantidad de movimiento que la masa sufre con respecto a una

posición inicial determinada.

• Velocidad: Es la proporción del cambio del desplazamiento.

• Aceleración: Medida del cambio de la velocidad con respecto al tiempo.


|

Fig. 7 Desplazamiento en función del tiempo.


En sí, los elementos que conforman una máquina laboran de forma conjunta, donde la

vibración como tal de la máquina es la suma de todas las señales originadas por cada una de

sus piezas y resultan en una señal de tiempo de todos los componentes contenidos en una

sola gráfica, un ejemplo de ello se encuentra en la Figura. 8.

Fig. 8 Señal acústica de vibración de una máquina.

Características de la vibración

El uso del análisis de vibraciones para determinar el estado de salud de la máquina y de

elementos críticos permite impedir fallos futuros. Asimismo, a la hora de realizar el

respectivo análisis, se cuantifican las frecuencias y amplitudes de las señales captadas,


teniendo en cuenta que la frecuencia permite descubrir el problema de la máquina y la

amplitud indica la severidad del problema. Los 3 tipos de vibración son:

• Vibración armónica

• Vibración aleatoria

• Vibración periódica

Vibración armónica

Como tal, una onda sinusoidal es la representación más simple de la vibración, se le califica

armónica por su siguiente relación [42]:

Donde:

Y: Amplitud.

t: Tiempo.

w: Velocidad angular.

𝜑 : Ángulo de fase de la vibración.

Cuando la velocidad angular (ω) es constante:

𝜔 =2𝜋

𝑇

(2)

Entonces, la frecuencia de oscilación (f) expresada en [Hz]:

𝑓 =𝜔

2𝜋=

1

𝑇

(3)

Sustituyendo (ω) en la ecuación 3, se obtiene el modelo matemático:

y(t) = Y sin(𝜔𝑡 + 𝜑) = 𝑌 sin(2𝜋𝑓 + 𝜑)

(4)

Una onda armónica se puede generar mediante el movimiento de un elemento giratorio que

se repite en un tiempo definido Figura. 9.

y(t) = Y sin(𝜔𝑡 + 𝜑) (1)


Fig. 9 Generación de una vibración armónica.


Vibración aleatoria

La vibración aleatoria no cumple con patrones concretos que se repiten constantemente,

además es prácticamente imposible detectar dónde comienza un ciclo y dónde termina [5].

También está constituida por infinitas señales armónicas, una por una con su respectiva

amplitud y frecuencia correspondiente a cada componente de la máquina Figura. 10.

Fig. 10 Espectro de vibración aleatoria de una máquina.


.


Vibración periódica

Una vibración periódica es aquella que se repite con todas sus características después de un

intervalo de tiempo establecido como periodo de vibración [44]. En la Figura. 11 se puede

ver una vibración que se repite con todas sus características después de un intervalo de tiempo

dado.

Fig. 11 Ejemplo de vibración periódica.


Monitoreo acústico

Las señales acústicas de por sí, hacen parte de un conjunto de vibraciones que se disipan por

un medio elástico como el aire, pueden ser distorsionadas por los ruidos y dependen en gran

medida de los parámetros del proceso, por lo que se requieren técnicas avanzadas de

procesamiento de señal [45]. Gracias al desarrollo de nuevas técnicas de procesamiento de

señales y talento informático se ha posibilitado que el monitoreo de señales acústicas tengan

una labor importante en el diagnóstico de fallos en máquinas rotativas [46]. Además, el

seguimiento de señales acústicas otorga información valiosa y confiable sobre diferentes

problemas puntuales en elementos mecánicos específicos, ya que al incluir algoritmos de


aprendizaje automático pueden ser útiles para localizar de manera prematura fallos en un

sistema real [47]. Es de vital importancia entender que de forma semejante a las señales

vibratorias, las señales acústicas varían gradualmente mientras los componentes desarrollan

fallos y cada fallo produce sonidos distintos, al presentarse dichos cambios, se puede

diagnosticar la condición de la máquina [48]. Además, hay que aclarar que las señales

acústicas en campo cercano tienen relación con las señales de vibración de una máquina, ya

que se asegura que la velocidad de partícula generada por el sistema mecánico rotativo, se

perciba por el diafragma del micrófono en campo cercano. Por lo tanto, es posible utilizar

señales acústicas para la caracterización de la condición de los elementos giratorios.

Para distinguir y entender de una forma más clara se presenta una diferenciación entre las

señales acústicas y las emisiones acústicas, todo esto con el fin de establecer qué tipo de

sensor acústico es acorde con la situación a monitorear.

Diferencia entre emisión acústica y señal acústica

Al hablar de emisión acústica, se hace referencia a la propagación de ondas elásticas

transitorias producidas por una rápida liberación de energía de una fuente localizada dentro

del elemento en sí, cuando una estructura es sometida a una carga externa, las fuentes

ubicadas permiten la liberación de energía en forma de ondas de tensión, que viajan a la

superficie, además son fáciles de detectar por sensores. La diferencia principal de las ondas

de emisión acústica es que no se propagan por medio del aire, sino que lo hacen a través de

un material sólido en un rango espectral fuera del audible humano [49]. Por otro lado, las

señales acústicas involucran propagaciones generadas por la liberación de energía de

deformación y que viajan a través del aire, algo a destacar por parte de los sensores que se

usan para monitorear es que no necesitan contacto, dichos sensores se conocen comúnmente

como micrófonos, además estos sensores trabajan sobre el rango de frecuencia audible por

los seres humanos de 20Hz a 20kHz [50]. En la Tabla 3 se muestran factores diferenciales

significativos entre el monitoreo de emisiones acústicas y monitoreo de señales acústicas.


TABLA 3 PRINCIPALES DIFERENCIAS ENTRE SEÑALES ACÚSTICAS Y EMISIÓN ACÚSTICA.

Nota: tomado de [51]

Historia del monitoreo acústico

Para entender la evolución del monitoreo acústico, se presenta en la Figura. 12 una línea de

tiempo hasta ahora [51].

Indicador Señales acústicas Emisiones acústicas

Rango de frecuencias 20Hz~22kHz 1kHz~1MHz

Contacto con la máquina No Si

Medio de propagación Aire Sólidos

Montaje en la máquina Alrededores En la superficie

Sensores empleados Micrófonos de condensador Transductores piezoeléctricos


Fig. 12 Línea de tiempo del uso de monitoreo acústico.

Nota: Tomado de [51]


Ventajas y desventajas del monitoreo de señales acústicas

Para hablar de ventajas y desventajas que presentan los sensores acústicos a la hora de

adquirir información necesaria para en el futuro conocer el estado de salud de un elemento

mecánico dentro de un sistema rotativo, se relacionan las diferencias en el análisis de señales

por vibración mecánica [3], [10], [52], [53], [54], [55], [56].

Ventajas:

• Las señales acústicas que propagan son omnidireccionales, dicho esto el micrófono

puede instalarse en cualquier punto alrededor de un campo esférico donde puedan

generarse las señales.

• Los micrófonos pueden adquirir señales propagadas por fuentes sonoras en lugares

donde no es posible el uso de otros sensores. Por ejemplo: acelerómetros,

termógrafos, entre otros.

• Las señales acústicas obtenidas por un micrófono reciben información de diferentes

elementos, esto implica que solo se requieren unos pocos sensores para monitorear

todo el sistema.

• Las señales acústicas se pueden obtener sin tener un contacto directo con la máquina

misma, esto recae en que se elimina la necesidad de utilizar sensores de vibración de

alta temperatura, los cuales son costosos e implican consideraciones de montaje

extras.

• Los micrófonos posibilitan la localización de las fuentes activas y permiten estar al

tanto de procesos de deterioro cambiantes, dependiendo de la velocidad de la máquina

y la geometría de los componentes, teniendo en cuenta una distancia considerable.

Desventajas:

• Las variaciones de temperatura, humedad y corrientes de aire pueden afectar a la

sensibilidad de los micrófonos.

• Existen pocos micrófonos lo suficientemente robustos para laborar en un entorno

industrial, lo que hace su selección limitada.


• La adquisición de señales acústicas puede presentar dificultades, dada la

contaminación acústica que se presenta por el entorno donde se realiza la medición.

• Las fuentes acústicas al estar en un espacio cerrado, las reflexiones pueden perjudicar

las características básicas de la fuente acústica, aumentando las dificultades para el

diagnóstico de fallos.

Señales acústicas

Principio físico de la acústica

En el momento que se le aplica una fuerza externa a un material rígido, este padece una

deformación elástica, dicho de otra manera, se consume energía de deformación. Es por esto

que gran parte de esta energía deformada se disipa en ese instante. Seguidamente, la energía

sobrante se extingue generando ondas acústicas y de calor. Al decir esto, las ondas acústicas

generadas son clasificadas en dos tipos, en emisiones acústicas y en señales acústicas [57].

Se puede entender una señal acústica como una vibración mecánica que viaja a través de un

material elástico y denso (normalmente aire), resultado de la ya mencionada liberación de

energía de deformación de un material [58]. A continuación se muestra que el rango de

frecuencias de estas señales se pueden dividir en:

• Infrasonidos: Corresponden a señales acústicas cuya frecuencia se encuentra por

debajo del rango audible humano.

• Sonidos audibles: Corresponden a señales acústicas cuya frecuencia está entre 20Hz

y 20kHz y son audibles por el oído humano.

• Ultrasonidos: Corresponden a señales acústicas que se posicionan por encima del

rango audible humano, normalmente son superiores a 20kHz.

Para entender de una manera clara el rango de frecuencias para cada tipo de onda, en la

Figura. 13 se muestra el espectro acústico.


Fig. 13 Espectro acústico.

Onda acústica

Velocidad de propagación

Determina la velocidad en la que viaja la onda acústica en un medio elástico y es dependiente

de las características de este. Además, es simbolizado por c y posee unidades de m/s.

También, se puede entender como el desplazamiento de la onda sonora en la unidad de

tiempo en un determinado medio, dicha velocidad es constante a no ser que cambien las

condiciones del medio en que se propaga. La velocidad del sonido en el aire es dependiente

de la temperatura del aire y se representa de la siguiente forma [59]:

𝑐 = 332√1 +𝑡

273.1

(5)

Donde:

c = Representa la velocidad de propagación del sonido.

t = Representa la temperatura absoluta del aire en ºC.

En situaciones normales la velocidad de propagación del sonido en el aire es

aproximadamente 344m/s a 20 ºC [59].


Características del sonido

La presión sonora es una medida que permite cuantificar las deformaciones provocadas en

un espacio mediante la diferencia entre la presión total y una presión sonora de referencia. El

resultado puede ser positivo o negativo, dado que se presentan aumentos de la presión sonora

o atenuaciones respectivamente [60]. Dado que estas variaciones pueden requerir de grandes

rangos, se utiliza una medida logarítmica en vez de lineal y su unidad es en decibeles (dB).

Se calcula a través de la ecuación (10).

𝑁𝑃𝑆(𝑑𝐵) = 10 log10 (𝑃2

𝑃𝑜2)

(6)

Donde (Po) es la presión de referencia.

Potencia sonora

La potencia acústica es la cantidad de energía por unidad de tiempo de una fuente de ruido

(W) y sirve para caracterizar una fuente sonora, dado que es un parámetro intrínseco de la

misma [61]. La potencia acústica se puede expresar en la ecuación (11).

𝐿𝑤 = 10 𝑙𝑜𝑔𝑤

𝑤𝑜

(7)

Donde LW es la potencia sonora (dB).

W0 es la potencia acústica de referencia y corresponde a 1*10−12W.

Intensidad

La energía que sobrepasa una superficie en una unidad de tiempo es conocida como

intensidad. La ecuación (12) se define como 10 veces el logaritmo de la relación entre

intensidad acústica y el umbral auditivo referido a dicha intensidad y es proporcional al

cuadrado de la presión acústica [61].


𝐿𝐼 = 10 𝑙𝑜𝑔𝐼

𝐼𝑜

(8)

Donde:

LI corresponde al nivel de intensidad acústica (dB).

I es la intensidad acústica en la escala lineal (W/m2).

I0 corresponde al umbral de audición (10−12W/m2).

Tono

Se caracteriza por clasificar a los sonidos en bajos (graves) o altos (agudos), con relación a

la frecuencia fundamental de las ondas acústicas [62]. En la Tabla 4 se aclara cómo se

clasifican los tonos de acuerdo con el rango de frecuencias.

TABLA 4 TONOS CLASIFICADOS CON RELACIÓN AL RANGO DE FRECUENCIAS DE ONDAS

SONORAS.

Nota: tomado de [62]

Ruido

Definición de ruido

La definición de ruido correspondiente a la oscilación errática, intermitente o

estadísticamente aleatoria, hace referencia al ruido acústico generado por la combinación de

ondas acústicas con diferentes frecuencias y amplitudes [63]. En dicha combinación se

conjugan las frecuencias fundamentales y los armónicos característicos a distintos niveles de

intensidad acústica. Además, la manifestación gráfica del ruido corresponde a una onda

acústica sin forma y no es periódica [64].

Tono Frecuencias Rango

Grave Bajas 20 - 300 Hz

Medio Medias 300Hz - 2 kHz

Agudo Altas 2 - 20 kHz


Tipos de ruido y su medición

Los tipos de ruido se clasifican según la forma en que varían en el tiempo. Se encuentran

ruidos de naturaleza estacionaria y existen ruidos impulsivos, los ruidos estacionarios

incluyen ruidos constantes y permanecen dentro de ± 5 dB del nivel medio durante su

permanencia. Por otro lado, se encuentra el ruido intermitente que se origina como ruido

constante y se pausa en un tiempo prolongado. Por último, se encuentra el ruido fluctuante

que varía de forma significativa, pero posee un promedio constante duradero. Sin embargo,

para el caso particular de los ruidos impulsivos sus duraciones son menores a un segundo

[65]. Los tipos de ruidos arriba mencionados, requieren de diferentes tipos de medida y

dependen incluso del tipo de fuente sonora. En la Tabla 5 se resume las mediciones e

instrumentación necesaria para varias fuentes de ruido.


TABLA 5 TIPOS DE RUIDO Y SU MEDICIÓN.


Características Tipo de fuente Tipo de medida Tipo de instrumentación

Ruido constante y continuo Bombas, motores eléctricos, cajas de

engranajes, transportadores

Lectura directa del valor

ponderado A Sonómetro

Ruido constante pero

intermitente

Compresores de aire, Maquinaria

automática durante un ciclo de trabajo

Valor de dB y tiempo de

exposición 𝐿𝐴𝑒𝑞

Sonómetro

Medidor de nivel de sonido integrado

Ruido fluctuante y periódico Producción en masa, rectificado de

superficies

Valor de dB, 𝐿𝐴𝑒𝑞 o dosis de

ruido.

Sonómetro

Medidor de nivel de sonido integrado

Ruido fluctuante no

periódico

Trabajo manual, rectificado, soldadura,

ensamblado de componentes

𝐿𝐴𝑒𝑞 o dosis de ruido, análisis

estadístico.

Dosímetro de ruido Medidor de nivel de

sonido integrado

Impulsos repetidos Prensa automática, taladro neumático,

remachado

𝐿𝐴𝑒𝑞 o dosis de ruido y nivel de

ruido "Impulso" Compruebe el

valor "pico"

Medidor de nivel de sonido de impulso o

sonómetro con retención "pico"

Impulso simple Golpe de martillo, manejo de

materiales, punzadora 𝐿𝐴𝑒𝑞 y valor "pico"

Medidor de nivel de sonido de impulso o

sonómetro con retención "pico"


Micrófono de condensador

En un micrófono de condensador las ondas acústicas que inciden la superficie de las placas hacen

que cambie con relación a la otra, eso hace que varíe la capacidad del condensador, dicho de otra

manera, una placa actúa como diafragma frontal y la otra placa está inmóvil [1], como se ve en la

Figura. 14. Por otro lado, la plana y fiel respuesta en frecuencia de un micrófono de condensador

proviene de su mecanismo. El hecho de que el condensador posea una excelente respuesta en alta

frecuencia, indica una buena respuesta transitoria [66].

Debido a que un micrófono de condensador exige tener una tensión continua y estable de corriente

continua (DC) para polarizar la membrana, se debe suministrar el voltaje desde la interfaz de

sonido, dicho voltaje se entrega por medio de los cables del micrófono (típicamente 48 voltios).

Fig. 14 Elementos que conforman un micrófono de condensador.


Instrumentos de adquisición de datos

Micrófono dbx RTA: El micrófono de condensador utilizado para el presente trabajo pertenece al

modelo RTA de la marca “dbx” Figura. 15. Cuenta con una respuesta en frecuencia de 20Hz a

20kHz.


Fig. 15 Micrófono omnidireccional - dbx

Nota: Tomado de https://bit.ly/32gq3cA

Como se puede ver en la Figura. 16, el micrófono de condensador tiene un patrón polar

omnidireccional, esto da a entender que es sensible a todas las propagaciones recibidas por el

entorno, sin discriminación alguna, ya que su respuesta a ondas aleatorias es del 100 %.

Fig. 16 Clasificación del micrófono usado según su patrón de captación y sus principales características.


Interfaz de audio: La interfaz portátil digital de referencia 744T y de marca Sound Device USBpre-

2 Figura 17. Este instrumento es vital para la adquisición de datos, ya que hace las veces de

preamplificador y es la encargada del módulo de adquisición. También es la responsable de


suministrar el voltaje necesario para polarizar constantemente la membrana del micrófono de

condensador para obtener las variaciones de capacidad.

Fig. 17 Interfaz de sonido – sound device USBpre-2.

Nota: Tomado de https://bit.ly/2FIAyNY

Análisis gráfico de señales en el dominio del tiempo

El análisis de señales en el dominio del tiempo es una técnica oriunda de análisis de forma de onda

en el tiempo de la señal capturada, eso se le atribuye al elemento receptor (micrófono) que

suministra ondas sonoras en el tiempo. Una ventaja de esta técnica está en el costo computacional

de análisis y solo necesita acondicionar la señal [68]. Los métodos en el dominio temporal muestran

la amplitud y la fase de la señal de vibración para diagnosticar la falla del sistema rotativo. También

presenta una utilidad específica en el análisis de señales acústicas impulsivas con propiedades no

estacionarias e impulsos con pequeña duración para detectar fallos en rodamientos y engranajes

[22].

Para el caso del análisis de señales en el dominio temporal es necesario examinar visualmente

segmentos de la forma de onda y diagnosticar comportamientos anormales. En el caso particular

de las señales de vibración traen consigo diversos componentes y presenta complicaciones para

visualizar posibles fallos generados en un sistema mecánico rotativo, haciendo que la inspección

visual no pueda encargarse de la detección [68].

Análisis gráfico de señales en el dominio de la frecuencia

El análisis de señales en el dominio frecuencial se centra en enseñar las frecuencias que componen

una señal. La transformada rápida de Fourier es el método más usado para pasar las señales de

vibración y acústicas desde el dominio temporal al dominio frecuencial. Además, la amplitud de


Fourier o usualmente conocida como espectro de frecuencia estudia el análisis espectral y puede

usarse como firma de fallo [68]. Una ventaja importante del análisis en el dominio frecuencial es

que muestra los picos en su espectro, algo útil para detectar y localizar fallos que tienen una

respuesta característica [69].

Transformada rápida de Fourier

La FFT reconocida como transformada rápida de Fourier corresponde a un algoritmo que permite

hallar la Transformada de Fourier Discreta (DFT) y su inversa. Este desarrollo se le atribuye al

matemático francés Jean Baptiste Fourier (1768 - 1830) quien desarrolló e implementó la forma de

reemplazar una señal compleja en el dominio del tiempo a través de series curvas sinusoidales con

valores de amplitud y frecuencias particulares [70], por lo tanto, la función de un analizador de

espectros que labora con la transformada rápida de Fourier es adquirir una señal de vibración

generada por una máquina y calcula todas las señales sinusoidales que contiene una señal compleja

y finalmente se ilustran de forma individual en un gráfico de espectro [5]. También el rango de

frecuencia envuelto por el análisis FFT es dependiente de la cantidad de muestras adquiridas y de

la proporción de muestreo [71]. Por otro lado, al transformar una señal del dominio del tiempo al

dominio de la frecuencia se está teniendo en cuenta la misma información inicial (dominio

temporal), pero se produce una forma de onda diferente [68].

La DFT es característica de la señal en el dominio de la frecuencia, que posteriormente se separa

en una serie de funciones sinusoidales que al ser sumadas conforman la señal original (dominio del

tiempo). Por otro lado, al implementar algoritmos como la FFT, separa las señales en puntos, donde

se presenta una gran utilidad en aplicaciones de tiempo real, ya que este algoritmo trabaja de forma

muy rápida [72].

Análisis en el dominio del tiempo y de la frecuencia

Las vibraciones se adquieren mediante señales para luego visualizarse en el dominio temporal, de

ahí la señal se filtra para analizar meticulosamente cada segmento de la señal en el dominio

frecuencial [5]. En la Figura. 18 se observa una imagen tridimensional de la señal de vibración

compuesta.


Fig. 18 FFT de una onda de vibración compleja.

Nota: Tomado de [5]

Firma de vibración

Generalmente cada máquina mecánica rotativa tiene una vibración característica que la distingue

y se conoce como firma de vibración. Esta señal es dependiente del diseño, fabricación, uso y

desgastes de cada uno de los elementos que conforman al sistema rotativo. El ingeniero o mecánico

que desarrolla tareas de mantenimiento en un equipo industrial se centran en reconocer la

naturaleza de la vibración presentada [70]. La firma de vibración asociada a un rodamiento es útil

para el diagnóstico del mismo, la interpretación de patrones característicos pueden ser estimados

en circunstancias generales, que revelan las frecuencias particulares de los fallos. Las cartas de

Charlotte presentan un manual para monitorear y analizar la presencia de fallos en componentes

del sistema rotativo [73].

Análisis de fallas en rodamientos usando vibraciones mecánicas

Los rodamientos son elementos incluidos en máquinas rotativas que generan vibraciones

características, cuando las balineras que conforman al rodamiento pasan de la zona de carga a la

zona no cargada se producen pequeños impactos que hacen que los rodamientos emitan

vibraciones. Esto pasa tanto para rodamientos en buen estado como para los que presentan fallas

avanzadas [74].


Evolución de la falla de un rodamiento en espectros

El estudio espectral es determinante para tareas de diagnóstico del estado de deterioro de un

rodamiento, permitiendo por comparación de la evolución de las amplitudes espectrales, llegando

a predecir el futuro deterioro y así programar su cambio de forma anticipada [5]. En la tabla de

diagnósticos de vibraciones creada por la asociación de técnicos de Charlotte Figura 19 se muestran

fallas generales en máquinas y el método para su análisis e identificación del defecto.


Fig. 19 Cartas de diagnóstico de los asociados técnicos de Charlotte.



La Figura 19 presenta 4 etapas o momentos de daño del rodamiento, esto se da gracias al análisis

espectral, pero es importante entender que en las etapas 1 y 2 el micrófono usado no cumple con

las características necesarias para capturar rangos de frecuencias ultrasónicas, para entenderlo de

mejor manera, los micrófonos usados para adquirir las señales acústicas solo cumplen con las

etapas 3 y 4, ya que la zona C y D del panorama de avería dominate Figura 20 se establecen en

frecuencias superiores a 30kHz (emisión acústica), impidiendo de esta manera conocer la

frecuencia natural de un rodamiento en operación [27].

Fig. 20 Etapa 3 de daño de un rodamiento.


Etapa de daño # 1:

En la etapa inicial del daño de rodamientos se presentan fallas incipientes parecidas a un desgaste

distribuido y se pueden visualizar en el espectro de vibración cuando incrementa la amplitud en

frecuencias elevadas entre 20kHz y 350kHz, a medida que el desgaste progresa se presentan

aumentos de amplitud en frecuencias entre 20kHz y 30kHz [76] [75].

Etapa de daño # 2:

Cuando un rodamiento entra en la etapa 2 se presenta una acentuación de este desgaste, lo cual

origina marcas espectrales de la frecuencia natural del rodamiento (Fn) y aparece en un pico

generalmente entre 20kHz y 120kHz. En esta etapa no es posible reconocer a simple vista algún


defecto en las partes que componen al rodamiento, instrumentos como el microscopio son útiles

para mirar microgrietas inferiores 40 micras [76].

Etapa de daño # 3:

Al presentarse frecuencias de fallos del componente se está hablando de la forma de observar la

falla en el componente del rodamiento por medio de análisis espectral, dichas frecuencias son

conocidas como:

BPFO (Ball Pass Frequency Outer) corresponde a la frecuencia donde un defecto en la pista

exterior generaría una señal.

BPFI (Ball Pass Frequency Inner) corresponde a la frecuencia de fallo de la pista interna.

BSF (Ball Spin Frequency) corresponde a la frecuencia de fallo en las balineras.

FTF (Fundamental Train Frequency) corresponde a la frecuencia fundamental de giro de la jaula.

Cada rodamiento trae consigo características geométricas propias, a partir de ellas se puede conocer

y determinar las frecuencias de deterioro. Estas frecuencias aparecen como formas espectrales

cuando el rodamiento presenta un fallo. Normalmente estas frecuencias de fallo no serán números

enteros. Dicho esto, es de esperar que un defecto de los componentes del rodamiento se presente

de forma no síncrona (no coincidente con los armónicos de la frecuencia de giro) [5]. Sin embargo,

esto no significa que el defecto sea fácil de visualizar, debido a: dilataciones térmicas,

desalineación, aprietes excesivos, desconchamientos en las pistas, etcétera. Es por esto que se debe

permitir cierto margen de error para calcular las frecuencias de fallo de un rodamiento, más aún

para programas que identifiquen fallos de forma automatizada [7].

Todo rodamiento posee unas características geométricas propias, vitales para establecer sus

frecuencias de fallo. A continuación se presentan las ecuaciones (13) (14) (15) (16) para el cálculo

de las frecuencias de deterioro.

𝐵𝑃𝐹𝑂 =𝑁𝑏

2(1 −

𝐵𝑑

𝑃𝑑) cos(𝜃) × 𝐹𝑔𝑖𝑟𝑜

(13)

𝐵𝑃𝐹𝐼 =𝑁𝑏

2(1 +

𝐵𝑑

𝑃𝑑) cos(𝜃) × 𝐹𝑔𝑖𝑟𝑜

(14)


Donde:

Nb= Número de balines del rodamiento.

Bd= Diámetro del balín (mm).

Pd= Diámetro medio del rodamiento (mm).

θ= Ángulo de contacto tomado desde la línea central del elemento rodante y el eje del rodamiento

(grados).

Fgiro= Frecuencia de giro del rodamiento en revoluciones por segundo (Hz).

La mayoría de las veces no se contará con la información detallada de los rodamientos, como los

diámetros internos del rodamiento, ángulo de contacto, etcétera. Para esto existen ecuaciones

empíricas bastante aproximadas para determinar las frecuencias de deterioro en las pistas y de la

jaula de un rodamiento [5].

𝐵𝑃𝐹𝑂 = 0.4 × 𝑁𝑏 × 𝐹𝑔𝑖𝑟𝑜 (17)

𝐵𝑃𝐹𝐼 = 0.6 × 𝑁𝑏 × 𝐹𝑔𝑖𝑟𝑜 (18)

𝐹𝑇𝐹 = 0.4 × 𝐹𝑔𝑖𝑟𝑜

(19)

A medida que la falla progresa se visualiza un aumento del pico de la frecuencia de fallo, este

aumento se ve comprometido con la aparición de armónicos del propio, generando una disminución

del pico y no es posible asignar de forma instantánea la severidad de fallo solamente con la altura

del pico en el espectro, pero con la interpretación de la frecuencia de falla del componente y de sus

armónicos, es recomendable reemplazar los rodamientos [27], [75], ya que se espera una vida

residual entre 1-5 % de la vida útil [76].

𝐵𝑆𝐹 = 𝑃𝑑

2𝐵𝑑(1 − (

𝐵𝑑

𝑃𝑑)

2

(𝑐𝑜𝑠𝜃2)) × 𝐹𝑔𝑖𝑟𝑜

(15)

𝐹𝑇𝐹 =1

2(1 −

𝐵𝑑

𝑃𝑑𝑐𝑜𝑠𝜃) × 𝐹𝑔𝑖𝑟𝑜

(16)


Etapa de daño # 4:

En esta etapa de fallo, se presentan múltiples grietas y se genera el desprendimiento de pequeñas

partículas de la superficie del rodamiento, además las fallas frecuencias de fallo (BPFO, BPFI,

BSF, FTF) tienden a desaparecer [5], [27]. Asimismo, se afecta la amplitud de la frecuencia de

rotación 1x y normalmente se presenta un crecimiento de muchas de sus armónicos [75].

Localización de fallos de tipo BPFI

Es importante fijarse en la frecuencia de fallo de la pista interior y tener un especial cuidado con

ella, ya que acorta de forma exponencial la vida útil de los rodamientos, lo que repercute en el

sistema mismo [7] . Para detectar los defectos de tipo BPFI es importante transformarlos a espectros

para una mejor visualización. Estas señales además de tener información de fallos en los

rodamientos de un sistema rotativo, traen consigo frecuencias naturales de los elementos del

sistema rotativo que van a enmascarar las lecturas de interés [75]. Por otra parte, pero de igual

forma importante, el micrófono empleado para adquirir las señales respectivas responde al 100 %

de las ondas aleatorias que inciden en él, permitiéndole reconocer información de otros

componentes cercanos, lo cual no es bueno porque se contamina la señal de interés, en la Figura.

21 se observa la señal adquirida con frecuencia de fallo tipo BPFI, donde 359.9Hz pertenece al

BPFI medido.


Fig. 21 DFT de la señal acústica.

Los defectos en la pista interior de un rodamiento presentan varios picos armónicos de su

frecuencia de daño (entre 8 y 10 armónicos de BPFI) modulados por bandas laterales a 1xFgiro.

Otra manera de identificar un defecto en la pista interior es la generación de bandas laterales en

torno a los armónicos de BPFI, como se ve en la Figura. 22. Además, otro índice de fallo se presenta

en los armónicos de la frecuencia de rotación del sistema.

Fig. 22 Fallo en la pista interior.



Localización de fallos de tipo BPFO

Los defectos en la pista exterior se caracterizan por tener picos armónicos de la frecuencia de

fallo de la pista exterior (entre 8 y 10 armónicos), como se ve en la Figura. 23.

Fig. 23 Fallo en la pista exterior.


Localización de fallos de tipo FTF

Los defectos en la jaula se caracterizan por tener una frecuencia de deterioro (FTF) y sus

respectivos armónicos. Normalmente, una jaula de un rodamiento va acompañado por las pistas

interiores y exteriores, generalmente modula a una de las frecuencias de deterioro de las pistas,

presentado sumas o diferencias de frecuencias Figura. 24 [5].

Fig. 24 Fallo de jaula



Métodos de procesamiento de señal para mantenimiento predictivo

Los métodos de procesamiento de señal comúnmente utilizados incluyen métodos clásicos de

análisis en el dominio del tiempo, por ejemplo: análisis estadístico, transformada de Hilbert,

análisis de envolvente y filtrado de señal. Asimismo, existen métodos clásicos de análisis en

frecuencia, por ejemplo: transformada rápida de Fourier (FFT), transformada Wavelet, métodos

basados en modelos. En la Figura. 25 se ilustra un flujo lógico sobre cómo son estos métodos y

cómo se utilizan para realizar diferentes funciones. Para el caso del presente trabajo, son de interés

los 3 módulos establecidos por el flujo lógico, que sirven de base para el desarrollo de un algoritmo

capaz de diagnosticar fallas en rodamientos, los módulos se establecen en el siguiente orden:

acondicionamiento de señal, extracción de características y diagnóstico de fallas.

El acondicionamiento de señal generalmente se aplica a señales sin procesamiento para facilitar la

extracción de características relacionadas con las fallas en las señales, entonces las fallas se pueden

detectar a través de un análisis de comparación, por ejemplo: análisis espectral y búsqueda de picos

de la señal. En la comparación de este análisis espectral si los valores de las características de la

falla extraída coinciden con los valores establecidos por las cartas de diagnóstico de Charlotte en

su etapa #3, indicando si una falla se está presentando.

Fig. 25 Procesamiento de señal para métodos de diagnóstico de fallos



VIII. METODOLOGÍA

Para el desarrollo de este procedimiento es necesario ejecutar de manera adecuada la técnica de

captura del sistema, específicamente para sistemas mecánicos rotativos, y de esta forma obtener

los espectros característicos de los componentes mecánicos. Además, es necesario demostrar

objetivamente que existe una semejanza sobre las condiciones, componentes y las diferentes fases

del sistema medido. Para esto, se consideran pautas iniciales presentadas en BS EN 60034-9:2005

“Rotating electrical machines: Noise limits” [78], esto posibilita que en el montaje en máquina se

establezcan consideraciones como precauciones y condiciones de medición, ya que de esto depende

que las capturas en máquina sean lo más similares posible, también permite establecer los aportes

emitidos por fuentes externas al sistema medido, ya que de una forma directa afecta a la

información que se desea conocer [3].

Para definir el procedimiento de medición, primeramente, se llevaron a cabo una serie de pruebas

en el sistema y el entorno en que este se encuentra, las cuales tenían como propósito determinar las

necesidades tempranas del proyecto. En cuanto a la instrumentación requerida, se adelantó una

inspección al sistema para lograr identificar las fuentes de ruido que en este caso se les atribuyen a

los rodamientos presentes, se identificó que el sistema posee dos juegos de rodamientos de

diferente referencia comercial; el primer juego de rodamientos de características FAG6005-2RSR

y el segundo juego de rodamientos FAG6205-2RSR Figura. 26, distanciados 30 cm uno del otro, al

decir esto, el presente estudio se enfoca en el juego de rodamiento N.° 1

Fig. 26 A) Componente medido B) Rodamientos 1 y 2 en el componente medido


El sistema mecánico rotativo a medir está compuesto por un motor de inducción trifásico Tabla 6,

que mueve una máquina picadora industrial (carga) y el sistema completo, cuenta con una longitud

total de 87 cm. El sistema tiene exposición laboral alta, ya que funciona de manera continua, por

ende, en su actividad no se contemplan percances ni contratiempos que puedan comprometer de

manera directa su funcionamiento final. A partir de esto, se desarrolló un mecanismo de toma de

medidas que permita determinar el estado actual de un juego de rodamientos del sistema. Las

pruebas que se deben adelantar en el sistema conllevan a que todas las medidas deben desarrollarse

bajo condiciones iguales [78]. A continuación, se muestran las condiciones y los requisitos de

medida generados a partir del desarrollo de pruebas anteriores al sistema

TABLA 6 CARACTERÍSTICAS DEL MOTOR ASÍNCRONO.

Montaje de medida

Para realizar una toma adecuada de señales acústicas a un sistema mecánico tipo rodamiento se

deben tener en cuenta consideraciones iniciales como distancia de los elementos rodantes al

elemento receptor (micrófono), frecuencia de rotación del sistema mecánico, tener en movimiento

la carga respectiva al sistema mecánico, establecer mediciones con fuentes de ruido semejantes, es

decir, para los casos en que no se tiene solamente la fuente de ruido perteneciente al sistema

rotativo, se debe garantizar que las mediciones se adelanten bajo condiciones de ruidos residuales

iguales.

Los requisitos y condiciones de medida tenidos en cuenta para este proyecto fueron generados a

partir del desarrollo de pruebas anteriores al sistema, estas sirvieron para determinar qué tipo de

selección y ajustes son necesarios para registrar de una manera clara y objetiva la situación

presentada. Los instrumentos y materiales utilizados para el procedimiento fueron:

HP (KW) Polos HZ RPM Voltios Amperios Peso (Kg)

4.5 4 60 1700 220/440 5.7/2.85 24


TABLA 7 INSTRUMENTAL DE MEDIDA.

CANTIDAD INSTRUMENTOS

1 Micrófono omnidireccional (dbx RTA)

1 Interfaz de audio Sound Device (USBPre2)

1 Base de micrófono

1 Cable de señal (XLR)

1 Software de grabación (Protools 12)

1 Software de procesamiento de datos (Matlab)

Nota: El resto de instrumentos usados en el montaje de medida se pueden observar en el Anexo

A.

El montaje de medida establecido consta de un micrófono con patrón polar omnidireccional,

ubicado a una distancia de 10 cm del juego de rodamiento de interés y a 1.1 m del suelo, a su vez

este punto de medida está ubicado a 2.7 m de la superficie reflejante más próxima Figura. 27. El

micrófono de medición posee respuesta en frecuencia plana, esto es muy importante, ya que de esta

forma se garantiza que la toma de datos sea útil para la situación presentada, dado que a

comparación de otros componentes electro acústicos [5], [6], [7], [8], el micrófono utilizado no

trabaja sobre correcciones (curvas de ponderación) o tienen como objetivo caracterizar señales

como la voz humana donde se ve limitada la cantidad de datos lo menos posible [17].

Fig. 27 Punto de medida.


Por otra parte, se determina un tiempo de medida conveniente para generar los respectivos

espectros característicos, puesto que se deben tener en cuenta criterios como aumento de la

disponibilidad del sistema caracterizado y futuro costo computacional, es por esto que se realizan

pruebas in situ para caracterizar las vibraciones generadas por el sistema mecánico rotativo

utilizando un micrófono omnidireccional, las pruebas realizadas previamente al sistema ayudan a

determinar de forma objetiva la dinámica de las propagaciones sonoras de mayor a menor duración,

ya que se puede ver que no poseen diferencias significativas. Se profundizará más adelante en

“mediciones con movimiento de la carga” los registros adelantados a diferentes duraciones.

Seteo del equipo

Al ubicar el micrófono en las distancias anteriormente indicadas, se procede a conectar la señal de

salida del micrófono al canal N.° 1 de la interfaz de audio Figura. 29, se verifica un nivel de línea

aceptable, es decir, se verifica que no sature la señal de entrada de la interfaz, posterior a esto, se

genera una sesión en blanco en el software Protools 12, vale la pena aclarar que este software de

grabación no es indispensable o determinante para que el proceso salga bien, ya que su uso es

costoso, con un programa que pueda muestrear bajo las condiciones que se requiere es suficiente.

En este trabajo, los registros tendrán una frecuencia de muestreo de 48000Hz y una profundidad

de 24 bits.

Fig. 28 Sistema de medida.


Fig. 29 Seteo del equipo.

Mediciones con movimientos de la carga:

Se realizó un registro de 8 minutos de duración, el cual se usa de referencia para estudiar la

dinámica de las propagaciones sonoras presentadas a corto, mediano y largo plazo. Como se

entiende, las propagaciones sonoras que genera normalmente el sistema a caracterizar Figura. 28

traen consigo espectros característicos, ya que el sistema internamente anda cumpliendo labores

periódicas y establecidas, es decir, no es de esperar contribuciones importantes de sus elementos

rotativos a mediano y largo plazo, esto se pudo probar, ya que al usar el registro principal (8

minutos) se establecen diferentes tiempos de medición a (8), (4) y (2) minutos respectivamente,

con el fin de descartar tiempos de medida mayores y que finalmente recaen en un costo


computacional cuantioso, para este caso el sistema rotativo opera a frecuencia de rotación nominal

[78], lo que implica que se generen contribuciones relevantes por parte de los elementos rodantes,

ya que se busca diferenciarlos del resto de fuentes sonoras.

Para constatar que la duración del registro inicial pueda reemplazarse por una duración menor, se

generaron niveles de presión sonora equivalente (SPLeq) a diferentes registros, como se ve en la

Tabla 8., donde se indica que el SPLeq para cada duración es semejante, ya que no se nota entre

cada valor una diferencia menor a 3 dB, esto da a entender que usar dos minutos de registro es un

tiempo apropiado para capturar las propagaciones sonoras en el punto de medida establecido para

generar las señales acústicas que conformarán el banco de audios.

TABLA 8 SPLeq DE 8, 4, 2, MINUTOS.

SPLeq (dB) Duración (minutos)

78.17 2

77.60 4

77.24 8

Por otra parte, la utilización de espectros normalizados para los registros de 8, 4 y 2 minutos,

permiten visualizar de forma más clara si poseen o no, cambios significativos en su contenido

frecuencial. Por otro lado, en las Figura. 30 se muestra la frecuencia de rotación del sistema y nueve

de sus armónicos. Donde, uno de esos diez (10) armónicos corresponde a un subarmónico de la

frecuencia de giro. Se puede ver detalladamente en la Figura. 31 que las amplitudes para cada

armónico no varían considerablemente por el tiempo de medición. De esta manera se puede

determinar que el registro de dos (2) minutos y el de ocho (8) minutos son estables, por ende es

posible asumir que un registro de dos (2) minutos es apto para generar los respectivos espectros

característicos en los diferentes estados de los elementos rodantes.


a) Espectro normalizados de 8 minutos

a) Armónicos de la frecuencia de rotación para 8 minutos

b) Espectro normalizado de 4 minutos

b) Armónicos de la frecuencia de rotación para 4 minutos


c) Espectro normalizado de 2 minutos

c) Armónicos de la frecuencia de rotación para 2 minutos

Fig. 30 Espectros normalizados.

Fig. 31 Armónicos de la frecuencia de giro del sistema.


Este proyecto tiene un reto muy importante, puesto que las señales acústicas se van adelantar bajo

ruidos residuales muy presentes, esto quiere decir que dichas mediciones involucran un nivel de

dificultad mayor para el análisis posterior de un componente en particular del juego de rodamiento

seleccionado. A continuación, se muestran tres (3) pruebas realizadas con diferentes tipos de ruido

residual presentes, al desarrollar cada medida se tuvieron en cuenta las fuentes más relevantes que

inciden en el punto de captura Tabla 9.

Medición 1:

Esta prueba consiste en registrar el comportamiento sonoro netamente del sistema mecánico

rotativo Figura. 28, es decir, deben estar apagadas las demás máquinas de la planta y aledañas a

esta.

Nota: La fuente 1 corresponde al sistema mecánico rotativo.

Medición 2:

Esta prueba consiste en registrar las propagaciones emitidas por la planta de producción # 1 Figura.

27 y el sistema mecánico rotativo Figura. 28.

Nota: La fuente 2 corresponde al sistema mecánico rotativo y a la planta de producción # 1.

Medición 3:

Esta prueba consiste en registrar todas las fuentes sonoras que inciden en el punto de medida

establecido, es decir, deben estar accionados el sistema mecánico rotativo, la planta de producción

# 1 Figura. 27 y 28 y la planta de producción # 2, ubicada a 15 metros aproximadamente del punto

de medida, esto se hace para que en el análisis de la señal se pueda diferenciar de una forma más

clara los aportes atribuidos al sistema mecánico rotativo y al resto de fuentes sonoras.

Nota: La fuente 3 corresponde a todas las fuentes sonoras que inciden en el punto de medida (fuente

1, fuente 2, planta de producción # 2).


TABLA 9 PRUEBAS CON DIFERENTES RUIDOS RESIDUALES.

Nota: Se debe garantizar que el sistema mecánico rotativo tenga en movimiento su respectiva carga

para las pruebas anteriormente descritas.

En todas estas mediciones acústicas están presentes ruidos con características de impulsividad

simple según Tabla 5, atribuidos por labores de operarios cercanos.

Por otra parte, los tiempos planteados para el desarrollo de las tres (3) pruebas pertenecen a un

grupo de cuatro (4) sesiones de captura con una diferencia de intervalos de medida de un (1) minuto

y con una duración de dos (2) minutos respectivamente, es decir, se hacen cuatro (4) registros de

dos (2) minutos y con una pausa entre capturas de un (1) minuto de duración. Por último, se debe

garantizar que el sistema se accione en condiciones nominales, esto se hace para garantizar que las

vibraciones sean notorias y cuantificables [78].

Ensayo para el diagnóstico del rodamiento:

Para generar las respectivas señales acústicas que posteriormente definen el estado del elemento a

monitorear, se han utilizado rodamientos con fallos reales. En la Figura. 32 se puede apreciar los

fallos correspondientes a la pista interior, exterior y jaula del juego de rodamiento caracterizado,

donde el fallo correspondiente a la pista interior figura (A) y (B) posee una longitud de 37.2 mm

y el fallo de la pista exterior figura (C) y (D) 22 mm. En la Figura. 32 (B) se puede apreciar de una

forma más clara el fallo correspondiente a la pista interior. Seguidamente, en la Figura. 32 (E) se

muestran fallos no tan notorios como en (A), (B), (C) y (D), pero que de igual forma existe un

deterioro de los mismos.

Nota: En el Anexo B se puede observar el montaje y desmontaje en el sistema tipo rodamiento.

Fuente 1 Fuente 2 Fuente 3

Medición 1 − −

Medición 2 −

Medición 3


Fig. 32 Fallas reales del juego de rodamientos FAG6005-2RSR.


Al hacer un análisis posterior a los espectros respectivos de cada componente se debe tener en

cuenta las siguientes consideraciones [5], [7], [79].

• Los fallos suelen originarse en el siguiente orden: pista exterior, pista interior, elementos

rodantes (balineras) y finalmente la jaula. Esto se cumple siempre y cuando el rodamiento

haya sido correctamente montado [5], [7].

• Los rodamientos con fallo en la pista exterior suelen tener una vida útil mayor que los de

pista interior, es por eso que es muy importante determinar la existencia temprana de

defecto en la pista interior [5], [7].

• Se debe asegurar que el transductor (micrófono omnidireccional) se ubique cerca del

rodamiento que se desea analizar, ya que las energías de transmisión debido a los defectos

son pequeños [5], [7].

Los registros para las fallas del rodamiento se lograron efectuar sólo para las condiciones de

medición #3 dada las limitaciones presentadas por la contingencia mundial. Por parte de los

registros adelantados a los rodamientos en buen estado, se pudo cumplir con las condiciones

descritas en la medición 1 y 2 Tabla 9.

Establecimiento de línea base del algoritmo

Consiste en las señales acústicas adquiridas en el banco de señales Tabla 9 de rodamientos en buen

estado. Las señales obtenidas del componte con fallos reales se comprobarán con estas líneas base,

lo cual permitirá detectar el cambio que se presenta en la señales, conforme la falla incrementa.

Al establecer las líneas base del presente trabajo se optó por escoger los audios correspondientes

a la medición # 2 Tabla 9, ya que en términos de fuentes sonoras en propagación es más similar a

la medición # 3, siguiendo la recomendación de establecer la línea base y la línea de fallo lo más

semejantes posible [78].


Algoritmo de reconocimiento

El algoritmo de reconocimiento de fallas en la pista interna de un rodamiento se ha constituido con

diferentes bloques de trabajo Figura. 33 donde el proceso inicia cuando un audio del banco de

señales acústicas (Anexo C) ingresa al algoritmo. A continuación, se explica con detalle este

proceso de caracterización.

Bloque 1

En la Figura. 33 se puede ver el diagrama usado para desarrollar el algoritmo de reconocimiento,

en primera instancia el bloque correspondiente a las variables de entrada se encarga de seleccionar

un audio perteneciente a una señal del banco de señales acústicas, el cual va diferenciado por el

estado registrado del componente rotativo.

Bloque 2

Se procesa la señal con el fin de adaptar los requerimientos del proyecto y así, despreciar

información sin relevancia para el mismo. Se aplica un filtro de respuesta finita al impulso (FIR)

pasa bajos a la señal con una frecuencia de corte asociada a la frecuencia más alta que establece las

cartas de diagnóstico de Charlotte, correspondiente al décimo armónico de la frecuencia

fundamental de fallo en la pista interior 10xBPFI, este filtro digital tiene las siguiente

características: orden 18, el cual se estableció por medio de prueba y error, luego se aplica una

función ventana con el fin de suavizar las ondulaciones de la señal, ya que las funciones ventana

Fig. 33 Diagrama del algoritmo de reconocimiento.


reducen el ancho del lóbulo y la banda de rechazo del filtro, dicho esto, se usa una ventana tipo

blackman, porque tiene gran atenuación en bandas laterales (-74 dB) y tiene un lóbulo principal

amplio [80].

Bloque 3

En este bloque se usa la transformada discreta de Fourier DFT aplicando una ventana tipo hamming

para suavizar imperfecciones, la ventana posee las mismas muestras que la FFT aplicada a la señal

filtrada. Además, el tamaño de la muestra (espectro característico) y la frecuencia de muestreo

determinan el número de puntos que se usa en la FFT, es decir, el tiempo de la muestra

caracterizada (110 segundos) y la frecuencia de muestreo (48000Hz) determinan el tamaño de la

FFT, ya que al aumentar el número de puntos se aumenta la resolución de la FFT posibilitando

espectros más estables y acordes a la incertidumbre asociada al espectro de frecuencia. En el anexo

E se muestran diferentes pruebas realizadas con diferentes tamaños de la FFT, donde se puede

observar que al bajar la resolución se pierde precisión en el diagnóstico del algoritmo, por esto se

usa el tamaño de la muestra caracterizada. Después se establece una magnitud en dB para una mejor

visualización y mayor control en la amplitud.

Bloque 4

Este bloque se encarga de comparar y establecer el estado de un rodamiento a partir de una línea

base en buen estado, para finalmente proponer un nivel de alarma, esto se hace por medio de la

función findpeaks en el software Matlab, esta función permite conocer los picos existentes en la

FFT, pero que al cambiar su configuración se ordenan dichos picos de mayor a menor amplitud, la

Figura. 34. muestra un ejemplo de selección de picos ordenados de mayor a menor magnitud de un

vector.


Para entender de mejor forma el proceso de selección de las severidades existentes en el rango

espectral por parte del algoritmo implementado, se observa en la Figura. 35. cada variable de

entrada y salida en la función findpeaks.

Donde:

1. Entrega los picos del vector de señal de entrada

2. Entrega los índices en los que se produce los picos

3. DFT en dB con ventana hamming

Fig. 34 Picos ordenados de mayor a menor amplitud en un vector.

Nota: Tomado de https://bit.ly/3jaNURs

Fig. 35 Parámetros de función findpeaks para ordenar picos de mayor a menor amplitud.


4. Se encarga de ordenar los picos de la DFT

5. Orden de mayor a menor.

Es normal que en el espectro aparezcan frecuencias no relacionadas al rango de frecuencias de

fallo, ya que aparte de tener frecuencias de fallo de otros componentes del rodamiento, se

encuentran frecuencias con magnitudes considerables como por ejemplo ruidos externos, sonidos

propios de la máquina, etcétera. En la Figura. 30 y 31 se puede ver con más detalle la alta presencia

de componentes diferentes a las frecuencias de fallo del rodamiento, el filtro pasa bajos permite

atenúar la señal a partir de la frecuencia máxima de interés establecida, la cual varía con relación

al número de balineras del rodamiento y la frecuencia de giro del sistema mecánico.

Para el caso de baja frecuencia aparecen picos en frecuencias que se le pueden atribuir a otros

componentes, en particular, la frecuencia más baja que se establece en el algoritmo para el análisis

de fallos en la pista interior del rodamiento, está dada por la frecuencia de giro del sistema

mecánico rotativo, el estándar BS EN 60034-9:2005 “Rotating electrical machines: Noise limits”

[78], recomienda trabajar con una frecuencia máxima de giro de la máquina. Dicho esto, se fija la

frecuencia de giro en 59.7Hz, lo que indica que se deben ignorar frecuencias menores a la

frecuencia de giro, ya que los espectros correspondientes a cada audio del banco de señales

acústicas, presentan magnitudes considerables en baja frecuencia que impedirían el proceso de

análisis de las frecuencias de fallo y de las severidades de estos deterioros. A partir de lo anterior,

el rango considerado para el análisis de frecuencias de fallo se establece entre 55 – 4000Hz, donde

es de gran interés conocer los picos con mayor magnitud, ya que de esta forma se puede notar si se

está presentando un caso de fallo en la pista interna de un rodamiento.

En cuanto a la incertidumbre asociada al espectro en frecuencia adquirido se debe tener en cuenta

que las frecuencias de fallo del rodamiento a balines teóricas y medidas no son iguales, un ejemplo

de ello lo es BPFI, ya que su valor teórico es de 358.2Hz y medido es de 359.9Hz, lo cual indica

que los valores de incertidumbre que se deben comprender para seleccionar adecuadamente las

frecuencias de fallo características son de al menos ±1.7Hz, dicho valor es comprendido en el

parámetro de entrada del algoritmo “porcentaje de error”, encargado de definir un valor de

incertidumbre preciso por medio de la selección de una frecuencia inferior y otra superior a la


frecuencia correspondiente, con el fin de escoger las frecuencias características ateniendo de esta

manera la incertidumbre presentada en el espectro en frecuencia.

Para que el algoritmo de reconocimiento tome decisiones, previamente se debe establecer un

porcentaje de error para la frecuencia de fallo de la pista interna del rodamiento teórica y sus

armónicos, la frecuencia de giro del sistema y sus armónicos, y finalmente las bandas laterales

correspondientes al primer y segundo armónico de BPFI. En particular, para BPFI y la frecuencia

de giro de la máquina, se debe considerar un porcentaje de error que le permita al algoritmo

identificar dichas frecuencias con precisión. Por parte del porcentaje de error asociado a los

armónicos de BPFI, Fgiro y las bandas laterales es menor a las fundamentales de las mismas, ya

que al ser múltiplos exactos de estas frecuencias fundamentales es conveniente asociar un

porcentaje bajo. Es por esto que el algoritmo asocia la mitad del porcentaje de error que se

determina en la interfaz principal, para así establecer un rango de selección conveniente.


Fig. 36 Proceso de comparación del algoritmo.


Como se observa en la Figura. 36 el bloque correspondiente a la búsqueda de picos debe contar

con la línea base y un fallo. En primera instancia, se ejecuta para BPFI una comparación de las

posibles severidades existentes en el componente, dicho de otra manera, se comparan las

amplitudes más relevantes en el rango espectral definido (55-4000Hz), para fijar un nivel de alarma

donde se indique el momento oportuno para el cambio del componente. De esta forma, se puede

determinar una diferencia con respecto a la línea base, y así generar un seguimiento específico a

las fallas que pueda presentar el rodamiento. Seguidamente se realiza la respectiva identificación

y comparación de BPFI y sus 10 primeros armónicos, siguiendo la etapa #3 de las cartas de los

asociados técnicos de Charlotte que se puede observar en la Figura. 19, después, se comparan las

bandas laterales de 1xBPFI y 2xBPFI pertenecientes a la etapa #3 de Charlotte y por último, se

compara la frecuencia de giro del sistema y sus 10 primeros armónicos, pertenecientes a la etapa

#4 de Charlotte, donde crece las magnitudes de dichas frecuencias. Ya comparadas todas las

frecuencias de fallo en rodamientos se suman las frecuencias identificadas y se imprimen en la

interfaz gráfica como se ve en la Figura 37.

Interfaz gráfica de algoritmo para mantenimiento predictivo

El algoritmo desarrollado en el software Matlab a partir de caracterización de señales acústicas

cuenta con siete (7) parámetros de ingreso cuatro (4) de ellos son variables y los tres (3) son fijos

Figura. 37.


Fig. 37 Interfaz gráfica del algoritmo.

Para el desarrollo del algoritmo de reconocimiento se han considerado como variables a ciertos

parámetros, con el fin de estudiar la respuesta del algoritmo en función de su variación. A

continuación en la Tabla 10 se observa cuales son y con qué valores se ha trabajado.

TABLA 10 VARIABLES DEL ALGORITMO Y SUS RESPECTIVOS VALORES.

Nota: El número máximo de frecuencias corresponde a la cantidad de frecuencias que entrega la

función findpeaks después de asignar el índice respectivo a cada pico de mayor a menor amplitud.

Porcentaje de error % Número máximo de frecuencias Primeros picos

[1,6,16,32] [32,100,8.000,60.000] [1,2,3,5]


IX. RESULTADOS

En esta sección del escrito se encuentran los resultados obtenidos del trabajo, estos se han

organizado de la siguiente manera: en primer lugar las frecuencias de fallo teóricas del rodamiento

FAG6005-2RSR, posteriormente se establecen variaciones a las configuraciones de inicio del

algoritmo como se puede ver en la Tabla 16 donde se varía el valor del porcentaje de error del

algoritmo, en la Tabla 17 se prueba la respuesta del algoritmo para distintos niveles de severidad y

en la Tabla 18 se observa la respuesta del algoritmo a diferentes números de frecuencias del

espectro para encontrar las frecuencias de fallo y por último, los diagnósticos hechos por el

algoritmo a cada audio del banco de señales acústicas (Anexo C).

Para realizar la comparación respectiva de las señales adquiridas y de los cálculos teóricos de las

frecuencias de fallo, se deben considerar las dimensiones del rodamiento y la frecuencia de rotación

usada, en la Tabla 11 se muestran las frecuencias de fallo teóricas generadas por medio de las

ecuaciones 17, 18, 19 para el rodamiento FAG 6005-2RSR.

TABLA 11 FRECUENCIAS EMPÍRICAS DE FALLO EN RODAMIENTOS.

Componente de falla Frecuencia (Hz)

BPFO 238,8

BPFI 358,2

FTF 23,88

Al disponer de las frecuencias teóricas de fallas en rodamientos, se calculan los armónicos del

BPFI, producto de los primeros diez múltiplos de la fundamental

TABLA 12 ARMÓNICOS DE BPFI TEÓRICOS.

La frecuencia de giro del sistema mecánico y sus armónicos se deben conocer para modular las

bandas laterales relacionadas con los dos primeros armónicos de BPFI y para conocer sus

amplitudes que son indicio de un fallo en la etapa #3 de un rodamiento en la Figura. 20. A

continuación, se calculan la frecuencia de giro y sus diez (10) armónicos. En la Tabla 13, se

calculan los 10 armónicos de Fgiro, producto de los primeros diez múltiplos de la fundamental.

Número de

armónico 1 2 3 4 5 6 7 8 9 10

BPFI (Hz) 358,2 716,4 1074,6 1432,8 1791 2149,2 2507,4 2865,6 3223,8 3582


TABLA 13 ARMÓNICOS DE LA FRECUENCIA DE GIRO DEL SISTEMA ROTATIVO.

Seguidamente se calculan las bandas laterales correspondientes al primer armónico de BPFI, donde

las modulaciones que se producen son atribuidas a la frecuencia de giro del sistema mecánico.

TABLA 14 BANDAS LATERALES 1xBPFI

Bandas laterales

(1xBPFI) 358,2 (Hz)

Número armónico

(Fgiro)

Banda lateral inferior

(Hz)

Banda lateral superior

(Hz)

1 298,5 417,9

2 238,8 477,6

3 179,1 537,3

A continuación, se calculan las bandas laterales correspondientes al segundo armónico de BPFI,

donde las modulaciones que se producen son atribuidas a la frecuencia de giro del sistema

mecánico.

TABLA 15 BANDAS LATERALES 2xBPFI

Bandas laterales

(2xBPFI) 716,4 (Hz)

Número armónico

(Fgiro)

Banda lateral inferior

(Hz)

Banda lateral superior

(Hz)

1 656,7 776,1

2 597 835,8

3 537,3 895,5

En la Tabla 16 se observa la respuesta del algoritmo a diferentes porcentajes de error para un audio

del banco de señales acústicas con estado de rodamiento malo y bueno. En la Tabla 17 se percibe

la respuesta del algoritmo en la búsqueda de severidades en la frecuencia de fallo de la pista interior

del rodamiento para los mismos audios usados en la Tabla 16, y finalmente en la Tabla 18 se

observa la respuesta del algoritmo en función de la variación del máximo de frecuencias, para ver

así el comportamiento en la identificación de frecuencias de fallo propuestas por Charlotte, tanto

para los audios de línea base como para los audios con rodamientos en estado de deterioro.

Número de armónico 1 2 3 4 5 6 7 8 9 10

Fgiro (Hz) 59,7 119,4 179,1 238,8 298,5 358,2 417,9 477,6 537,3 597


TABLA 16 PORCENTAJE DE ERROR PARA ESTADO DE RODAMIENTO BUENO Y MALO.

PORCENTAJE DE ERROR [1,6,16,32%]

Estado del rodamiento: Bueno

Incertidumbre 1% Incertidumbre 6% Incertidumbre 16% Incertidumbre 32%

Audio 1.1 Audio 1.1 Audio 1.1 Audio 1.1

Número de frecuencias 32 Número de

frecuencias 32 Número de


frecuencias 32

Primeros picos 3 Primeros picos 3 Primeros picos 3 Primeros picos 3

Diagnóstico total 1 Diagnóstico total 7 Diagnóstico total 7 Diagnóstico total 9

Resultado Puede continuar Resultado Puede

continuar Resultado

Puede

continuar Resultado Para cambio

Frecuencias (Hz) Picos (dB) Frecuencias (Hz) Picos (dB) Frecuencias (Hz) Picos (dB) Frecuencias (Hz) Picos (dB)

55.20 -13.96 55.20 -13.96 55.20 -13.96 55.20 -13.96

414.95 -15.51 414.95 -15.51 414.95 -15.51 414.95 -15.51

177.75 -15.95 177.75 -15.95 177.75 -15.95 177.75 -15.95

Estado del rodamiento: Malo






frecuencias 32



Resultado Para cambio Resultado Para cambio Resultado Para cambio Resultado Para cambio


359.86 0 359.86 0 359.86 0 359.86 0

359.73 -9.47 359.73 -9.47 359.73 -9.47 359.73 -9.47

156.69 -14.72 156.69 -14.72 156.69 -14.72 156.69 -14.72


TABLA 17 PRIMEROS PICOS PARA ESTADO DE RODAMIENTO BUENO Y MALO.

Primeros picos [1,2,3,5]







frecuencias 32




continuar Resultado

Puede

continuar Resultado Para cambio


55.20 -13.96 55.20 -13.96 55.20 -13.96 55.20 -13.96

414.95 -15.51 414.95 -15.51 414.95 -15.51

177.75 -15.95 177.75 -15.95

414.80 -16.11

355.68 -16.12







frecuencias 32





359.86 0 359.86 0 359.86 0 359.86 0

359.73 -9.47 359.73 -9.47 359.73 -9.47

156.69 -14.72 156.69 -14.72

159.87 -14.85

159.90 -15.36


TABLA 18 NÚMERO MÁXIMO DE FRECUENCIA PARA ESTADO DE RODAMIENTO BUENO Y MALO.

Número máximo de frecuencias [32,100,8.000,60.000]






frecuencias 8.000 Número de

frecuencias 60.000




continuar Resultado

Puede

continuar Resultado Puede continuar


55.20 -13.96 55.20 -13.96 55.20 -13.96 55.20 -13.96

414.95 -15.51 414.95 -15.51 414.95 -15.51 414.95 -15.51

177.75 -15.95 177.75 -15.95 177.75 -15.95 177.75 -15.95






frecuencias 8.000 Número de

frecuencias 60.000





359.86 0 359.86 0 359.86 0 359.86 0

359.73 -9.47 359.73 -9.47 359.73 -9.47 359.73 -9.47

156.69 -14.72 156.69 -14.72 156.69 -14.72 156.69 -14.72


Fig. 38 Diagnóstico para rodamiento FAG 6005-2RSR en buen estado.

Fig. 39 Diagnóstico para rodamientos FAG 6005-2RSR en mal estado

.


TABLA 19 DIAGNÓSTICO TOTAL DEL BANCO DE SEÑALES ACÚSTICAS

Diagnóstico final 2% error y 32 frecuencias

Audios con rodamientos

defectuosos

Puede

continuar

Para

cambio Suma total Audios con rodamientos

en buen estado

Puede

continuar

Para

cambio Suma total

1.1 − 3 1.1 − 3

1.2 − 3 1.2 − 3

1.3 − 3 1.3 − 2

1.4 − 3 1.4 − 1

2.1 − 3 2.1 − 1

2.2 − 3 2.2 − 3

2.3 − 2 2.3 − 1

2.4 − 3 2.4 − 1 3.1 − 1 3.2 − 3 3.3 − 2 3.4 − 2


X. DISCUSIÓN

Al observar detalladamente los resultados en las Tablas 16, 17 y 18, es válido afirmar que la

configuración más acertada para el algoritmo es la siguiente: número máximo de frecuencias=32,

porcentaje de error=2 % y primeros picos=3, la cual se establece a partir de la línea base, ya que

dicha línea sirve para ajustar los valores de trabajo del algoritmo, como se puede ver en la Tabla 16,

donde el porcentaje de error es 32%; es evidente que el algoritmo con este valor no genera un

resultado acertado, ya que al momento de comparar la línea base con la línea de fallo no se ubica

a BPFI de forma precisa, esto se debe al gran margen porcentual establecido, donde la presencia

de picos en frecuencias muy cercanas a las de fallo permiten que la selección de la frecuencia y de

su severidad sea errónea. En cambio, al asignar un porcentaje de error más bajo (2%) se asegura

que la selección de BPFI sea precisa. Además en la Tabla 11 y en las Tablas 16, 17 y 18 se puede

ver que la frecuencia de fallo BPFI teórica, es muy próxima a la frecuencia de fallo de medida,

aspecto que refuerza la idea de implementar un porcentaje de error pequeño.

En la Tabla 17 se observa otra forma de diagnóstico erróneo del algoritmo, esta vez para los 5

primeros picos que se analizan de la señal, clasificados de mayor a menor amplitud, donde se

diagnostica el cambio del rodamiento según su severidad , pero el audio analizado fue medido con

los elementos rodantes en buen estado. Es por eso que se establece un valor máximo de primeros

picos igual a 3, porque presenta buenos resultados Tabla 17, ya que entre menor sea la cantidad de

primeros picos que caracterice el algoritmo de la señal acústica, más estricta será la selección del

resultado de la condición del componente. Para el caso específico del primer pico con mayor

amplitud, donde implica que la frecuencia de fallo BPFI debe predominar respecto a los demás

picos para determinar un fallo severo en la pista interior, pero al usar los 3 primeros picos para

caracterizar la línea base Tabla 17, se establece que es un valor oportuno para el monitorear la

condición del rodamiento.

En la Tabla 18 se aprecian 4 configuraciones distintas de frecuencias máximas, para establecer la

relevancia de este parámetro en el proceso de diagnóstico del algoritmo. Las configuraciones de

32, 100, 8.000 y 60.000 frecuencias clasificadas de mayor a menor amplitud Tabla 18, muestran

que el resultado de la condición del rodamiento no se ve comprometido por este parámetro, por el


contrario, dicho resultado sirve para comparar si se presentan las 32 frecuencias asociadas a las

etapas de fallo 3 y 4 de Charlotte. Se puede ver que al usar 60.000 frecuencias el algoritmo

selecciona las 32 frecuencias en su totalidad Tabla 18. Sin embargo, al fijar este valor se detectan

casi en su totalidad las frecuencias de fallas para un audio con estado defectuoso, pero también se

seleccionan todas las frecuencias de fallo para un audio con componentes en buen estado Tabla 18,

esto se debe a la señal acústica que en este rango espectral posee frecuencias que se le pueden

atribuir a otros elementos o a otros sistemas próximos al punto de medida, distintas de las

frecuencias a caracterizar, lo que hace poco determinante a este parámetro, por esto se recomienda

seleccionar las primeras 32 frecuencias para que el algoritmo compare y finalmente seleccione los

componentes con fallos más significativos.

Al aplicar el filtro digital pasa bajos con una ventana blackman para atenuar frecuencias por encima

de 4kHz, se determina que es de gran utilidad, ya que su gran reducción en bandas laterales

proporciona que los picos correspondientes a la frecuencias superiores de la frecuencia de corte

establecida, afecte el proceso de selección del estado del rodamiento.

Gracias a la discriminación de frecuencias menores a Fgiro, fue posible desarrollar el análisis de

frecuencia y amplitud, ya que en el caso particular de un rodamiento en buen estado Figura. 31, el

subarmónico correspondiente a la fundamental de la frecuencia de giro (0.5xFgiro), muestra una

magnitud sobresaliente del resto de frecuencias, lo cual dificulta en gran medida la selección de la

condición del rodamiento.

En la Figura. 38 y 39 los espectros con los rodamientos en mal estado y buen estado muestran gran

piso de ruido, factor que se le atribuye a la alta actividad que se presenta en el punto de medida y

a su entorno. Es por esto que este trabajo no abarca la etapa # 4 en su totalidad, ya que el piso de

ruido generado por los componentes al presentar fallas severas es fácilmente enmascarado por las

condiciones del entorno de medida.

En la Tabla 19 se puede ver el resultado y la suma total de frecuencias de fallo para los audios

correspondientes al estado bueno y malo del rodamiento FAG 6005-2RSR en el banco de señales

acústicas, mostrando un diagnóstico acertado para los 8 audios correspondientes al estado


defectuoso del elemento rodante, en cambio, para los audios pertenecientes a la línea base (buen

estado) hay dos audios que presentan diagnósticos errados, lo anterior indica que no siempre los

cuatro (4) audios obtenidos a partir de las mediciones establecidas en la metodología, son garantía

de un diagnóstico acertado, dicho esto, es recomendable para los casos en que el algoritmo genere

más de tres (3) errores en su diagnóstico debido a que en el punto de medida hay gran presencia de

ruidos que afectan al proceso de caracterización del estado del rodamiento, mencionado lo anterior

se debe repetir el proceso de medida, ya que las señales traen consigo frecuencias y magnitudes

que afectan la respuesta del algoritmo, por esto la metodología de medida solicita 4 mediciones

con duraciones de 2 minutos, para corregir justamente eventualidades que alteren el espectro

característico del rodamiento y de esta forma descartar posibles inconvenientes.

Es claro que aparte de BPFI, las demás frecuencias de fallo propuestas en Charlotte no son cruciales

para generar un resultado acertado, ya que se sigue fielmente lo establecido en las cartas de

Charlotte en la etapa de fallo #3, donde al momento de presentarse BPFI es recomendable

reemplazar el elemento, garantizando de esta manera un monitoreo específico del componente con

menor vida útil del rodamiento.


XI. CONCLUSIONES

Al ver los resultados del presente trabajo se puede concluir que al implementar el análisis de

amplitud y de frecuencia en señales acústicas es útil para revisar el estado de rodamientos a balines,

aunque no se cumplan a cabalidad con las frecuencias de fallo establecidas por los asociados de

Charlotte. Sin embargo, es positivo el resultado del algoritmo al caracterizar los 3 picos con más

relevancia de la señal en un rango espectral definido y de esta forma predecir el momento oportuno

para reemplazar el rodamiento.

A raíz de las limitaciones presentadas para establecer un banco de señales acústicas robusto, dada

la baja disponibilidad del sistema mecánico rotativo, no fue posible adquirir más señales con

componentes que presentan fallos reales, debido a la gran exposición laboral que tiene el sistema

rotativo y su entorno, lo que impidió establecer un umbral intermedio entre la amplitud con fallo

severo y la amplitud con el componente en buen estado para fijar una nivel de alarma que indique

un fallo incipiente.

Las acciones de mantenimiento predictivo adelantas en este trabajo están fundamentadas bajo la

etapa # 3 de las cartas de Charlotte, lo que implica que se realiza un monitoreo de variables

definidas y no de parámetros globales comúnmente usados. Por otra parte, el micrófono usado para

adquirir las señales acústicas de los dos estados del rodamiento cuenta con una respuesta a ondas

sonoras aleatorias de 100%, lo que implica que en cada señal del banco se encuentra además de las

frecuencias de fallo del rodamiento, frecuencias atribuidas a la alta presencia de fuentes sonoras

próximas.

A partir de la implantación de equipos portátiles para caracterización de estados de elementos

rodantes de una máquina, y la ayuda de herramientas digitales para procesar, analizar y comparar

las señales acústicas es posible conocer el nivel de severidad actual del componente más crítico del

rodamiento y de esta manera se realiza mantenimiento a través del cambio presentado en los

espectros por medio de mediciones periódicas del sistema.

El análisis espectral de señales acústicas en sistemas mecánicos rotativos es práctico y fructífero,

ya que aparte de caracterizar estados de rodamientos es útil para estudiar otros fallos indicados en


las cartas de Charlotte, para partes y componentes de sistemas giratorios de tipo mecánico como

engranajes, rotor, holguras mecánicas, problemas en poleas y correas, eje desalineado, entre otros,

lo cual vuelve a esta técnica viable y prometedora para atender la necesidad del sector industrial

por contar con una mayor disponibilidad de sus máquinas.


XII. RECOMENDACIONES

Para futuras investigaciones, se recomienda usar como elemento receptor en la metodología de

medida un micrófono con patrón polar más directivo, dada la contaminación por ruido existente el

punto de medida, micrófonos con patrón polar supercardioide e hipercardioide son útiles para

aplicaciones industriales.

Establecer un nivel de alarma intermedio que indique un fallo incipiente en el rodamiento, esto se

puede lograr al momento de adelantar mediciones más frecuentes al sistema mecánico rotativo y

de esta forma generar un monitoreo periódico para clasificar la amplitud correspondiente a la

frecuencia de fallo BPFI.


XIII. REFERENCIAS

[1] F. J. L. Armijos, «Señales acústicas de vibración: estudio comparaivo para la detección de

severidad de fallos en engranajes rectos,» nº 1, 2019.

[2] A. y. R. W. Starr, «“An introduction to condition based maintenance and its management”,»

pp. 124-134, 1996.

[3] J. C. M. J. C. R. M Vilela, «Machines and Industrial Monitorization System by Analysis of

Acoustic Signatures,» nº 11, May - 12 - 15. 2004.

[4] R. J. R.-T. E. C.-Y. R. A. O.-R. a. J. A. L.-M. Arturo Garcia-Perez, «Application of high-

resolution spectral analysis for identifying faults in induction motors by means of sound,,»

2015.

[5] "Manual análisis de las vibraciones " Power - ML cloud conditioning monitoring.

[6] T. Aastroem, «One hundred and one NDT and machine diagnostic methods for the prevention

of losses in critical machinery. In 16th WCNDT 2004 :World Conference on NDT. CD-ROM

Proceedings.,» 2004.

[7] J. Krzysztof Jedrszczak y I. Alvarez Garcia, «Desarollo de un sistema de mantenimiento

predictivo integrado dentro del protocolo opcua,» 07/2019.

[8] X.-P. R. Modules, «https://bit.ly/2Y21gJa,» 2009. [En línea].

[9] M. R. Carangui Vintimilla, Establecimiento de una base de datos de señales de vibraciones

mecánicas de una caja reductora combinando fallos de rodamientos y engranajes rectos para

fines investigativos en la UPS, Cuenca, 2014.

[10] R. A. Guiracocha Guiracocha , «Establecimiento de una base de datos de señales de

vibraciones acústicas e imagenes termograficas infrarrojas para un sistema mecánico rotativo

con lacombinacion dediferentes tipos de fallos yelaboracióndeguíadeprácticaspara detección

de fallos en engrana,» 2015.

[11] C. E. Muñoz Zumba y A. G. Vera Rodas, Establecimiento de una base de datos de señales de

vibraciones mecánicas y acústcias de un sistema mecánico rotativo con la combinación de

fallos de rodamientos y engranajes helicoidales, y eleboración de guía de práctica para

desbalanceo estaticó., 2015.


[12] C. G. Ortiz Farfan y I. A. Perez Rivera, Adquisición de señales vibracionales y emisiones

acústicas combinando fallo en máquina rotativa y eleboración de guías de práctica sobre

detección de fallos en engranajes por medio de emisiones acústicas., 2016.

[13] E. E. Pacheco Cordova , «Adquisición de señales de vibración y emisión acústica para el

diagnóstico de severidad de fallos en maquinaria rotativa.,» Tesis de Pregrado, Universidad

Politecnica Salesiana, 2018.

[14] O. G. I. M. Fernando. Salazar Villanueva, «Spectral Analysis for Identifying Faults in

Induction Motors by Means of Sound.,» 2013.

[15] A. Garcia Perez , R. J. Romero Troncoso, E. Cabal Yepez, R. A. Osornio Rios y J. A. L.

Martinez , «Application of high - resolution spectral analysis for identifying faults in

induction motor by means of sound,» 2011.

[16] P. A. Delgado Aredondo, D. Moringo Sotelo, R. A. Osorio Rios , J. G. Avina Cervantes , H.

Rostro Gonzales y R. d. J. Romero Troncoso , «Mechanical systems and signal processing,»

de MSSP, Mexico , Science direct , 2016 .

[17] P. Rzeszucinki, M. Orman , C. Pinto , A. Tkaczyk y M. Sulowicz, «Acoustic signal

measurements can be used to test for structural faults in motors,» 20 Abril, 2018, p. 19.

[18] Harman, «dbx RTA-M,» 2012.

[19] A. V. a. A. Z. S.A. Mortazavizadeh, «Detection of Stator Winding Inter-turn Short Circuit In

Induction Motor Using Vibration Specified Harmonic Amplitude, 2nd International

Conference on Acoustics & Vibration (ISAV2012),» 26-27 Dec. 2012.

[20] A. Glowacz., «Diagnostics of DC and Induction Motors Based on the Analysis.,» 2014.

[21] W. G. Z. G. J. K. Adam Glowacz, «Early fault diagnosis of bearing and stator faults of the

singlephase induction motor using acoustic signals,,» 25 de agosto del 2017.

[22] R. V. Sanchez Loja, «Diagnóstico de fallos en engranajes basado en el análisis deseñales de

vibración empleando una red neuronal perceptrón multicapa con retropropagación del error,»

de Tesis de Máster, Universidad Nacional de Educación a Distancia,, 2012.

[23] J. H. Shin y H. B. Jun , ««On condition based maintenance policy»,,» de J. Comput. Des.

Eng.,vol. 2, n.o, 2012 , pp. 119 - 127 .


[24] a. n. y. c. La medición y análisis de las vibraciones como técnica de inspección de equipos y

componentes, «Fac. Ing-Univ. Concepc,» Chile, 2011.

[25] H. -. E. Kiim, «Machine prognostics based on health state probability estimation,» de Tesis

doctoral, Queensland University of Technology, Queensland, Australia, 2020 .

[26] J. D. Correa Blair, «Micrófonos - Clase Electroacústica, Universidad San Buenaventura,»

Medellin, 2016.

[27] M. E. Moreno, «Diagnóstico de fallas en rodamientos utilizando vibraciones mecánicas,»

Noviembre, 2018.

[28] Huseyin Akc ̧ay y Emin Germen, «Identification of acoustic spectra for fault detection in

induction motors,» Tukey .

[29] W. L. S. y. L. N. E. M. L Sin, «Induction machine on-line condition monitoring and fault

diagnosis - A sur vey,» New Zeland, 2003.

[30] T. P. y. S. G. Z. Medrano, «"A review on detection and fault diagnosis in induction

machines",» de Publicaciones en ciencias y tecnologias vol. 8 n° 1, 2014, pp. 11-30.

[31] C. Mundarain, «Diseño de un programa de manteimiento basado en condición, enfocado a la

mejora de la efectividad de los activos rotativos,» Venezuela , Universidad del norte, puerto

la cruz. , 2009.

[32] Z. Chen , C. Li y R. V. Sanchez , «Gearbox fault identification and classification with

convolutional neutral networks,» Shock Vib, 2015.

[33] G. C. Trujillo , «Monitoreo de condición - Una estrategia de Integración de Tecnologías.,»

en Congreso Mexicano de Confiabilidad y Mantenimiento,, 2003.

[34] F. E. Hernadez Montero , M. L. Ruiz Barrios , J. R. Rodriguez Saurez, A. Rolo Naranjo , N.

Y. G. Samir y Luis Javier de Miguel , ««Sistema de bajo costo para el monitoreo por

condición a aplicar en parques eólicos,» Univ. Republica Cuba, , 2011, p. 10 .

[35] A. K. Jardine, D. Lin y D. Banjevic , ««A review on machinery diagnostics and prognostics

implementing condition-based maintenance|,» de Mech. Syst. Signal Process, vol. 20, n.o 7 ,

2006, pp. 1438 - 1510 .

[36] SKF , «Monitoreo de condición,» Svenska Kullagerfabriken AB (SKF), 2018 .


[37] L. Amendola , «Diagnóstico de fallos por monitoreo de condición,» Manten. Ing. Ind. n °

167, 2003, pp. 50 - 53 .

[38] A. Vargas, «Monitoreo de condiciones para maximizar el uso de maquinaria crítica,» vol.

Regional Marketing Manager de Latino América y Canadá de National Instruments, 2015 .

[39] V. Sharma y A. Parey , «Frequency domain averaging based experimental evaluation of gear

fault without tachometer for fluctuating speed conditions,» de Mech. Syst. Signal Process,

Vol 85, 2017, pp. 278 - 295 .

[40] S. Devediran y K. Manivannan, «Vibration Based Condition Monitoring and Fault Diagnosis

Technologies For Bearing and Gear Components-A Review,» de Int. J. Appl. Eng. Res, Vol

11 N° 6 , 2016 , pp. 3966- 3975.

[41] M. d. R. Prieto Garcia , «Vibraciones de Máquinas Rotativas; Análisis de Órdenes,» Sevilla,

España, Tesis de Pregrado, Universidad de Sevilla, 2017..

[42] J. A. Jara Jimbo, S. Vivar y J. Gabriel, «Diseño y construcción de un banco didáctico para la

medición de vibraciones mecánicas en los laboratorios de instrumentación de la universidad

politécnica salesiana sede Cuenca,» Tesis de Pregrado,, 2012.

[43] M. Rodriguez Sunico, «Análisis modal operacional: Teoria y Práctica,» Sevilla, España,

Tesis de Pregrado Escuela Superior de Ingenieros, 2005.

[44] J. M. Rico Martinez, «Fundamentos de Vibraciones Mecánicas. Definiciones y

Terminología.,» Departamento de Ingenieria Mecánica, vol. Universidad de Guanajuato.

[45] H. Cao, Y. Yue, X. Chen y X. Zhang , «Chatter detection in milling process based on

synchrosqueezing transform of sound signals,» Adv. Manuf. Technol - Vol 89 n° 9 - 12 ,

2017, pp. 2747 - 2755.

[46] M. Amarnath y I. R. Praveen Krishna, «Empirical mode decomposition of acoustic signals

for diagnosis of faults in gears and rolling element bearings,» IET Sci. Meas. Technol, vol.

6, n.o 4, 2012, p. 279.

[47] S. K. Abraham, V. Sugumaran y M. Amarnath, «Acoustic Signal Based Condition

Monitoring of Gearbox using Wavelets and Decision Tree Classifier,» Indian J. Sci Technol.,

vol. 9, n.o 33 , 2016.


[48] C. Li, V. Sanchez, G. Zurita, M. C. Lozada y D. Cabrera, «Rolling element bearing defect

detection using the generalized synchrosqueezing transform guided by time frequency ridge

enhancement,» ISA Trans., vol. 60, 2016, pp. 274 - 284 .

[49] S M A , A. Obaidi, M. S. Leong, R. I. Hamzah y A. M. Abdelrhman,, «A Review of Acoustic

Emission Technique for Machinery Condition Monitoring: Defects Detection & Diagnostic,»

Applied Mechanics and Materials, 2012 .

[50] Y. Qu, D. He, J. Yoon, B. Van Hecke , E. Bechhoefer y J. Zhu, «Gearbox tooth cut fault

diagnostics using acoustic emission and vibration sensors—A comparative study,» Sensors,

vol. 14, n.o 1 , 2014, pp. 1372 - 1393.

[51] F. D. Cajas Muñoz y F. I. Torres Diaz, «Adquisición de señales acústicas y de vibración para

el diagnóstico de fallos en un compresor reciprocante de doble etapa,» Cuenca , Tesis de

Pregrado, Universidad Politécnica Salesiana, 2018.

[52] A. Ahmaida, D. Zhen, F. Gu y A. Ball, «Gear wear process monitoring using acoustic

signals,» West Yorks. Inglaterra,, 2014.

[53] A. G. Rehorn, J. Jiang y P. E. Orban, «State of the art methods and results in tool condition

monitoring: a review,» Int. J. Adv. Manuf. Technol., vol. 26, N° 7- 8, 2005, pp. 693-710.

[54] N. Baydar y A. Ball , «Detection of gear failures via vibration and acoustic signals using

wavelet transform,» Mech. Syst. Signal Process, vol. 17, n° 4 , 2003, pp. 787- 804 .

[55] N. Tandon y A. Choudhury, «A review of vibration and acoustic measurement methods for

the detection of defects in rolling element bearingsTribol. Int., vol. 32,,» Tribol. Int., vol. 32,

N° 8 , 1999, pp. 469- 480.

[56] A. Singh et al, «Sensing Technologies for Monitoring Intelligent Buildings: A Review,»

India, 2018.

[57] C. U. Grosse y M. Ohtsu, «Acoustic emission testing. Springer Science & Business Media,»

2008.

[58] Y. Mizutani, «Practical acoustic emission testing,» Springer Japan, Tokyo, 2016.

[59] . F. H. Robledo, «Riesgos físicos I: Ruido, vibraciones y presiones anormales.,» Ecoe

Ediciones, 2004.

[60] M. J. Crocker, «Handbook of noise and vibration control. John Wiley & Sons,» 2007.


[61] Sintec, «Conceptos fundamentales de sonido - en Sistemas de insonorización para la industria

y medio ambiente,» 2018.

[62] D. X. Montalvo Echevernía y F. E. Gallegos Guzmán , «Diseños de una camara anecoica y

una cámara reverberante,» Quito , Tesispregrado, escuela Politécnica Nacional , 2008.

[63] ISO 15243, «Rolling bearing - Damage and failures - terms, characteristcas and causes.,»

2017.

[64] O. Hernandez Norberto , M. Leo , D. Enrique y H. F. Ontiveros Cuevas , «Acondicionamiento

acústico del auditorio 2 de la ESIME Zacatenco.,» Tesis doctoral , 2008.

[65] D. A. Bies , C. Hansen y C. Howard , «Engineering noise control,» CRC press, 2017.

[66] M. Olmo y R. Nave . [En línea]. Available: http://hyperphysics.phy-

astr.gsu.edu/hbasees/Audio/mic2.html.

[67] L. L. Beranek y T. J. Mellow , «Acoustics sound fields and transducers, chaper 6. Academic

Press,,» Waltham, Massachusetts, USA , 2012.

[68] R. V. Sanchez Loja, ««Diagnóstico de fallos en engranajes basado en el análisis de señales

de vibración empleando una red neuroal perceptron multicapa con tr».

[69] P. Jayaswal, A. K. Wadhwani y . K. B. Mulchandani, «Machine fault signature Analysis,»

Int. J. Rotating Mach.,, 2008, pp. 1 - 10 .

[70] A. Fernandez , «Formación en análisis de vibraciones,» Power-MI, 2016.

[71] K. Lynch, N. Marchuk y M. Elwin, «Embedded computing and mechatronics with the PIC32

microcontroller.,» Newnes, 2015.

[72] O. C. Morales, «Análisis tiempo-frecuencia de señales de vibraciones mecánicas para la

detección de fallos en máquinas rotativas,» Manizales, Colombia., Tesis de Máster

Universidad Nacional de Colombia-Sede Manizales., 2011.

[73] J. E. Berry , «Illustrated Vibration Diagnostics Chart,» Čes. Překlad Tech. Assoc. Charlotte,

2005.

[74] E. Estupiñan y P. Saavedra, «Técnicas de Diagnóstico para el Análisis de Vibraciones de

Rodamientos,» 2017. [En línea]. Available:

http://www.mantenimientoplanificado.com/artículos .


[75] SlideShare, [En línea]. Available:

https://www.slideshare.net/SergioEduardoVejarCu/charlotte-espaol.

[76] W. Kruger, «Tracking rolling element bearing failure using mechanical and electrical

vibration testing method,» ALL-TEST Pro, LLC , 2010, p. 14.

[77] W. Quia y D. Lu, «A survey on Wind Turbine Condition Monitoring and Fault Diagnosis,»

nº Part II Signals and Signal Processing Methods, 2015.

[78] British standard, «Rotating eletrical machines,» 2005/2007, p. Part 9: Noise limits.

[79] «Transformada de Hilbert,» 19/12/2019.

[80] Facultad de ingeniería mecánica, eléctrica y electrónica, «Filtrado digital,» nº Lectura 3:

Diseño de Filtros FIR.


XIV. ANEXOS

ANEXO A Instrumentación

a. Base de micrófono hércules

b. Cables de señal XLR

c. Flexómetro


ANEXO B Montaje y desmontaje en sistemas tipo rodamiento.


ANEXO C Banco de señales acústicas

El banco de señales acústicas tuvo limitaciones dada la pandemia que se está presentando, dicho

esto, solo fue posible adelantar mediciones del estado de un rodamiento en buenas condiciones y

con un daño considerable de manera limitada. El método de medida establecido solo se logró

cumplir 2 veces para el estado de daño considerable. Además, se debe considerar que las pocas

mediciones que se lograron adelantar para una máquina con una exposición laboral alta, implica

que la disponibilidad de la máquina para generar el banco de señales sea baja.

“C:\Users\soto9\Desktop\TDG\Caracterizacion_Rodamientos_Predictivo_Gomez_2020_Anexos\

Caracterizacion_Rodamientos_Predictivo_Gomez_2020_AnexoC”.


ANEXO D Algoritmo

“C:\Users\soto9\Desktop\TDG\Caracterizacion_Rodamientos_Predictivo_Gomez_2020_Anexos\

Caracterizacion_Rodamientos_Predictivo_Gomez_2020_AnexoD”.


ANEXO E Diagnósticos con diferentes tamaños de FFT

Potencia de (2) Tamaño de FFT Duración (s)

16 65536 110


defectuosos

Puede

continuar

Para


en buen estado

Puede

continuar

Para

cambio Suma total

1.1 - 3 1.1 - 5

1.2 - 3 1.2 - 4

1.3 - 3 1.3 - 5

1.4 - 2 1.4 - 10

2.1 - 3 2.1 - 6

2.2 - 2 2.2 - 7

2.3 - 3 2.3 - 8

2.4 - 1 2.4 - 2

3.1 - 3

3.2 - 5

3.3 - 8

3.4 - 4



19 524288 110


defectuosos

Puede

continuar

Para


en buen estado

Puede

continuar

Para

cambio Suma total

1.1 − 2 1.1 − 1

1.2 − 2 1.2 − 2

1.3 − 3 1.3 − 1

1.4 − 2 1.4 − 1

2.1 − 2 2.1 − 1

2.2 − 2 2.2 − 1

2.3 − 2 2.3 − 1

2.4 − 2 2.4 − 2

3.1 − 1

3.2 − 2

3.3 − 1

3.4 − 1



22 4194304 110


defectuosos

Puede

continuar

Para

cambio Suma total Audios con rodamientos en

buen estado

Puede

continuar

Para

cambio Suma total

1.1 − 2 1.1 − 3

1.2 − 3 1.2 − 3

1.3 − 3 1.3 − 2

1.4 − 3 1.4 − 1

2.1 − 3 2.1 − 1

2.2 − 2 2.2 − 2

2.3 − 3 2.3 − 1

2.4 − 3 2.4 − 1 3.1 − 1

3.2 − 3

3.3 − 3

3.4 − 2

Nota: Los diagnósticos realizados en el presente anexo se ejecutaron bajo los parámetros de entrada de la interfaz del algoritmo

establecidos en la discusión de este trabajo.

caracterización de emisiones acústicas en sistemas con

Documents