Universidad Antonio Nario.

ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De

Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.

CLASIFICACIN AUTOMTICA DE PATRONES

DE DESBALANCEO EN UNA MAQUINA
ROTATIVA, UTILIZANDO LGICA DIFUSA Y
TRANSFORMADA FOURIER, APLICADA A
REGISTROS OBTENIDOS A PARTIR DEL
SENSADO DE VIBRACIONES MECNICAS EN
UN BANCO DE PRUEBAS
ANGARITA O Robinson, ZAPATA C Nelson.
roangarita@uan.edu.co, nelsonzapata87@hotmail.com
Universidad Antonio Nario

Resumen La lgica binaria de las computadoras

modernas frecuentemente falla cuando trata de
describir la verdad del mundo real. La lgica difusa
ofrece alternativas ms satisfactorias. Las
computadoras no razonan como lo hace el cerebro
humano. Las computadoras funciona con se
manipulan hechos precisos, que han sido reducidos
a cadenas de ceros y unos e instrucciones que
pueden ser falsas o verdaderas. El cerebro humano
puede razonar a partir de aserciones vagas o
afirmaciones que involucran incertidumbre o juicio
de valor como son el aire esta algo caliente, el
vehculo se mueve muy rpido, esa mujer es muy
joven. A diferencia de las computadoras, lo
humanos tienen sentido comn, que le permite
razonar en el mundo en donde las cosas son slo
parciales de la verdad. La lgica Difusa es una rama
de la inteligencia artificial que ayuda a las
computadoras a representar toda la gama de
imgenes del sentido comn en un mundo lleno de
incertidumbres. He aqu esta tesis aporta unos
avances en el estudio de la lgica difusa aplicada a
la clasificacin de seales vibracionales que son tan
importantes para el mantenimiento de equipos
industriales. Por esta razn se hace el estudio para
generar un clasificador de seales utilizando la

Premio Colombiano de Informtica ACIS 2011

lgica difusa, de esta manera poder remplazar en

parte la experiencia humana en la deteccin de
casos de falla en maquinas usando los tradicionales
mtodos de anlisis vibracional.
Ya que el concepto de lgica difusa es muy
comn, y est asociado con la manera en que las
personas perciben el medio, lo que permite de
alguna forma hacer lo que hace el humano.

Abstrac The binary logic of modern computers

often crashes when trying to describe the truth of
the real world. Fuzzy logic provides more
satisfactory alternatives. Computers do not reason
as the human brain does. Computers work with
precise facts, which have been reduced to strings of
zeros and ones and instructions true or false. The
human brain can reason from vague assertions or
statements that involve uncertainty or value
judgment such as "hot air is something," "the
vehicle is moving very fast", "this woman is very
young." Unlike computers, humans have common
sense, which allows you to reason in the world
where things are only partial truth. Fuzzy logic is a
branch of artificial intelligence that helps computers
to represent the full range of images of common
sense in a world full of uncertainties. Here this
thesis provides some advances in the study of fuzzy

Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.

logic applied to the classification of vibrational

signals that are very important for the maintenance
of industrial equipment. For this reason, the study is
to generate a signal classifier using fuzzy logic, so
that It partly replaces human experience in detecting
cases of failure of machines, using the traditional
methods of vibrational analysis.
Since the concept of fuzzy logic is very common,
and It is associated with how people perceive their
environment, which allows somehow to do what
humans do.
ndice de Trminos Lgica difusa, Vibraciones
Mecnicas, Mantenimiento Predictivo, Desbalance.

I.INTRODUCCIN
El mundo empresarial en los ltimos aos se ha
desarrollado a un ritmo acelerado, influenciado por
la
competitividad,
esto
hace
importante
implementar un programa de mantenimiento con el
objetivo de proteger los equipos y mquinas para
aumentar su tiempo de servicio y alargar su vida
til.
El anlisis de vibraciones mecnicas se utiliza como
una herramienta de monitoreo y diagnstico de
fallas, y hace parte del programa de mantenimiento
predictivo; estas tcnicas permiten evaluar las
condiciones externas de una mquina sin necesidad
de desarmarla y sin afectar su funcionamiento
normal, las seales de vibracin se van captando en
tiempo real con la mquina funcionando de tal
forma que se pueda predecir a travs del monitoreo
cuando esta va a fallar, logrando as grandes
ventajas en la competitividad de las empresas.
De acuerdo a lo anterior, es de suma importancia
recopilar informacin crtica en forma clara y
oportuna para mejorar la toma de decisiones en los
procesos de implementacin de sensores y
transductores para realizar una clasificacin
automtica [1] de patrones de desbalanceo. Para la
solucin de este problema en la Universidad
Antonio
Nario se han venido desarrollando
alternativas que van desde la construccin de un
banco de pruebas para anlisis de vibraciones
mecnicas en maquinaria rotativa, en el cual se
Premio Colombiano de Informtica ACIS 2011

pueden inducir condiciones de operacin variadas y

registrar las vibraciones provocadas en cada modo;
hasta sistemas expertos [2] que buscan determinar
la condicin de operacin del equipo en forma
automtica y con buen acierto. No obstante segn
los trabajos precedentes, se ha identificado la
necesidad de cambiar el sistema de decisin
implementado en dichos trabajos con el fin de
mejorar la capacidad de clasificacin del sistema y
as aportar conocimiento en el estudio y evaluacin
de equipos en este campo de aplicacin.
El propsito de este proyecto es continuar con la
lnea de investigacin desarrollada por la
universidad Antonio Nario, para crear soluciones
inteligentes y eficaces, que informen al usuario el
estado de las mquinas para as minimizar costos de
mantenimiento correctivo e evitar paradas
imprevistas que afectan el buen funcionamiento del
proceso productivo de la empresa.
En el presente trabajo se ha dispuesto la realizacin
de un sistema para una Clasificacin automtica de
patrones de desbalanceo en una maquina rotativa,
utilizando lgica Difusa y transformada Fourier,
aplicada a registros obtenidos a partir del registro de
vibraciones mecnicas en un banco de pruebas.
La UNIVERSIDAD ANTONIO NARIO con el
fin de avanzar en tecnologa e investigacin ha
desarrollado varios proyectos anteriores el primero
fue el del banco de pruebas para anlisis de
vibraciones [3] para estudiar las caractersticas de la
seal obtenida a travs de la implementacin de
anlisis de fases [4] y la Transformada Wavelet
[5] [6] [7]. Posterior a este se implemento la
clasificacin de patrones usando las redes
neuronales artificiales [8], que permitir seguir
incursionando en el campo investigativo. Entonces
este trabajo busca encontrar otra forma de clasificar
las seales vibratorias utilizando lgica difusa
(Fuzzy logic) para distinguir la seal de una
maquina con falla por desbalanceo de una normal
(Sin falla), Es importante tener en cuenta que la
proyeccin del laboratorio de vibraciones sirva para
el estudio y la enseanza de la misma, fortaleciendo
los conocimientos vistos en clase del estudiante a
travs de herramientas pedaggicas como la lnea

Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.

de investigacin
vibraciones.
II.

que

lleva

este

banco

de

LGICA DIFUSA COMO CLASIFICADOR DE

VIBRACIONES MECNICAS

A. Logica difusa
El concepto de lgica difusa es muy comn, est
asociado con la manera en que las personas
perciben el medio, por ejemplo ideas relacionadas
con la altura de una persona, velocidad con la que
se mueve un objeto, la temperatura dominante en
una habitacin, cotidianamente se formulan de
manera ambigua y depende de quin percibe el
efecto fsico o qumico, ser su enunciado acerca de
tal fenmeno. Una persona puede ser alta o baja,
algo puede moverse rpido o lento, una temperatura
puede ser baja o moderada o alta, se dice que estas
afirmaciones acerca de una variable son ambiguas
porque rpido, bajo, alto son afirmaciones del
observador, y estas pueden variar de un observador
a otro. Uno se puede preguntar cundo algo es fro o
caliente, qu tan baja es la temperatura? cuando
decimos fro, o qu tan alta? es cuando decimos
caliente.
Los conjuntos difusos definen justamente estas
ambigedades e intenta modelar la ambigedad con
la que se percibe una variable. Los conjuntos
difusos son la base para la lgica difusa.
B. Conjuntos difusos
Los conjuntos clsicos, tienen limitaciones, ellos
definen un universo discreto con bordes bien
definidos, en ellos un elemento no pueden
pertenecer a cierto conjunto, algo es falso o es
verdadero; En este punto los conjuntos borrosos
son una extensin de los clsicos, para describir la
ambigedad de un conjunto borroso se logra
aadiendo una funcin de membreca o perteneca
denominada A(x), esta indica el grado en que la
variable x incluida en el conjunto A con valores
entre 0 y 1, si esta funcin toma el valor 0 significa
que el valor de x no est incluida en la etiqueta A y
si toma 1 el correspondiente valor de x est
absolutamente incluido en A.
Los conjuntos difusos son la base para la lgica
difusa, del mismo modo que la teora clsica de
conjuntos es la base para la lgica Booleana. Con
Premio Colombiano de Informtica ACIS 2011

los conjuntos difusos se realizan afirmaciones

lgicas del tipo si-entonces definindose estas con
Lgica Difusa. Este tema es propio de inteligencia
artificial, donde se intenta emular en pensamiento
humano. En el control industrial, se tiene en cuenta
la experiencia como base de conocimiento del
operario, esto ser til para emular el
comportamiento humano con una mquina.
En siguiente Figura 1se muestra un ejemplo de
conjunto borroso dividido en 3 subconjuntos {Baja,
Media, Alta}, con sus respectivas funciones de
membreca {Baja(x), Media (x), Alta(x)}.
Figura 1. Conjuntos borrosos y funciones de membreca

Fuente: Los autores

C.
Modelo de clasificador difuso propuesto
El modelo propuesto para el clasificador difuso se
presenta en la Figura 5, en donde se observan los
variables de entrada llamadas Antecedente, stos
valores entran al clasificador (cuadro central),
pasando por la etapa de fuzzificacin, la cual
entrega los valores al motor de inferencia difusa
(Borrosa) que junto a las reglas difusas computa los
conjuntos difusos de salida por cada una de las
reglas difusas, estos conjuntos entran a la etapa de
Defuzzificacion, la cual como se mencion
anteriormente transforma los conjuntos de salida en
un valor representativo de perteneca para el caso en
particular de estudio.
Figura 2. Modelo de clasificador difuso

Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.

Fuente: Los autores

D. Funciones de membreca
Ya que el mtodo que se plantea para configuracin
de clasificador difuso es prueba y error, se empez
por utilizar para todas la funciones de membreca
una funcin de tipo triangula.
El rango para cada uno de los conjuntos difusos se
escogi observando el mximo y el mnimo de las
seales vibracionales obtenidas de banco de
pruebas.
Los rangos para cada uno de los conjuntos difusos
(RMS, PICO, ENERGIA) se obtienen del anlisis
de cada una de las seales Vibracionales para
obtener los correspondientes valores. Presentados
en la TABLEI, muestra los tres valores necesarios
para configurar una funcin triangula, estos valores
pertenecen a cada una de las funciones de
membreca de los conjuntos borrosos de entrada
(RMS, PICO, ENERGA):

III.
RESULTADOS
Se hicieron barias pruebas para llegar a la
configuracin mas optima para el clasificador
difuso, El proceso de estas pruebas se describe en la
grafica siguiente Figura 5.
sta grafica muestra los pasos posteriores a la
configuracin inicial del clasificador Difuso en el
Toolbox de Matlab Fuzzy, de la forma que se
describi anteriormente.
Figura 3. Proseo de configuraciones del clasificador difuso

TABLE I
CONJUNTO BORROSO Y SUS FUNCIONES DE MEMBRECA
Conjunto Borroso
Funcin membreca
RMS

Bajo=[0.97 0.98 0.9936]

Medio=[0.985 0.989 0.994]
Alto= [0.9851 1 2]

PICO

Bajo= [0.97 0.99 0.9966]

Medio= [0.993 0.9948 0.997]
Alto = [0.993 1 2]

ENERGA

Bajo= [0.96 0.97 0.987]

Medio= [0.97 0.981 0.9875]
Alto= [0.9701 1 2]

CONDICIN

NORMAL= [-1 0 0.4 0.7]

DESBALANCE=[0.65 0.85 1 2]

Fuente: Los autores

E. MATLAB como herramienta de

configuracin del la lgica difusa.
Utilizando la herramienta informtica de toolbox
Matlab llamado fuzzy, configuraremos los
antecedente y consecuentes para el clasificador
difuso de desbalanceo, as como las reglas
pertinentes y necesarias para la inferencia del
clasificador.
Esta herramienta permiti hacer pruebas para
encontrar la mejor configuracin para el clasificador
difuso.
Premio Colombiano de Informtica ACIS 2011

Despus de exportar el archivo .fis al que se

llamo 00-FUSI, con este nombre lo ingresamos en
la variable nombre del script CLASDIFUSI, l
cual contiene las instrucciones necesarias para la
recopilacin de las 16 pruebas realizada,
agrupndolas en una matriz llamada Entradas esta
matriz sern los datos de RMS,PICO,ENERGA,
para cada una de las pruebas, ste mismo script
ejecuta el clasificador difuso y entrega los valores
de salida para cada una de las pruebas a clasificar,
tambin calcula el error de fallas basndose en los

Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.

valores medios para las pruebas normales y de

desbalance. Este error representa la diferencia
promedio del valor de la salida del clasificador con
respecto al valor medio para todas. Los resultados
obtenidos para cada una de las configuraciones que
llevaron a la configuracin fina se presentan a
continuacin.
A. Salida del clasificador difuso propuesto
Se observo que las salidas del clasificador difuso
siempre tenan un comportamiento parecido a una
S, donde las pruebas de desbalance se ubicaban en
la parte superior de la figura y las pruebas normales
en la parte inferior, para el caso en particular se
ordenaron las pruebas iniciando con las que no
presentan falla y posterior las que si presentan falla,
para tener una estimacin de cul debera ser el
valor representativo de la zona de desbalance y la
normal se calculo el valor medio + la desviacin
estndar de los datos normales y desbalance por
separado , esto se ve representado en la Figura 5 ,
en ella podemos ver representado el valor medio de
las pruebas normales como una lnea horizontal de
color verde, la lnea roja horizontal representa el
valor medio de las pruebas de desbalance, la lnea
azul son sol valores entregados por el clasificador
para cada una de las pruebas.

IV.

Premio Colombiano de Informtica ACIS 2011

VALIDACIN CRUZADA

V.
CONCLUSIONES
La validacin cruzada o cross-validation es una
tcnica utilizada para evaluar los resultados de un
anlisis estadstico y garantizar que son
independientes de la particin entre datos de
entrenamiento y prueba. Consiste en repetir y
calcular la media aritmtica obtenida de las medidas
de evaluacin sobre diferentes particiones. Se
utiliza en entornos donde el objetivo principal es la
prediccin y se quiere estimar que tan preciso es un
modelo que quiere llevarse a la prctica [9]. sta
tcnica es muy utilizada en proyectos de
inteligencia artificial para validar modelos
generados.
Figura 5. Validacin cruzada

Figura 4. Salida del clasificador difuso

Fuente: Los autores

Fuente: Los autores

Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.

La Figura 5 muestra esquemticamente el proceso

de validacin cruzada del modelo de clasificador
difuso.
A. Objetivo de la validacin cruzada
El objetivo es permitir el ajuste y optimiza los
parmetros del modelo para que ste se ajuste a los
datos de entrenamiento tan bien como pueda. Se
coge una muestra independiente como dato de
prueba (validacin), del mismo grupo que los datos
de entrenamiento, normalmente el modelo no se
ajustar a los datos de prueba igual de bien que a los
datos de entrenamiento. Esto se denomina
sobreajuste y acostumbra a pasar cuando el tamao
de los datos de entrenamiento es pequeo o cuando
el nmero de parmetros del modelo es grande. La
validacin cruzada es una manera de predecir el
ajuste de un modelo a un hipottico conjunto de
datos de prueba cuando no disponemos del conjunto
explcito de datos de prueba [11]
B. Resultado de la validacin cruzada
Para realizar la validacin cruzada se tomo un
conjunto aleatorio de 8 elementos en cada una de
las 20 iteraciones que se realizaron al clasificador
difuso, la siguiente Figura 5 muestra los errores de
clasificacin presentados en cada una de las
iteraciones. El valor medio de error del modelo del
clasificador difuso fue de 15% y una precisin de
clasificacin de 85%, ver TABLEII.

Figura 6. Error de falla de clasificacin y valor medio Errorf

Fuente: Los autores

Premio Colombiano de Informtica ACIS 2011

TABLE II

ERROR Y PRECISION DE VALIDACION CRUZADA

iteracin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Valor medio

Precisin % Errorf %
87.50
12.50
75.00
25.00
75.00
25.00
62.50
37.50
100.00
0.00
75.00
25.00
100.00
0.00
87.50
12.50
100.00
0.00
87.50
12.50
87.50
12.50
87.50
12.50
100.00
0.00
75.00
25.00
100.00
0.00
75.00
25.00
75.00
25.00
75.00
25.00
87.50
12.50
87.50
12.50

85%

15%

VI.
CONCLUSIONES

Se concluye que el clasificador difuso

propuesto es capaz de clasificar las pruebas
normales de las de desbalance aplicando las 27
reglas difusas descritas, los conjuntos borrosos de
entrada junto a los de salida permiten dicha
clasificacin.

Es posible la aplicacin de la lgica difusa

en la clasificacin automtica de las seales
proveniente del banco de pruebas de vibracin para
una situacin de desbalance y normal de la seal. La
lgica difusa en un mtodo fcil, intuitivo para este
tipo de aplicaciones.

El modelo propuesto cumple con el objetivo

de clasificar las seales vibracionales obtenidas del
banco de pruebas, en pruebas normales y pruebas de
desbalance para cada caso de estudio.

La validacin cruzada permiti evaluar el

alcance del el modelo propuesto de clasificador
difuso para pruebas normales y de desbalance,
llegndose a obtener un mnimo error de

Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.

clasificacin del 15% y un 85% de precisin de

clasificacin.

Se evidencian claramente que las seales

adquiridas del banco de pruebas presenta situacin
de desbalance al agregarle una masa descentrada
del eje de rotacin.

Las seales adquiridas del banco de pruebas

para las situaciones normales presentaron un grado
de desbalance el cual no es apropiado para un banco
de pruebas de vibracin.
REFERENCIAS

[9]
[10]
[11]
[12]
[13]

[1] U. a. D. F. J. Ing.Eugenio, Controladores basados en

lgica difusa y loops de conversacin natural caticos,
proyecto integrador de carrera de ingenieria
nuclear.Sancarlos de Bariloche,junio de 2007.
[2] A. Ing TLLEZ Velzquez, arquitectura de un controlador
lgico disuso usando lgica combinatoria,Instituto
politecnico nacional, tesis de grado,mexico D.F, 2008.
[3] J. A. J. E. CACERES EGEA y DIAZ SIERRA, ,
Implementacin de un banco de pruebas para anlisis de
vibraciones mecnicas en maquinaria rotativa afectada por
desbalanceo, Trabajo de grado Ingeniero
Electromecnico. Bucaramanga: Universidad Antonio
Nar.
[4] J. L. S. REYES, , Implementacin de anlisis de fase en el
banco de pruebas para el anlisis de vibraciones
mecnicas en maquinaria rotativa afectada por
desbalanceo, Trabajo de grado Ingeniero
Electromecnico. Bucaramanga: Universidad Antonio
Nario., Faculta de ingenier electromecanica..
[5] C. E. G. G. y. W. P. FLOREZ, Algoritmo en Matlab para
la deteccin de desbalanceo en equipos rotativos usando
la Transformada de Wavelet, Trabajo de grado Ingeniero
Electromecnico. Bucaramanga: Universidad Antonio
Nario. Facultad de Inge, Facultad de Ingeniera
Electromecnica. 2013. 140 p. .
[6] O. S. R. y. R. P. J. H. N. E. HIGUERA, , Extraccin de
caractersticas representativas respecto al fenmeno de
desbalanceo y des-alineamiento angular utilizando la
Transformada Wavelet, Trabajo de grado Ingeniero
Electromecnico., Bucaramanga: Universidad Antonio
Nario. Facultad de Ingeniera Electromecnica. 2014.
164 p..
[7] E. J. O. d. c. d. p. d. d. y. d. a. e. u. m. r. u. T. W. y. l. t. d.
e. O. GIL LEON y PIMIENTO RODRIGUEZ, aplicada a
registros obtenidos a partir del sensado de vibraciones
mecnicas en un ban, Trabajo de grado Ingeniero
Electromecnico. Bucaramanga: Universidad Antonio
Nario. Facultad de Ingeniera Electromecnica. 2042.
146 p...
[8] E. S. GUTIERREZ Arrieta, Clasificacin Automtica De

Premio Colombiano de Informtica ACIS 2011

[14]
[15]
[16]
[17]
[18]
[19]

Patrones De Vibracin Mecnica En Mquinas Rotativas

Afectada Por Desbalanceo Y Desalineamiento Usando
Redes Neuronales Artificiales, universidad antonio
nario,facultad de ingeniera
electromecnica,bucaramanga,2015.
J. Schneider, , The holdout method, The school of
computer science, 7 de febrero de 1997.
S. a. S. D. S.N.Sivanandam, Introduction to Fuzzy Logic
using MATLAB, ISBN-10 3-540-35780-7,springer-Verlag
Berlin Heidelberg,2007.
Payam Refaeilzadeh, Lei Tang, Huan Lui, k-fold CrossValidation, Arizona State University, 6 de noviembre de
2008.
A. W. Moore, Cross-validation for detecting and
preventing overfitting, Carnegie Mellon University.
J.-P. Lang, , Predictors tutorial, Bioinformatic Department
Projects.
F. Joanneum, , Cross-Validation Explained, Institute for
Genomics and Bioinformatics, 2005-2006.
B. E. a. R. J.Tibshirani, Introduction to the Bootstrap, B.
Efrom 1993.
R. Gutirrez-Osuna, Ricardo Gutirrez-Osuna, Leaveone-out Cross Validation Wright State University.
P. A. Devijver, and J. Kittler, Pattern Recognition: A
Statistical Approach, Prentice-Hall, Londres, 1982.
Elkan, Charles, Evaluating Classifiers University of
California, San Diego,8 de enero de 2011.
Jeff Schneider, The holdout method, The school of
computer science, 7 de febrero de 1997.

AUTORES
ANGARITA O Robinson, roangarita@uan.edu.co

ZAPATA C Nelson. nelsonzapata87@hotmail.com