Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Director:
CAMILO LEONARDO SANDOVAL RODRIGUEZ
M.Sc. Electrnica
DEDICATORIA
Gracias a Dios por permitir alcanzar esta meta por darme la fuerza y dejar acercar
personas que me apoyan y me acompaan.
Gracias Padre y Madre por los consejos y la gua que siempre me ofrecieron y
me forjaron para alcanzar todos mis logros.
A mi esposa por la comprensin y el amor que siempre est dispuesta dar
incondicionalmente.
A mis hijos por convertirse en la luz de mis ojos.
EDWIN GUTIERREZ ARRIETA
Gracias al todo Poderoso, y aquellas personas que nos colaboraron en alcanzar
este objetivo.
Gracias a mis familiares a mi Padre y Madre por los consejos y la gua que siempre
me ofrecieron y me forjaron para alcanzar todos mis logros.
A mi esposa por su comprensin y las largas jornadas de estudio que siempre
estuvo dispuesta a colaborarme
ALEXANDER CARRILLO SANDOVAL
AGRADECIMIENTOS
El logro de este objetivo no hubiese sido posible sin la colaboracin incondicional
de nuestras familias las cuales eran testigos y acompaantes del trabajo arduo
durante el transcurrir de nuestros estudios.
Tambin extendemos nuestros sinceros agradecimientos y reconocimiento, a la
Ingeniera Indira Cassaleth por todo su apoyo, entrega y compromiso con la
Institucin y cada uno de sus estudiantes.
A nuestro director de proyecto y maestro, al Ingeniero y M.sc. Camilo Leonardo
Sandoval por su orientacin, aportes y direccionamiento efectivo; mil y mil gracias
Camilo.
CONTENIDO
Pg.
JUSTIFICACION ......................................................................................... 17
3.1
GENERAL ................................................................................................... 18
3.2
ESPECFICOS ............................................................................................ 18
MARCO CONCEPTUAL.............................................................................. 19
4.1
4.2
VIBRACIONES MECNICAS...................................................................... 20
4.4
5.1
DESCRIPCIN ........................................................................................... 45
5.2
5.3
CONCLUSIONES ........................................................................................ 74
RECOMENDACIONES ............................................................................... 76
LISTA DE TABLAS
Pg.
LISTA DE FIGURAS
Pg.
LISTA DE ANEXOS
Pg.
Anexo A. Cdigo Macro Excel Anlisis de Fourier ................................................. 80
Anexo B. Cdigo Macros datos de entrada RNA ................................................... 82
10
GLOSARIO
ACOPLAMIENTO: Forma de conexin semipermanente, entre dos ejes o rboles.
ALINEACIN: Mxima colinealidad posible entre las lneas de centro de dos ejes.
ANLISIS DE LA FORMA DE ONDA: Es el anlisis de la vibracin en el dominio
del tiempo, la cual extrae informacin til para el diagnstico del grfico de
la amplitud vibratoria versus el tiempo.
ASIMETRA TRMICA: Dilatacin de las partes de manera no uniforme y desigual,
debido a la falta de entrada de aire en el motor, produciendo un recalentamiento
Gs: Unidades de aceleracin de la gravedad.
GESTIN DE FALLAS: Conjunto de facilidades que permite la deteccin,
identificacin y correccin de las fallas
HANNING: Es la representacin grfica de la transformada rpida de Fourier
dentro de una ventana de trabajo, la cual muestra el resultado en funcin de una
onda cosenoidal
HORIZONTAL: Posicin que va perpendicular al sentido de la gravedad.
ONDA: Es una propagacin de una perturbacin de alguna propiedad de un medio.
PICO: cada una de las lneas que componen el espectro.
PRECISIN: Es la capacidad de un instrumento para producir mediciones dentro
de un rango.
PROGRAMA DE MANTENIMIENTO PREDICTIVO: Es el programa que contempla
de modo eficaz tres etapas indispensables: deteccin, identificacin y correccin,
adems de contribuir a detectar el comienzo de una nueva avera.
RED NEURONAL: Son elementos, que utilizan similitudes biolgicas con la
estructura de nuestro cerebro y del cerebro de los animales, para crear unidades de
procesamiento similares por medio de simulacin de software o por medio de
hardware especializado.
REPORTE: Es un Documento, generado por el Sistema, que nos presenta de
manera Estructurada y/o Resumida, datos relevantes guardados o generados por
la misma aplicacin de tal manera que se vuelvan tiles para los fines que
la aplicacin fue creada.
RESONANCIA: se presenta cuando la frecuencia natural de un componente
es excitada por un agente externo.
RODAMIENTO: Es un elemento mecnico que reduce la friccin entre un eje y las
piezas conectadas a ste, que le sirve de apoyo y facilita su desplazamiento
ROTOR: Parte giratoria de una mquina.
RPM: Otra de las unidades de la frecuencia, que equivale al nmero de ciclos por
minuto que presenta la mquina.
11
12
RESUMEN
TITULO
CLASIFICACIN AUTOMATICA DE PATRONES DE VIBRACIN MECNICA EN
MQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y DESALINEAMIENTO
USANDO REDES NEURONALES ARTIFICALES*
AUTORES
GUTIERREZ ARRIETA, Edwin
CARRILLO SANDOVAL, Alexander**
PALABRAS CLAVES
RNA Redes Neuronales Artificiales, Vibraciones Mecnicas, Mantenimiento Predictivo,
Desbalance, Desalineamiento
DESCRIPCIN
Las redes neuronales artificiales (RNA) son eficientes tcnicas computacionales, usadas
ampliamente para solucionar problemas complejos en muchos campos del conocimiento.
En este proyecto fueron usadas las redes neuronales backpropagation para identificar dos
problemas presentes en las mquinas rotativas, los cuales son el desbalance y el
desalineamiento angular, continuando as, la lnea de investigacin desarrollada por la
universidad Antonio Nario en ingeniera de mantenimiento, explorando el potencial de los
procedimientos para la deteccin de dao usando redes neuronales a partir de ciertas
caractersticas vibracionales de los sistemas rotativos. Se entrenaron redes neuronales
backpropagation para identificar y clasificar los patrones vibracionales obtenidos en varios
casos de desplazamiento angular vertical y desbalance causado por diferentes masas
excntricas. Los datos necesarios para el entrenamiento de las redes fueron obtenidos
mediante el banco de pruebas y el software PROVIDES realizado en LabView. Los
resultados demostraron que esos parmetros y las redes neuronales artificiales pueden ser
usados como una herramienta en la identificacin de problemas presentes en las mquinas
rotativas.
* Trabajo de Grado.
** Facultad de Ingeniera Electromecnica. Director: Camilo Sandoval, Ingeniero Electrnico
13
ABSTRACT
TITLE
AUTOMATIC CLASSIFICATION OF PATTERNS OF MECHANICAL VIBRATION IN
ROTATING MACHINES AFFECTED BY UNBALANCE AND MISALIGNMENT USING
ARTIFICIAL NEURAL NETWORKS*
AUTHORS
GUTIERREZ ARRIETA, Edwin
CARRILLO SANDOVAL, Alexander**
KAYWORDS
Artificial Neural Networks (ANN), Mechanical Vibrations, Predictive Maintenance,
unbalance, misalignment
DESCRIPTION
Artificial neural networks (ANN) are efficient computational techniques widely used to solve
complex problems in many fields of knowledge. In this project they were used neural
networks backpropagation to identify two problems present in rotating machines, which are
the imbalance and the angular misalignment, continuing the line of research developed by
the University Antonio Nario in maintenance engineering, exploring the potential
procedures for detecting damage using neural networks from certain vibrational
characteristics of the rotors. backpropagation neural networks were trained to identify and
classify the vibrational patterns obtained in several cases of anguar displacement and
unbalance causing by different eccentric masses. The data needed to train networks were
obtained by the test and PROVIDES made in LabView software. The results showed that
these parameters and artificial neural networks can be used as a tool in identifying problems
present in rotating machines.
* Work of Degree.
** Faculty of Electromechanical Engineering. Director: Camilo Sandoval, Electronic Engineer
14
INTRODUCCIN
15
16
JUSTIFICACIN
17
3.1 GENERAL
Obtener las caractersticas dinmicas de desbalanceo y desalineamiento angular
en una mquina rotativa implementando redes neuronales artificiales como nuevo
mtodo de deteccin y diagnstico de fallas.
3.2 ESPECFICOS
18
MARCO CONCEPTUAL
el
conjunto
de
actividades
de
seguimiento
diagnstico
continuo
Este sistema tiene la ventaja de que el seguimiento nos permite contar con un
registro de la historia de la caracterstica en anlisis, sumamente til ante fallos
repetitivos; puede programarse la reparacin en algunos casos, junto con la parada
programada del equipo y existen menos intervenciones de la mano de obra en
mantenimiento.
El objetivo final del mantenimiento es:
MUOZ ABELLA, Maria Belen.MANTENIMIENTO INDUSTRIAL. Universidad Carlos III de Madrid. rea de
Ingeniera
Mecnica.
[En
lnea].
<http://ocw.uc3m.es/ingenieria-mecanica/teoria-demaquinas/lecturas/MantenimientoIndustrial.pdf> [Citado en 12 de Febrero de 2015].
19
ARDILA, Johan et. Al. Seminario de investigacin en vibraciones torsionales en mquinas rotativas y
reciprocantes. Tesis de grado. Universidad Industrial de Santander. Bucaramanga. 2013.
20
21
22
23
= cos
= = 2
24
(2)
Aceleracin,
=
2
= 2 sin
2
(3)
= 2 = 4 2 2
Los niveles o valores de vibracin son las diferentes formas en que se puede valorar
la intensidad o amplitud de una vibracin (Ver Figura 47).
(4)
(5)
25
() =
1
()
0
(6)
1
= 2 ()
0
(7)
La siguiente tabla muestra los factores de conversin entre los valores de vibracin
Pico-Pico
1
0.5
0.354
0.318
Multiplicar valor de x
Pico
RMS
2
2.828
1
1.414
0.707
1
0.637
0.9
Valor medio
3.142
1.571
1.111
1
26
4.5.1 Desbalanceo
Fenmeno presentado cuando se crea una fuerza por un cuerpo que se encuentra
en rotacin debido la excentricidad de su centro de masa respecto al eje de rotacin.
Este tipo de falla presenta unas caractersticas en el anlisis de vibraciones que
permiten su identificacin. De manera genrica se sabe que se presenta al 1X y
describe un movimiento sinusoidal.
ONDA EN EL TIEMPO
t [seg]
27
Por otra parte, esta falla puede darse de dos maneras, ya sea de carcter esttico
o dinmico, dependiendo las caractersticas del rotor y de la falla.
AMPLITUD
1x RADIAL
FRECUENCIA
28
AMPLITUD
1x RADIAL
FRECUENCIA
Fuente: WHITE, Glen. Introduccin al anlisis de vibraciones. Azima DLI. 2010. p. 106
Rotor Colgante
Ocurre en rotores que se encuentran en el extremo de un eje. Es producido por
desgaste en la superficie del rotor y doblamiento del eje. El espectro presenta
vibracin dominante a 1X del rotor, muy notoria en direccin axial y radial.
AMPLITUD
FRECUENCIA
4.5.2 Desalineamiento
La falta de colinealidad entre ejes acoplados induce fuerzas tanto en direccin radial
como en direccin axial, aun cuando se empleen acoples flexibles provocando altas
vibraciones en ambas direcciones. La amplitud de la vibracin depende de la
gravedad del desalineamiento y se presenta a frecuencias de 1X, 2X y 3X en los
29
Debe tenerse en cuenta que esta falla puede darse de tres formas, ya sea
desalineacin paralela, angular o combinacin de las dos.
Esta patologa se debe a que los ejes se encuentran paralelos pero no estn
colineales, lo cual produce una fuerza de cizallamiento y un momento de flexin en
la extremidad acoplada de cada flecha. Espectralmente esto se evidenciara con
niveles altos al 1X y 2X. En la mayora de los casos, los componentes que se
presentan al 2X son de mayor amplitud que los del 1X, lo cual se nota principalmente
con mediciones en direccin radial. Cuando aumenta la severidad, genera picos en
armnicos superiores (4X , 8X).
30
AMPLITUD
2x
AXIAL
1x
4x
FRECUENCIA
AMPLITUD
2x
AXIAL
1x
3x
FRECUENCIA
31
Fuente: PALMER POL, A. y MONTAO MORENO, J.J. Qu son las redes neuronales
artificiales? Aplicaciones realizadas en el mbito de las adicciones. EN: ADICCIONES. 1999, Vol.
11 No. 3, 245 p.
32
Entrada
Peso
Entrada neta
Funcin
de salida
(entrada neta)
Salida
Neuronas j
Neuronas i
Fuente: PALMER POL, A. y MONTAO MORENO, J.J. Qu son las redes neuronales
artificiales? Aplicaciones realizadas en el mbito de las adicciones. EN: ADICCIONES. 1999, Vol.
11 No. 3, 245 p
Las partes que constituyen la neurona artificial (Figura 11) son las siguientes:
33
Existen numerosos tipos de funcin de transferencia entre los que caben destacar,
por su uso, las funciones de identidad, las funciones sigmoideas y las funciones
Gaussianas [11].
a) Escaln
b) Lineal
c) Sigmoidea
d) Tanh
e) Gaussiana
34
4.6.2 Arquitecturas 4
Se denomina arquitectura a la topologa, estructura o patrn de conexionado de una
red neuronal. En una red neuronal los nodos se conectan por medio de sinapsis,
esta estructura de conexiones sinpticas determina el comportamiento de la red. En
general, las neuronas se suelen agrupar en unidades estructurales que se
denominan capas. Finalmente, el conjunto de una o ms capas constituye la red
neuronal.
Las conexiones entre las neuronas pueden ser ex citatorias o inhibitorias: un peso
sinptico negativo define una conexin inhibitoria, mientras que uno positivo
determina una conexin
denominadas laterales, tienen lugar entre las neuronas pertenecientes a una misma
capa, mientras que las conexiones inter-capa se produce entre las neuronas de las
diferentes capas. Existen adems conexiones realimentadas, que tienen un sentido
contrario al de entrada-salida. En algunos casos puede existir realimentacin incluso
de una neurona consigo misma.
ARANGO FLOREZ, Gustavo Adolfo. Clasificacin de fallas en motores elctricos utilizando seales
de vibracin. Trabajo de grado ttulo de Magister en Ingeniera Elctrica. Universidad Tecnolgica de
Pereira. 2007. p. 39
35
Redes mono capa: son aquellas compuestas por una nica capa de
neuronas.
36
37
38
Rosenblatt6 cre muchas variaciones del perceptrn. Una de las ms simples fue
una red de slo una capa cuyos pesos y conexiones podan ser entrenados para
producir el vector correcto cuando se le presentaba un vector de entrada. Esta
tcnica de entrenamiento se llama la regla de aprendizaje del perceptrn. El
perceptrn gener gran inters debido a su habilidad de generalizar a travs de sus
vectores de entrenamiento y de aprender empezando por conexiones distribuidas
aleatoriamente, los perceptrnes son utilizados para problemas simples de
clasificacin de patrones. Son rpidos y confiables para los problemas que puedan
MUNEVAR, Juan Andrs y CANAL, Andrs Ivn. Diseo y simulacin de un sistema de diagnstico de fallas
para mquinas rotativas. Trabajo de grado Ingeniero Macarrnico. Bogot D.C.: Universidad de San
Buenaventura. 2010. p. 56-60
6 Frank
Rosenblatt (Julio 11, 1928 Julio 11, 1971) fue un psiclogo estadounidense notable en el campo de la
inteligencia artificial.
39
Fuente: MUNEVAR, Juan Andrs y CANAL, Andrs Ivn. Diseo y simulacin de un sistema de
diagnstico de fallas para mquinas rotativas. Trabajo de grado Ingeniero Mecatrnico. Bogot
D.C.: Universidad de San Buenaventura. 2010. p. 57
40
para aprender es capaz de entregar slo una capa. Por lo tanto slo las redes de
una sola capa son consideradas aqu. Esta restriccin pone limitaciones en las
tareas que puede resolver un perceptrn.
4.6.5.2 Backpropagation
La red Backpropagation es una red de aprendizaje supervisado en dos fases. En la
primera fase se propaga un estmulo desde la primera capa hasta la salida. La
diferencia entre la salida obtenida y la salida deseada es el error. En la segunda
fase se hace una propagacin hacia atrs del error partiendo de la capa de salida
hasta la capa de entrada. Este proceso se repite hasta que se alcance el grado de
aproximacin deseado.
Fuente: MUNEVAR, Juan Andrs y CANAL, Andrs Ivn. Diseo y simulacin de un sistema de
diagnstico de fallas para mquinas rotativas. Trabajo de grado Ingeniero Mecatrnico. Bogot
D.C.: Universidad de San Buenaventura. 2010. p. 57
41
apropiada definida por usted. Las redes con sesgos, capas sigmoidales, y una
tapada de salida lineal son capaces de aproximar cualquier funcin con un nmero
finito de discontinuidades.
Cuando las redes de propagacin hacia atrs estn bien entrenadas tienden a dar
respuestas razonables cuando se enfrentan a entradas que nunca han visto.
Tpicamente, una nueva entrada hace que la red presente salidas similares a las
salidas correctas de los vectores de entrada usados para entrenar. Esta propiedad
de generalizacin hace posible entrenar redes con un nmero representativo de
entrada y salida y obtener buenos resultados sin entrenar la red con todas las
entradas o salidas posibles.
42
43
44
DESARROLLO METODOLGICO
5.1 DESCRIPCIN
La metodologa que se us para obtener las caractersticas de desbalanceo y
desalineamiento angular en una mquina rotativa implementando redes neuronales
artificiales se divide en cuatro fases, las cuales permiti cumplir con los objetivos
propuestos.
7MUOZ
45
47)
existente
en
la
UNIVERSIDAD
ANTONIO
NARIO
SEDE
Fuente: ERASMO, Joaqun; DIAZ, Julio. Implementacin de un banco de pruebas para anlisis
de vibraciones mecnicas en maquinaria rotativa afectada por desbalanceo. Tesis de grado.
Universidad Antonio Nario facultad de ingeniera electromecnica. 2012
46
47
(8)
(9)
Output (Volts)
-18
-16
-14
-12
-10
-8
-6
-4
-2
Gap (m ils)
10
20
30
40
50
60
Th=+25 C (+77 F)
70
80
90
100
Th=+260 C (+500 F)
Fuente: Bently Nevada. 3300 XL 8mm Proximity Transducer System Asset Condition Monitoring.
2013
48
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
-7,8
-8
-8,2
-8,4
-8,6
-8,8
-9
-9,2
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
10
20
30
40
50
60
70
80
90
10,5
10
9,5
9
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0,5
0
0
10
20
30
40
50
60
70
80
90
-7,7
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
-7,9
-8,1
-8,3
-8,5
-8,7
-8,9
-9,1
-9,3
50
100
150
50
200
250
Fuente:
Tomado
de:
www.reliabilitydirectstore.com
[On-line,
citado
http://www.reliabilitydirectstore.com/v/vspfiles/assets/images/iso%20standard.jpg
07/05/2015]
Normal
1200
0,91
1X
desbalanceo
3000
3,25
1X
desalineamiento
720
2,2
1X 2X 3X
51
I de la Figura 25, se concluye que los datos tomados son vlidos para el
entrenamiento de la red neuronal.
52
53
(10)
(11)
Las siguientes figuras muestran como ejemplo los arreglos en los archivos:
Figura 28. Archivo Inputs
54
(12)
En el caso en que se requiera hacer una red neuronal con ms de una capa oculta
se le debe ingresar un vector fila en Patternnet ( ) con el nmero de neuronas que
contiene cada capa; el siguiente es un ejemplo.
>>hiddenLayerSize = [100 50];
>>net = patternnet(hiddenLayerSize)
(13)
Se genera una red neuronal de dos capas ocultas, la primera con 100 y la segunda
con 50 neuronas, se muestra en la Figura 47.
55
(14)
Fuente:
La funcin (5) inicializa los pesos y las Bias para la red acabada de crear (ver Figura
47).
5.3.6 Funcin de transferencia
Los textos recomiendan para una red de clasificacin de patrones backpropagation
se deba usar la funcin sigmoidea, esta funcin entrega valores entre 0 y 1.
56
57
(16)
58
Posterior mente se corre el cdigo (Run) despus de haber seleccionados los datos
de entrada y salida empieza el entrenamiento de la red, este despliega una ventana
donde muestra este proceso datos de configuracin y resultados obtenidos para el
entrenamiento, validacin y test (ver Figura 47).
Figura 34. Script de entrenamiento
59
60
Red de una sola capa oculta: [243] neuronas en capa oculta 243, 1000
entradas, 3 salidas (ver Figura 47).
61
(17)
Figura 36. Red neuronal artificial, una capa oculta de [243] neuronas
62
63
Red de una sola capa oculta: [243] neuronas en capa oculta 243, 1000
entradas, 3 salidas.
64
65
Red de una sola capa oculta: [243, 27] neuronas de dos capas oculta, primera
capa 243 neuronas, segunda capa 27 neuronas, 1000 entradas, 3 salidas.
(18
)
Figura 41. Red neuronal artificial, dos capas oculta de [243, 27] neuronas
66
Red de una sola capa oculta: [243, 27] neuronas de dos capas oculta, primera
capa 243 neuronas, segunda capa 27 neuronas, 1000 entradas, 3 salidas.
Fuente:
68
69
entregndoselos a la red RNA por grupos separados segn la falla y por ultimo un
test con 12 ejemplos de cada una de las fallas.
Tabla 3. Nombre de los archivos utilizados en el test de validacin
Datos de entrada Inputs
Desb_Input [1000x50]
Desal_Input [1000x12]
Norm_Input [1000x39]
12_Input [1000x36]
Para realizar los test se cre un script el cual contiene todos los procedimientos que
permiten utilizar la informacin de la red RNA entrenada para la clasificacin de
fallas en seales vibratorias. Se carga el archivo RNAVibraAnalisi_caso4.mat en el
workspace y luego abrimos el archivo RNAVibraAnalisi_TEST.m; Se le da correr
(RUN) el script y este solicitara en primer lugar que le indiquemos los datos de
entrada Inputs, y posteriormente los datos de salida Target luego de esto entrega
una matriz de confusin la cual mostrara el porcentaje de acierto y el porcentaje de
error.
5.5.5.1 Resultados del Test
La muestra la matriz de confusin para cada uno de los test propuestos, en ellos
podemos observar que para el caso de desbalance con 50 ejemplos la red RNA
clasifico a 49 como desbalance y 1 como desalineamiento obteniendo un 98% de
acierto; para los 12 ejemplos de desalineamiento la red RNA afirmo que 12 eran en
verdad desalineamiento y 1 que era desbalance para optar con un 97.7% de acierto;
Para los 39 ejemplos de seales que no presentan fallas la red las clasifico 100%
acertadas colocando los 39 ejemplos en el cuadro que representan a los ejemplos
sin fallos.
70
71
en los patrones
de una huella
72
73
CONCLUSIONES
La huella vibratoria de una mquina es un referente para identificar fallas y
problemas en los equipos.
La metodologa desarrollada demostr que es posible disear un sistema
experto, a travs de una red neuronal backpropagation, para analizar y
vincular las vibraciones en un eje rotodinmico con dos casos de estudio
definidos.
Es posible utilizar la vibracin medida, en un equipo, a travs de
acelermetros e interpretada por redes neuronales backpropagation para
ajustar un plan de mantenimiento y de esta manera optimizar los costos;
adems de evitar paros repentinos del proceso de produccin.
Las redes neuronales backpropagation son algoritmos matemticos que
permiten establecer relaciones entre variables que de otra manera seran
difciles de identificar.
La frecuencia natural y la velocidad crtica son variables que permiten
predecir condiciones de operacin no deseadas en los equipos.
Las grficas caractersticas obtenidas a partir del proceso experimental son
una referencia para determinar si un elemento mecnico posee una falla.
La RNA demostr que es capaz de identificar los parmetros asociados a la
vibracin con un error de dispersin de 0.001%, de acuerdo a esto sera
posible ajustar los tiempos en que el eje requerira de operaciones
preventivas para continuar con un desempeo consistente.
74
75
RECOMENDACIONES
De acuerdo a los resultados obtenidos en este proyecto se recomienda
realizar una modificacin al banco de vibraciones que permita realizar la
experiencia de desalineamiento angular de manera ms prctica ya que en
la
configuracin
actual
realizar
pruebas
induciendo
fallos
por
76
REFERENCIAS BIBLIOGRFICAS
77
Nario.
Facultad
de
Ingeniera
78
79
80
VIBRACIONAL\DOCUMENTOS
Selection.Copy
ActiveWindow.SmallScroll Down:=1
Range("B1002").Select
ActiveSheet.Paste
ActiveWindow.SmallScroll Down:=12
Range("A999:A1001").Select
Application.CutCopyMode = False
Selection.AutoFill Destination:=Range("A999:A1025"), Type:=xlFillDefault
'Range("A999:A1025").Select
Range("D2").Select
Application.Run "ATPVBAEN.XLAM!Fourier", ActiveSheet.Range("$B$2:$B$1025") _
, ActiveSheet.Range("$D$2"), False, False
'ActiveWindow.SmallScroll Down:=-15
Range("E2").Select
ActiveCell.FormulaR1C1 = "=(2/1024)*IMABS(RC[-1])"
Range("E2").Select
Selection.AutoFill Destination:=Range("E2:E1025")
'Range("E2:E1025").Select
Range("C2").Select
ActiveCell.FormulaR1C1 = "0"
Range("C3").Select
ActiveCell.FormulaR1C1 = "=1*1000/1024"
Range("C2:C513").Select
Selection.DataSeries Rowcol:=xlColumns, Type:=xlLinear, Date:=xlDay, _
Step:=0.9765625, Stop:=1000, Trend:=False
Range("C3:C513").Select
Range("C3:C513,E3:E1025").Select
Range("E1025").Activate
End Sub
Sub SpectrumVelocityRMS()
' SpectrumVelocityRMS Macro
Application.Run "ATPVBAEN.XLAM!Fourier", ActiveSheet.Range("$O$2:$O$1025") _
, ActiveSheet.Range("$P$2"), False, False
ActiveWindow.SmallScroll ToRight:=2
ActiveWindow.SmallScroll Down:=-1
Range("S2").Select
End Sub
Sub start()
Mdulo1.Insertar_datos
Mdulo1.FFT
Mdulo3.SpectrumVelocityRMS
End Sub
81
82
Windows(NomArch).Activate
Columns("A:A").copy
Windows("Dat_Entrada RNA.xlsm").Activate
Mdulo1.Secctcells (Mdulo1.num) 'Selecciona la celda correcta para pegar los datos
ActiveSheet.Paste
End Sub
Function Secctcells(num)
'selecciona la selda para pegar los datos
Windows("Dat_Entrada RNA.xlsm").Activate
'Workbooks(1).Worksheets(1).
'Cells(1, num).Select
'Range(Cells(1, num)).Activate
ind = num
indd = 1
Cells(indd, ind).Select
Mdulo1.num = num + 1
End Function
Function Nombre(NumEjem, Caso)
'El valor "caso" toma valores 1= desbalance;2=desalineamiento;3=
' esta funcion construye el nombre del archivo para que excel lo lea
For i = 1 To NumEjem
'clasifica segun sea el caso
Select Case Caso
Case Is = 1
'pruebsa de desbalance7
NomArch = "PDesb (" & i & ").lvm"
Mdulo1.insertar (NomArch) 'Abre un archivo y hace los procedimientos
Mdulo1.copy 'Copia la informacion requerida
Application.CutCopyMode = False
Windows(NomArch).Close (False)
Cells(1002, num - 1) = 1
Cells(1003, num - 1) = 0
Cells(1004, num - 1) = 0
Case Is = 2
'pruebas de desalineamiento
NomArch = "PDeslin (" & i & ").lvm"
Mdulo1.insertar (NomArch) 'Abre un archivo y hace los procedimientos
Mdulo1.copy 'Copia la informacion requerida
Application.CutCopyMode = False
Windows(NomArch).Close (False)
Cells(1002, num - 1) = 0
Cells(1003, num - 1) = 1
Cells(1004, num - 1) = 0
83
Case Is = 3
'pruebas normales
NomArch = "PNorm (" & i & ").lvm"
Mdulo1.insertar (NomArch) 'Abre un archivo y hace los procedimientos
Mdulo1.copy 'Copia la informacion requerida
Application.CutCopyMode = False
Windows(NomArch).Close (False)
Cells(1002, num - 1) = 0
Cells(1003, num - 1) = 0
Cells(1004, num - 1) = 1
Case Else
Caso = MsgBox("El caso al que se refere no es valido", vbCritical, "CASO NO VALIDO")
End Select
Next
End Function
Sub inicio()
UserForm1.Show
Mdulo1.num = 1 'reinicia cuenta de columna de datos
For j = 1 To 3 'evalua los tres casos posibles para generar los nombre
Select Case j
Case Is = 1
'pruebsa de desbalance7
NomArch = Mdulo1.Nombre(Mdulo1.NumDes, j)
Case Is = 2
'pruebas de desalineamiento
NomArch = Mdulo1.Nombre(Mdulo1.NumDesal, j)
Case Is = 3
'pruebas normales
NomArch = Mdulo1.Nombre(Mdulo1.NumNor, j)
Case Else
Caso = MsgBox("El caso al que se refiere no es vlido", vbCritical, "CASO NO VALIDO")
End Select
Next
End Sub
84
85