Anda di halaman 1dari 66

UNIVERSIDAD DE CARABOBO

FACULTAD DE INGENIERA
ESCUELA DE INGENIERA ELCTRICA
DEPARTAMENTO DE POTENCIA

DETECCIN DE FALLAS EN LOS COJINETES DEL MOTOR DE INDUCCIN A


TRAVS DEL ANLISIS ESPECTRAL DE CORRIENTE APLICANDO MQUINAS
DE VECTORES SOPORTE

GONZLEZ J. RUBN D.

MUOZ O. JORGE L.

BRBULA, JUNIO 2009

UNIVERSIDAD DE CARABOBO
FACULTAD DE INGENIERIA
ESCUELA DE INGENIERIA ELECTRICA
DEPARTAMENTO DE POTENCIA

DETECCIN DE FALLAS EN LOS COJINETES DEL MOTOR DE INDUCCIN A


TRAVS DEL ANLISIS ESPECTRAL DE CORRIENTE APLICANDO MQUINAS
DE VECTORES SOPORTE

TRABAJO DE GRADO PRESENTADO ANTE LA ILUSTRE UNIVERSIDAD DE


CARABOBO PARA OPTAR AL TTULO DE INGENIERO ELECTRICSTA

GONZLEZ J. RUBN D.

MUOZ O. JORGE L.

BRBULA, JUNIO 2009

UNIVERSIDAD DE CARABOBO
FACULTAD DE INGENIERA
ESCUELA DE INGENIERA ELCTRICA
DEPARTAMENTO DE POTENCIA

CERTIFICADO DE APROBACIN

Los abajo firmantes miembros del jurado asignado para evaluar el trabajo especial de grado
titulado DETECCIN DE FALLAS EN LOS COJINETES DEL MOTOR DE
INDUCCIN A TRAVS DEL ANLISIS ESPECTRAL DE CORRIENTE APLICANDO
MQUINAS DE VECTORES SOPORTE, realizado por los bachilleres: Rubn D. Gonzlez
J., cdula de identidad: 18.435.1652 y Jorge L. Muoz O., cdula de identidad: 17.704.362,
hacemos constar que hemos revisado y aprobado dicho trabajo.

----------------------------Prof. Rubn Tern


TUTOR

---------------------------

---------------------------

Prof. Irahis Rodrguez

Prof. Ledy Guerra

JURADO

JURADO

BRBULA, JUNIO 2009

AGRADECIMIENTOS

A Dios todo poderoso por darnos la vida, sabidura, constancia, salud y las fuerzas necesarias
que nos ayudaron a vencer los obstculos manifestados durante toda la carrera incluyendo los
sinsabores familiares y personales.
A nuestros Padres, sin sus esfuerzos no hubiramos dado este paso tan importante. Son fuente de
inspiracin para lograr estas metas y muchas ms.
A nuestro tutor Rubn Tern por brindarnos su apoyo, contribucin y servirnos de gua en la
investigacin, muchas gracias.
A la profesora Leidy Guerra, por la voluntad incondicional de ayudarnos, as como sus
observaciones crticas y sustanciales en la consecucin de la investigacin, Dios la bendiga y
sigua llenando de salud y sabidura.
Al nuestro tutor metodolgico profesor Carlos Gimnez, por habernos asesorado y enseado las
tcnicas de la redaccin.
A la profesora Irahis Rodrguez, quin con sus consejos contribuy sobremanera en la
elaboracin de nuestro proyecto y quien con sus enseanzas nos permiti refinar detalles
fundamentales a la hora de presentarlo. Adems por haber sido pilar en nuestra formacin, ya que
con ella se constituy gran parte de nuestro perfil en el rea de las Mquinas Elctricas.
A nuestros compaeros de compaeros de clases: Jos Caldern y Douglas Prez por su amistad
incondicional.
A los tcnicos del laboratorio de mquinas elctricas: Gustavo Ruiz, David Nazar por su
colaboracin y disposicin.

DEDICATORIA
Dedico uno de mis ms grandes logros a:
Dios nuestro padre, por darme la vida, una familia tan especial y las herramientas necesarias
para culminar este proyecto.
Con inclinacin especial a mis Padres, pilares de mi vida, que con sus esfuerzos, cario y ayuda
incondicional han logrado de m una buena persona. Los quiero mucho.
Mis hermanos, por sembrar en m el incentivo de echar para adelante y no darme por vencido,
ya que por ser el mayor, tengo la responsabilidad de ser un modelo a seguir.
Mis abuelitas lindas; sus bendiciones, consejos llenos de experiencias y buenos deseos me dieron
la fuerzas que levantaron hasta los ms pesados obstculos.
Mis tas Marisela, Luisa y Lisbeth, las cuales han sido mis segundas madres y que a lo largo de
mi vida han contribuido en mi formacin espiritual, personal y acadmica. De manera muy
especial a mi ta Lisbeth, ta no sabes cuan agradecido estoy contigo, eres una persona fuerte,
vencedora, te admiro mucho y s que mi hermanito Flavito est muy orgulloso de ti y aunque no
est presente fsicamente siempre comparte con nosotros.
Isaura, Edgar, Ysed y Rubn, grandes personas, que me brindaron su cario y atencin, gracias
por su apoyo incondicional.
Mis primos Junior y Luisito, quienes colaboraron mucho conmigo, mis ms sinceros
agradecimientos para con ustedes.
Rubn Gonzlez, mi compaero de tesis, con quien compart este difcil proceso, mis mejores
deseos tanto para ti como para t familia.
La Universidad de Carabobo, mi casa de estudio, la cual me brind conocimientos y experiencias,
claves fundamentales para lograr este anhelado objetivo.
Jorge L. Muoz O.

DEDICATORIA

El haber culminado esta investigacin con xito y con ello cumplir la meta de obtener el ttulo de
Ingeniero Electricista me llena de gloria y satisfaccin, y es un motivo para dedicar este trabajo a
aquellos seres que de una u otra forma me han apoyado.
Gracias Padre Celestial por haberme dado la inteligencia, fuerza y voluntad para sobrellevar las
cargas y dificultades que se me han presentado, y por brindarme gratos momentos de aprendizaje
y regocijo.
Con especial dedicacin a mis padres: Mara Jimnez y Rubn Gonzlez por haberme dado la
vida y haber sido pilares fundamentales en mi formacin como ser humano, por apoyarme y
ensearme que la vida tiene valor, que para obtener las cosas en la vida es necesario luchar. Por
saber entenderme cuando necesit compresin, y permitirnos olvidar los malos momentos y
enaltecer los buenos momentos. Gracias por todo lo brindado y por lo que la vida nos traer.
En memoria de un ser que con su amor incondicional llen mi vida de enseanza, respeto,
admiracin y constancia, que me apoy en todo lo que pudo y quien siento estara orgulloso de
estar en este momento junto a m para compartir un sueo; este logro es en dedicacin tuya
Abuela Mara, que Dios te tenga en su gloria, te quiero viejita.
A mis hermanas: Mara y Rubmary; a mis hermanos: Antonio y Daniel; por haber compartido
conmigo distintos momentos y emociones, por haber sido testigos de mis esfuerzos y haber
soportado situaciones estresantes de mi persona, los quiero mucho.
A mi querido sobrino Luis Santiago; que ha estado presente en el ltimo ao de mi carrera y en el
alcance de este logro, Dios te bendiga.
A mis familiares ms cercanos: ta Josefina, to Lorenzo, ta Nora, abuela Isabel, ta Gisela; por
haber estado al pendiente de mi evolucin en esta carrera y decirme que siguiera adelante.

A mis primos ms cercanos: Jess Alberto, Mario Gustavo, Jean Franco, Vanesa, Jhoan, Junior,
Eduardo; por haber sido testigos de mis esfuerzos y por sus echaderas de broma. Los quiero,
sigan adelante.
A mi compaero de tesis y amigo Jorge Muoz; por haber guiado esta investigacin y la carrera
junto a m, por haber soportado mi terquedad de querer hacer las cosas de una manera, de verdad
supiste hacer bien las cosas y tuviste especial dedicacin para que esto fuera posible, an cuando
tuviste inconvenientes familiares. Que Dios te llene de bendiciones a ti y a tu familia, sigue
adelante compa.
A mis compaeros de clase y amigos Caldern Jos y Douglas Prez; por haber compartido
momentos de gran presin que se convirtieron en xito, con ustedes estudi, pas buenos tiempos
y de ustedes aprend muchas cosas. Dios los bendiga y sigan adelante.
A todos mis amigos que cientos de veces me parecieron necios al decirme: Cundo terminas la
tesis? Y yo les responda: Cuando la termine!, bueno ya lo logr y les digo que tenan razn en
preguntar. Cudense y sigan adelante.
A la Universidad de Carabobo por permitir mi formacin profesional e inclusive humana, en mi
carrera aprend muchas cosas y conoc personas excepcionales.

Rubn D. Gonzlez J.

NDICE GENERAL

Pgina
NDICE DE FIGURAS

xi

NDICE DE TABLAS

xiv

INTRODUCCIN

CAPTULO I: EL PROBLEMA

1.1.- Planteamiento del Problema

1.2.- Justificacin

1.3.- Objetivos

1.3.1.- Objetivo General

1.3.2.- Objetivos Especficos

1.4.- Alcance y limitaciones

1.5.- Resultados esperados

1.6.- Recursos

CAPTULO II: MARCO TERICO

2.1.- Antecedentes

11

2.2.- Bases tericas

14

2.2.1.- Motor de Induccin

14

2.2.1.1- Aspectos constructivos

14

2.2.1.2.- Principio de funcionamiento

16

2.2.2.- Cojinetes

18

2.2.2.1.- Tipos de cojinetes en motores de induccin

19

2.2.2.2.- Caractersticas de movimiento de los cojinetes

20

2.2.3.- Influencia de fallas en cojinetes en la corriente del motor de

25

induccin.
2.2.4.- Mquinas de vectores soporte

26

2.2.4.1.- Introduccin

26

2.2.4.2.- Ventajas

27

2.2.4.3.- Mquina de aprendizaje lineal

28

2.2.4.4.- Clasificacin lineal

28

2.2.4.5.- Reconocimiento de patrones de aprendizaje a travs de

30

ejemplos
2.2.4.6.- Riesgo estructural y dimensin VC (VAPNIK-

30

CHERVONENKIS)
2.2.4.7.-Clasificacin de Vectores Soporte

32

2.2.4.7.1.- El clasificador de margen mximo

33

2.2.4.7.2.-Optimizacin del margen blando

39

2.2.4.8.- Fases para la clasificacin con SVM

43

2.2.4.8.1.- Seleccin de las muestras

43

2.2.4.8.2.- Transformacin de los datos al formato del

44

software
2.2.4.8.3.- Seleccin del modelo

44

2.2.4.8.4.- Entrenamiento

46

2.2.4.8.5.- Pruebas

46

2.2.5.- Sistema de adquisicin de datos

46

2.2.5.1.- Parmetros caractersticos de un DAQ

48

2.2.5.2.- Teorema de Nyquist Shannon

48

2.3.- Definicin de trminos bsicos

49

CAPTULO III: MARCO METODOLGICO

3.1.- Tipo y diseo de la investigacin

53

3.2.- Tcnicas de recoleccin de datos

54

3.2.1.- Caractersticas de los motores a utilizar

54

3.2.2.- Caractersticas de la tarjeta de adquisicin de datos

55

3.2.3.- Caractersticas de los transformadores de corriente y tensin

57

3.3.- Tcnicas de procesamiento y anlisis de datos

58

3.4.- Procedimiento Metodolgico

58

CAPTULO IV: ANLISIS Y RESULTADOS

4.1.- Pruebas realizadas


4.1.- Entrenamiento con los datos del motor A y prueba con los datos

84
85

del motor B, para corriente nominal


4.2.- Entrenamiento y prueba con los datos del motor A, para corriente

87

nominal
4.1.3.- Entrenamiento con los datos del motor B y prueba con los datos

88

del motor A, para corriente nominal


4.4.-Entrenamiento y prueba con los datos del motor B, para corriente

89

nominal
4.5.- Entrenamiento con los datos del motor A y prueba con los datos

90

del motor B, condicin de carga igual a 5 A


4.6.- Entrenamiento y prueba con los datos del motor A, condicin de

91

carga igual a 5 A
4.7.- Entrenamiento con los datos del motor B y prueba con los datos

92

del motor A, condicin de carga igual a 5 A


4.8.- Entrenamiento y prueba con los datos del motor B, condicin de

93

carga igual a 5 A
4.9.- Entrenamiento con los datos del motor A y prueba con los datos

94

del motor B, condicin de vacio

4.10.- Entrenamiento y prueba con los datos del motor A, condicin de

95

vacio

4.11.- Entrenamiento con los datos del motor B y prueba con los datos

96

del motor A, condicin de vacio

4.12.- Entrenamiento y prueba con los datos del motor B, condicin de

97

vacio
4.2.- Anlisis de las pruebas desarrolladas

98

CONCLUSIONES

100

RECOMENDACIONES

102

REFERENCIAS BIBLIOGRFICAS

103

ANEXOS

105

NDICE DE FIGURAS

Pgina
CAPTULO II
Figura 2.1 Estator de un motor asncrono

15

Figura 2.2 Rotor jaula de ardilla

15

Figura 2.3 Rotor devanado o con anillos

16

Figura 2.4 Caractersticas de un cojinete tipo bola

20

Figura 2.5 Geometra de un cojinete tipo bola

21

Figura 2.6 Hiperplano separador ,  para un conjunto de entrenamiento


de dos dimensiones

29

Figura 2.7 Lmite del error esperado

32

Figura 2.8 Hiperplano separador mximo

35

Figura 2.9 Uso del Kernel para la clasificacin

39

Figura 2.10 Diagrama de adquisicin de datos basada en PC

47

CAPTULO III
Figura 3.1 Hardware de adquisicin modelo USB 1208FS

56

Figura 3.2 Librera MCC Data Acquisition

59

Figura 3.3 Diagrama de bloques del sub sistema de adquisicin de datos

60

Figura 3.4 Sistema de Adquisicin simplificado

61

Figura 3.5 Diagrama de bloques del esquema de adquisicin

64

Figura 3.6 Panel frontal del esquema de adquisicin

65

Figura 3.7 Esquema del montaje

66

Figura 3.8 Cojinete con falla en pista interna

67

Figura 3.9 Cojinete con falla en pista externa

67

Figura 3.10 Cojinete con falla en elementos rodantes y grasa utilizada

68

Figura 3.11 Parmetros a ajustar en el VI desarrollado

70

Figura 3.12 Archivo de datos generado en la adquisicin para una


condicin de funcionamiento

72

Figura 3.13 Contenido de la librera libsvm-mat-2.8-1

75

Figura 3.14 Directorio para el desarrollo del programa

77

Figura 3.15 Directorio de ubicacin de archivos para el entrenamiento

78

Figura 3.16 Directorio de ubicacin de archivos para la prueba

79

Figura 3.17 Entorno de Matlab

79

Figura 3.18 Interfaz de presentacin del programa

80

Figura 3.19 Interfaz de inicio entrenamiento y prueba de la SVM

80

Figura 3.20 Interfaz para entrenamiento y prueba de la SVM. Generacin


de la matriz de entrenamiento

81

Figura 3.21 Interfaz para entrenamiento y prueba de la SVM. Generacin


del modelo

81

CAPTULO IV
Figura 4.1 Fase de entrenamiento y prueba para la primera etapa

86

Figura 4.2 Interfaz de entrenamiento y prueba del modelo para segunda


etapa

87

Figura 4.3 Interfaz de entrenamiento y prueba del clasificador para la


tercera etapa

88

Figura 4.4 Entrenamiento y prueba del modelo para la cuarta etapa

89

Figura 4.5 Fase de entrenamiento y prueba del modelo para la quinta etapa

90

Figura 4.6 Interfaz para el entrenamiento y prueba de la sexta etapa

91

Figura 4.7 Interfaz para el entrenamiento y prueba de la sptima etapa

92

Figura 4.8 Interfaz para el entrenamiento y prueba de la octava etapa

93

Figura 4.9 Fase de entrenamiento y prueba de la novena etapa

94

Figura 4.10 Interfaz para el entrenamiento y prueba de la dcima etapa

95

Figura 4.11 Interfaz para el entrenamiento y prueba de la dcimo primera


etapa

96

Figura 4.12 Interfaz para el entrenamiento y prueba de la dcimo segunda


etapa

97

NDICE DE TABLAS

Pgina

CAPTULO II

Tabla 2.1 Frecuencias caractersticas del cojinete

25

CAPTULO III

Tabla 3.1 Datos de los motores de induccin

54

Tabla 3.2 Caractersticas del transformador de tensin

57

Tabla 3.3 Caractersticas del transformador de corriente

57

Tabla 3.4 Caractersticas del cojinete

68

Tabla 3.5 Frecuencias caractersticas del cojinete ( ,   ,  )


Tabla 3.6 Frecuencias de fallas del cojinete.

69
69

INTRODUCCIN

Hoy en da en la mayora de los procesos industriales se necesitan realizar un conjunto de tareas


que involucran la aplicacin de movimiento y que para el ser humano son difciles de realizar por
s solo. En toda planta industrial existen equipos y maquinarias que en actividad conjunta
permiten el desarrollo de los procesos llevados a cabo en la misma, dentro de esta gama de
mquinas el motor de induccin desempea un rol fundamental y es por esta razn que es
necesario mantenerlo en funcionamiento y evitar paradas de planta debido a fallas que podran
ser detectadas previamente.

Enfocados en la deteccin de fallas en motores de induccin se han aplicado un conjunto de


estrategias de diagnstico que involucran la medicin de ciertas variables elctricas, que al ser
analizadas permiten detectar fallas en estado incipiente. Dichas tcnicas han evolucionado hacia
la aplicacin de sistemas inteligentes que entrenados eficientemente, son capaces de emitir un
diagnstico sobre la condicin de funcionamiento del motor de induccin.

En la presente investigacin se consider la utilizacin de la tcnica de las Mquinas de Vectores


Soporte en el reconocimiento de patrones asociados al anlisis espectral de la corriente del motor
de induccin, debido a que es una tcnica que en aos recientes ha estado en boga y presenta
ventajas frente a otras tcnicas, en lo que a prediccin se refiere.

Se decidi estructurar la investigacin en cuatro captulos, donde cada uno engloba aspectos de
gran importancia. A continuacin se denota el contenido de cada captulo:

Captulo I: Se plantea la problemtica que incentiv el desarrollo de la investigacin y


los objetivos propuestos, adems se establecen las limitaciones y las actividades a
desarrollar para la realizacin de la meta propuesta.

Captulo II: En donde se realiza una revisin terica sobre los aspectos ms importantes
que vienen a ser sustento de la investigacin, entre ellos: los estudios e investigaciones
afines con el proyecto, la teora asociada a los motores de induccin, a los armnicos de
las fallas en cojinetes, a las mquinas de vectores soporte y por ltimo se habla en lneas
generales del sistema de adquisicin de datos.

Captulo III: Apartado en donde se hace mencin de la metodologa utilizada para el


desarrollo de la investigacin. El tipo y diseo de la investigacin, las tcnicas y los
procedimientos metodolgicos utilizados, son algunos de los aspectos que se tocan en este
captulo.

Captulo IV: Se presentan los resultados de las predicciones realizadas por el modelo
basado en la tcnica Mquina de Vectores Soporte sobre los datos del anlisis espectral de
corriente en el motor de induccin.

CAPITULO I

CAPITULO I

El PROBLEMA

1.- PLANTEAMIENTO DEL PROBLEMA


Hoy en da la complejidad y desarrollo de los procesos industriales han convertido a las mquinas
elctricas en pilares fundamentales para el desarrollo de actividades que con recursos humanos
seran muy difciles de realizar, tal es el caso de los motores, particularmente los de induccin los
cuales tienen un campo de aplicacin bastante amplio y especialmente en los sectores de
siderrgica, minera, papel, petroqumicos, de cemento, entre otros [1]. Debido al rol
desempeado por estas mquinas es necesario asegurar su confiabilidad y seguridad de operacin
mediante la deteccin de fallas en partes electromecnicas, las cuales pueden ocasionar paradas
del sistema y con ello grandes prdidas. Lo conveniente sera la deteccin de fallas en su estado
incipiente, de manera tal que permitiera una ptima programacin de la reparacin de las partes
afectadas, asegurando ahorros en los costos de produccin.

En relacin al diagnstico de fallas se deben tener en cuenta algunos aspectos, como por ejemplo:
Cmo realizar la deteccin de fallas incipientes? Qu parmetros fsicos son los mejores
indicadores de falla? Cmo realizar el procesamiento de los parmetros medidos para efectuar
un diagnstico eficiente?.

En la Facultad de Ingeniera de la Universidad de Carabobo se han realizado trabajos enfocados a


la aplicacin de tcnicas para el diagnstico de fallas incipientes en motores de induccin, los
cuales responden a las dos primeras interrogantes, sin embargo el ltimo aspecto relacionado con
el procesamiento de los parmetros medidos no ha sido desarrollado de la manera ms eficiente,
es decir, realizar el procesamiento de los datos asociados a las variables medidas empleando un
procedimiento que involucre exactitud. Esto se debe a que en cada mtodo la cantidad de data

asociada a los parmetros medidos es grande y para el ser humano es bastante difcil manipular
dicha informacin sin cometer errores.

Si se empleara un procedimiento matemtico con ayuda del computador para realizar el anlisis
de la data y emitir resultados, el proceso sera ms sencillo y eficiente. En tal caso se contara con
un modelo computacional que manipulara dicha informacin, desarrollara un patrn y pudiera
discernir entre ciertas condiciones de funcionamiento de la mquina basado en dicho patrn.

Hace algunos aos se han estado desarrollando tcnicas basadas en aprendizaje estadstico tales
como: RNA (Redes Neuronales Artificiales), MVS(Mquina de Vectores Soporte), que permiten
manipular la data asociada a parmetros medidos y poder emitir un diagnstico sobre la
condicin de funcionamiento de una mquina de induccin.

Particularmente las mquinas de soporte vectorial (MVS) han tomado cierta atencin en aos
recientes, ya que poseen algunas caractersticas que las han puesto en ventaja respecto a otras
tcnicas populares de clasificacin y/o regresin [2]. Las Mquinas de Vectores Soporte son
entrenadas con los patrones que caracterizan determinados estados de la mquina, de tal manera
que puedan emitir un diagnstico sobre la condicin de funcionamiento de la mquina al
introducirles la data asociada a las variables medidas.

En este sentido, surge la inquietud de realizar una investigacin tendente a aplicar la Mquina de
Vectores Soporte como tcnica de clasificacin para la deteccin de fallas en la mquina de
induccin, problemtica que ser el punto central de esta tesis.

1.1.- JUSTIFICACIN
Hoy en da las gestiones de mantenimiento cada vez cobran mayor importancia en las empresas,
debido a la necesidad de garantizar la confiabilidad y seguridad de operacin del sistema. Es por
ello que se han desarrollado lneas de investigacin en las Universidades destinadas a realizar

estudios sobre las nuevas tecnologas y metodologas enfocadas al diagnstico de fallas en las
mquinas elctricas. En relacin a esto, hace algunos aos en la Escuela de Elctrica de la
Facultad de Ingeniera de la Universidad de Carabobo se ha desarrollado una lnea de
investigacin enfocada al mantenimiento predictivo de motores de induccin. Dicha lnea de
investigacin ha dirigido trabajos de grado orientados a la aplicacin de tcnicas y mtodos para
el diagnostico de fallas incipientes en motores de induccin.

A pesar de que los resultados obtenidos en dichas investigaciones han sido de gran utilidad, los
mismos provienen de estimaciones poco precisas, ya que el criterio utilizado en el diagnstico es
el de la comparacin y la cantidad de data manejada es grande, siendo de gran dificultad para el
ser humano manipular dicha informacin para establecer un juicio. Este proceso de elaborar un
diagnstico seria ms sencillo y eficiente con la ayuda del computador, es decir, que a travs de
un procedimiento o modelo matemtico se pudieran realizar las comparaciones y emitir
resultados en los cuales el error seria mnimo.

En la bsqueda de algn modelo capaz de procesar grandes cantidades de datos y que permita
identificar patrones con gran exactitud, se encontr una tcnica denominada Mquina de Vectores
Soporte, la cual es un mtodo de aprendizaje estadstico capaz de clasificar un conjunto de datos
con gran numero de caractersticas, y que ha demostrado gran eficiencia en problemas de
clasificacin y regresin.

En relacin a esto, surge la inquietud de desarrollar una investigacin tendiente a aplicar la


tcnica de Mquina de Vectores Soporte como clasificador para la deteccin de fallas incipientes
en motores de induccin.

1.2.- OBJETIVOS

1.2.1.- OBJETIVO GENERAL

Desarrollar un modelo computacional basado en Mquinas de Vectores Soporte que permita


detectar fallas en los cojinetes de Motores de Induccin utilizando la data asociada al anlisis
espectral de corriente.

1.2.2.- OBJETIVOS ESPECFICOS

1) Realizar el estudio del arte sobre la tcnica de Mquinas de Vectores Soporte con la
finalidad de comprender su estructura y funcionamiento.
2) Realizar la adquisicin de la data correspondiente al anlisis espectral de corriente
para su posterior utilizacin en el entrenamiento y prueba de la SVM.
3) Desarrollar el algoritmo computacional para entrenar la SVM con el conjunto de
muestras previamente seleccionadas.
4) Realizar las pruebas sobre el algoritmo desarrollado con la finalidad de determinar
el comportamiento del modelo frente caractersticas desconocidas al entrenamiento.

1.3.- ALCANCE Y LIMITACIONES


El proyecto a desarrollar esta enmarcado en el diseo de un modelo computacional basado en la
tcnica SVM, que procese la data asociada al anlisis espectral de corriente de un motor de
induccin y determine las condiciones de funcionamiento del mismo, es decir, si presenta fallas o
no. Para ello se realizarn un conjunto de experimentos en los cuales se someter al motor a

condiciones de fallas en cojinetes (pista interna, pista externa y elementos rodantes) y se obtendr
la seal asociada a la corriente de una fase del motor por medio de transformadores de corriente,
para llevarla al computador a travs de una tarjeta de adquisicin de datos. Una vez obtenidas las
seales para cada condicin de funcionamiento, se llevarn al dominio de la frecuencia a travs
de software LabView7.1 y se organizar dicha informacin para el entrenamiento y prueba de la
SVM. El modelo basado en SVM ser desarrollado en el entorno de Matlab y luego se realizarn
las pruebas del modelo para ciertas condiciones de funcionamiento de la mquina de induccin.

1.4.- RESULTADOS ESPERADOS


Con el desarrollo de esta investigacin se pretende mejorar la forma de realizar el procesamiento
de los datos asociados a la medicin de variables elctricas de los motores de induccin, cuando
se aplican tcnicas de diagnstico de fallas. En este proyecto se quiere generar un modelo
computacional basado en la tcnica de clasificacin SVM, que permita establecer las condiciones
de funcionamiento de un motor de induccin a travs de los datos del anlisis espectral de
corriente. Se realizarn mediciones de la corriente del motor en buen estado y con falla, dicha
data servir para generar el modelo basado en SVM y se espera que el mismo pueda discernir si
el motor est en buen estado o con falla, al introducir la data de corriente asociada a determinado
estado de funcionamiento.

Se pretende mostrar la capacidad que tienen las mquinas de vectores soporte para realizar
predicciones una vez que han sido entrenadas con patrones, en esta investigacin dichos patrones
corresponden a los espectros de corriente de cada condicin de funcionamiento.

1.5.- RECURSOS

En el desarrollo de los experimentos para la obtencin de las seales de corriente a estudiar se


utilizarn los siguientes equipos, todos disponibles en el Laboratorio de Mquinas Elctricas.

Transformadores de corriente.

Ampermetros.

Voltmetros.

Resistencias.

Fuente de voltaje AC.

2 Motores de induccin de 2Hp.

Generador DC como carga mecnica.

Computador personal, tarjeta de adquisicin de datos USB-1208FS y software


LabView 7.1.

CAPITULO II

CAPITULO II

MARCO TERICO

A continuacin se presenta un conjunto de investigaciones enfocadas en el rea de diagnstico de


falla la utilizacin de tcnicas de reconocimientos de patrones. Adems se desarrollan las bases
tericas correspondientes, tales como: principio de funcionamiento y caractersticas del motor de
induccin; caractersticas esenciales de los cojinetes y su influencia en el funcionamiento del
motor; las SVM como tcnica de reconocimiento de patrones y por ltimo se indican las tcnicas
de adquisicin de datos.

2.1.- ANTECEDENTES

A continuacin se describen algunas investigaciones previas que apoyan y sustentan la presente


investigacin. Dichas investigaciones estn enfocadas en la aplicacin de tcnicas de
reconocimientos de patrones, entre ellas: las RNA (redes neuronales artificiales) y las mquinas
de vectores soporte (SVM por sus siglas en ingls).

Ortega L. Rafael (2005). Deteccin de fallas mecnicas en motores de induccin mediante el


uso de redes neuronales a travs del monitoreo de la corriente y la tensin. Universidad de
Carabobo. Facultad de Ingeniera. En esta investigacin se desarroll un algoritmo basado en
redes neuronales para la deteccin de fallas en los rodamientos de una mquina de induccin, el
cual ejecuta el entrenamiento de una red neuronal con parte de la data obtenida a partir de
ensayos realizados al motor para varias condiciones de funcionamiento de los cojinetes (buen
estado, falla severa y falla leve). En dichos ensayos se obtuvo muestras de tensin y corriente, de
las cuales se seleccion un conjunto de datos para realizar el entrenamiento de la red neuronal
artificial y el resto de los datos se utiliz en la fase de prueba. En esta investigacin se pudo
observar la capacidad que tienen las redes neuronales artificiales (RNA) para generar un modelo
que realice la prediccin sobre el estado de funcionamiento de un motor de induccin, al tomar

como muestra de anlisis ciertas variables elctricas (tensin y corriente). En la investigacin a


desarrollar, en vez de usar RNA se pretende emplear las SVM en la prediccin del estado de
funcionamiento del motor de induccin, para lo cual se desarrollar un algoritmo que realice el
entrenamiento de la SVM con data asociada a la condicin del motor y efecte la prediccin
frente a data distinta a la utilizada en el proceso de entrenamiento.

P. Sanna Espoo (2004). Support Vector Machine Based Classification in Condition


Monitoring of Induction Motors. Helsinki University of Tecnology. Control Engineering
Laboratory. En este trabajo de investigacin se disea un esquema de clasificacin basado en
Mquina de Vectores Soporte, para diferentes tareas en el diagnstico de fallas en motores de
induccin y monitoreo de la condicin del aislamiento a travs del anlisis de descargas parciales.
La tcnica de Mquina de Vectores Soporte fue aplicada como una herramienta de
reconocimiento de patrones para categorizar las caractersticas de funcionamiento del motor de
acuerdo a la situacin de falla. El diagnstico de fallas fue basado en el anlisis de vibraciones y
espectro de corriente, por medio de los cuales se obtuvo data asociada a motores con fallas
rotricas y motores en buen estado. Los resultados obtenidos fueron exitosos y aseguraron ms la
conveniencia del anlisis de vibraciones para el monitoreo de la condicin del motor de
induccin. Esta tesis no abarc todas las posibles fallas de un motor de induccin y aunque las
fallas ms comunes se localizan en los cojinetes, no fueron consideradas debido a la falta de
mquinas con fallas en cojinetes. Este antecedente presenta similitud con la investigacin que se
llevar a cabo, ya que en ambas se busca evaluar la condicin de funcionamiento de una mquina
de induccin empleando un modelo de clasificacin basado en datos. En la investigacin a
desarrollar, s se va a determinar el estado de los cojinetes de la mquina de induccin a travs
de informacin asociada al anlisis espectral, usando como herramienta la SVM.

Villada Fernando, Cadavid Diego (2007). Deteccin de fallas en motores de induccin


mediante la aplicacin de redes neuronales artificiales. Universidad de Antioquia. Facultad de
Ingeniera. Departamento de Ingeniera Elctrica. Esta investigacin presenta un mtodo para
diagnosticar fallas en el estator de un motor de induccin, a travs de la corriente de secuencia

negativa como indicador de falla, aplicando redes neuronales artificiales (RNA). Para este
desarrollo, se implement y se verific un modelo de motor de induccin que permite simular el
comportamiento del motor bajo diferentes condiciones de carga y desequilibrio de tensin. El
mtodo para diagnosticar fallas est dividido en dos etapas fundamentales: etapa de aprendizaje,
en la cual se caracterizan los cambios de la corriente de secuencia negativa en funcin de la carga
y las variaciones de tensin; etapa de monitoreo, en la cual se registran las tensiones y corrientes
en los terminales del motor, se calculan las componentes de secuencia y se evala la red
neuronal, luego se calcula el nivel de alerta y de acuerdo al mismo, se determina si hay falla o no.
Se aplic el mtodo mediante simulacin, empleando un prototipo digital y utilizando un
analizador de redes. Los resultados experimentales muestran la fortaleza del mtodo al poder
detectar de forma confiable fallas incipientes. Este antecedente muestra la capacidad y las
diversas aplicaciones de los modelos basados en datos para la deteccin de fallas en motores de
induccin, en este caso se utilizaron redes neuronales artificiales.

Sanna Pyhnen, Marian Negrea, Antero Arkkio, Heikki Hytyniemi, Heikki Koivo. Support
Vector Classification for Fault Diagnostics of an Electrical Machine. Helsinki University of
Tecnology. Control Engineering Laboratory. Laboratory of Electromechanics. En esta
investigacin la SVM es aplicada como mtodo clasificador en el diagnstico del motor de
induccin. Se utiliz el anlisis de elementos finitos para simular la mquina elctrica y obtener
la data medida virtualmente para distintas condiciones de funcionamiento. Se consideraron tres
niveles de carga (vacio, mitad de carga y plena carga) y se obtuvieron las estimaciones del
espectro de potencia. La SVM fue entrenada con la mitad del conjunto de ejemplos y con la otra
mitad se realiz la prueba. En esta investigacin se consider el problema de mltiples clases
pero solo se mostraron resultados de clasificacin de dos clases. Los resultados obtenidos en este
trabajo presentan porcentajes de clasificacin altos y solo se presentaron serios problemas al
clasificar fallas de excentricidad frente a la condicin sin falla. Adems, se not que para altos
niveles de carga los porcentajes de clasificacin son ms altos. Esta investigacin presenta
similitud con la investigacin a desarrollar porque en ambas se utiliza la tcnica de SVM como
medio de clasificacin para el diagnstico de la condicin del motor de induccin. En ambas se

plantea el problema de clasificacin de dos clases (condicin con falla y sin falla) y se genera un
patrn a travs de un conjunto de entrenamiento, para ser luego utilizado en el diagnstico.

2.2.- BASES TERICAS

2.2.1.- MOTOR DE INDUCCIN

2.2.1.1.- ASPECTOS CONSTRUCTIVOS

La mquina asncrona o de induccin al igual que cualquier dispositivo de conversin


electromecnica de la energa de tipo rotativo, est formada por un rotor y un estator. En el
estator se coloca normalmente el inductor, alimentado por una red monofsica o trifsica. El rotor
es el inducido y las corrientes que circulan por l aparecen como consecuencia de la interaccin
con el flujo del estator. Dependiendo del tipo de rotor, estas mquinas se clasifican en: a) rotor en
jaula de ardilla o en cortocircuito, y b) rotor con devanados o con anillos [7].

El estator est formado por un apilamiento de chapas de acero al silicio que disponen de unas
ranuras en su periferia interior en las que se sita un devanado trifsico distribuido, alimentado
por una corriente del mismo tipo, de tal forma que se obtiene un flujo giratorio de amplitud
constante distribuido senoidalmente por el entrehierro. El estator est rodeado por la carcasa, tal
como lo indica la figura 2.1, disponindose en esta las correspondientes patas de fijacin y los
anillos de elevacin y transporte [7].

Figura 2.1. Estator de un motor asncrono.

El rotor est constituido por un conjunto de chapas apiladas, formando un cilindro, que tiene unas
ranuras en la circunferencia exterior, donde se coloca el devanado. En el tipo en forma de jaula de
ardilla se tienen una serie de conductores de cobre o aluminio puestos en cortocircuito por dos
anillos laterales (el nombre de jaula proviene del aspecto que tomara este devanado si se omitiera
el apilamiento de hierro); en la actualidad, en las mquinas pequeas, se aplica un mtodo de
fundicin de aluminio, con el que se producen al mismo tiempo las barras del rotor y los anillos
laterales, resultando un conjunto como el que se muestra en la figura 2.2.

Figura 2.2. Rotor jaula de ardilla

En el caso de rotor devanado o con anillos, se tiene un arrollamiento trifsico similar al situado
en el estator, en el que las tres fases se conectan por un lado estrella y por el otro se envan a unos
anillos aislados entre si, como se muestra en la figura 2.3. Esta disposicin hace posible la
introduccin de resistencias externas por los anillos para limitar las corrientes de arranque,
mejorar las caractersticas de par y controlar la velocidad [7].

Figura 2.3. Rotor devanado o con anillos.

La mquina asncrona, adems de disponer de un rotor y un estator, est dotada de otros


elementos mecnicos necesarios para su funcionamiento: tapas o cubos, rodamientos, carcasas,
etc. El motor, para su conexin con la red elctrica, dispone de una caja en la que se encuentran
los terminales que irn conectados a la red trifsica. Esta caja, por lo general, presenta seis
terminales unidos directamente a los dos extremos de cada una de las fases del devanado
estatrico.

2.2.1.2.- PRINCIPIO DE FUNCIONAMIENTO

Las mquinas asncronas

o de induccin presentan en el estator un devanado polifsico

alimentado mediante un sistema polifsico de tensiones, el cual genera un campo magntico


giratorio. El rotor, parte mvil de la mquina, est formado por un conjunto de espiras en
cortocircuito. Puesto que el estator crea un campo giratorio, el flujo abarcado por las espiras del

rotor ser variable y, por lo tanto, en l se inducir fuerza electromotriz tal y como lo indica la ley
de Lenz [1].

Al estar las espiras del rotor en cortocircuito, la fuerza electromotriz inducida provocar la
circulacin de corriente por ellas. Entonces, la presencia de conductores atravesados por corriente
elctrica en el seno de un campo magntico dar lugar a la aparicin de una fuerza tangencial
sobre cada espira del rotor dada por la ecuacin 2.1 [1].

  
 
   
 :

2.1

 :  !" #"$%" &'(

: )$#  % %# &*(


 : + %% *"$#%". &.(


: / # %# %" 0 % %"   % %# . &1(

Puesto que segn la ley de Lenz la fuerza electromotriz inducida debe oponerse a las variaciones
de flujo que la crea, la circulacin de las corrientes ser tal que trate de hacer girar al rotor en el
mismo sentido que el campo giratorio, ya que, de este modo, se reduce la variacin del flujo
abarcado por las espiras del primero. Es decir, la fuerza expresada en la ecuacin 2.1 producir
un par motor, incluso cuando la mquina este inicialmente parada [1].

Segn el principio de funcionamiento expuesto, la mquina de induccin siempre girar a una


velocidad inferior a la del campo giratorio, ya que si ambas velocidades llegasen a igualarse,
desaparecera la fuerza electromotriz inducida y, por lo tanto, el par motor. A la velocidad de giro
del campo se le denomina velocidad de sincronismo y solo depende de la frecuencia de las
corrientes de alimentacin y del nmero de polos del motor [1].

La velocidad de giro del motor suele estar comprendida entre el 92 y 99% de la velocidad de
sincronismo. Una manera habitual de expresar la diferencia entre la velocidad de sincronismo y la
de giro es utilizar el concepto de deslizamiento, definido por la ecuacin 2.2.
2

34536
34

 :

2.2

2: 72!"*#.

'2: 8% " 2% %" & 9*(.

' : 8% "  # & 9*(.


2.2.2.- COJINETES

Es lgico pensar que toda maquinaria mvil est compuesta por una serie de piezas giratorias y
otras fijas, existiendo un movimiento de rotacin relativo entre unas y otras. Las piezas que
permanecen estticas constituyen la estructura arquitectnica del motor, mientras que las mviles
necesitan de apoyos, los cuales condicionan de una manera importante el esfuerzo necesario para
mantener girando el elemento de que se trate. Por tal motivo, los motores llevan incorporado unos
cojinetes.

Los cojinetes sirven para soportar y ubicar el eje a la parte fija del motor, adems permiten la
rotacin del eje del motor dentro de l, guiando dicha rotacin. Un cojinete est compuesto
bsicamente por dos piezas con capacidad de movimiento relativo. El mal ajuste de un cojinete al
motor ocasionara irregularidades en el entrehierro provocando excentricidades, las cuales seran
muy peligrosas ya que se correra el riesgo de rozar el estator y destruir los aislamientos de los
devanados.

2.2.2.1.-TIPOS DE COJINETES EN MOTORES DE INDUCCIN


Los motores de induccin utilizan dos tipos de cojinetes: los cojinetes de deslizamientos lisos y
los cojinetes de rodadura (rodamientos) [5]. En la presente investigacin solo se estudiarn y
utilizarn motores de induccin con cojinetes de rodadura, por lo tanto no se enfatizar en los
cojinetes de deslizamiento.

En este sentido se tiene que en los cojinetes de rodadura, el gorrn del eje y la superficie de
rodadura del soporte estn separados por elementos rodantes, de forma que con el giro del gorrn
o del cojinete se genera un movimiento de rodadura y no de deslizamiento. Estos elementos de
rodadura pueden ser de diferentes formas (bolas, rodillos cilndricos, agujas, etc.) dando como
resultado diferentes tipos de rodamientos.
Particularmente, los motores de induccin utilizan dos tipos de rodamientos: los de bola los de
rodillos [5]. Se har nfasis solo en rodamientos de bola debido a que los motores a utilizar estn
constituidos por los mismos. En los cojinetes de bolas el rodamiento est compuesto por un
conjunto de esferas de metal que se mantienen en su lugar por medio de una jaula que separa las
esferas de metal. Los cojinetes de bola se clasifican de acuerdo a su configuracin en: cojinetes
de bola de ranura profunda y de contacto angular.

Los cojinetes de bola presentan una menor resistencia a la friccin y menor superficie de
rozamiento que los cojinetes de rodillo [5], razn por la cual, son utilizados en mquinas de alta
velocidades, alta precisin y baja vibracin. En la figura 2.4 se muestra un cojinete de bolas y se
indican las partes que lo constituyen, a saber:

Pista interna

Pista externa

Jaula

Rodamiento

Figura 2.4 Caractersticas de un cojinete tipo bola

2.2.2.2.-CARACTERSTICAS DE MOVIMIENTO DE LOS COJINETES

Existen cinco movimientos bsicos que son usados para describir la dinmica de los rodamientos
y a cada movimiento le corresponde una frecuencia, las cuales son:

:; : Frecuencia fundamental del eje.

<= : Frecuencia fundamental de la jaula.

<>?>@ : Frecuencia de paso de bola por pista interior.

<>?>A : Frecuencia de paso de bola por pista exterior.


<B : Frecuencia de bola.

A su vez, dichas frecuencias dependen de ciertos parmetros caractersticos del cojinete y de su


movimiento, todos ellos mostrados en la figura 2.5.

Figura 2.5 Geometra del cojinete tipo bola

En donde:







8 : Velocidad lineal de la pista interior.

8C : Velocidad lineal de la pista exterior.


8D : Velocidad lineal de la jaula.

7E : Dimetro de la bola.

7F : Dimetro de la jaula.

: ngulo de contacto del rodamiento.

A continuacin se describen las diferentes frecuencias que describen la dinmica del cojinete.

A.

Frecuencia fundamental del eje (:; ): representa la frecuencia de giro del rotor y es muy

importante para el movimiento del rodamiento. Todas las otras frecuencias son funcin de esta.

B.

Frecuencia fundamental de la jaula (<G ): Esta est relacionada con el movimiento de la

jaula por lo que puede derivarse de la velocidad lineal de un punto de la jaula 8F , la cual puede
calcularse como lo indica la ecuacin 2.3.

8F 

8H I 8
,
2

2.3

al dividir la velocidad lineal 8F por el radio de la jaula


muestra en la ecuacin 2.4.
F 

8F

8H I 8
,
7F

se obtiene la frecuencia, como se

2.4

Algunas veces, es preferible representar la velocidad 8 y 8H con su respectiva frecuencia


rotacional H y L multiplicadas por su correspondiente radio, tal como se muestra en la frmula

2.5.

F 

8F

donde

8H I 8 H M

7F

PQ
R

M cos V,

obtiene la ecuacin 2.6.


F 

C.

I  M
7F

2.5

PQ
R

M cos V; por lo que al reemplazar en la ecuacin 2.5 se

7F O 7E M cos V
7F I 7E M cos V
1
M WF M X
Y I  M X
YZ
2
2
7F

2.6

Frecuencia de paso de bola por pista interior (<>?>@ ): frecuencia con la cual la bola

pasa por un punto de la pista interna, viene dada por el nmero de bolas ('E ) que multiplica a la

diferencia de la frecuencia de la jaula (F ) y la frecuencia de la pista interna (H ), tal como se
muestra en la ecuacin 2.7 y 2.8.
  'E M \F O H \  'E M ]

H M

I  M
7F

O H ]

2.7

  'E M ]

_ M`6a 5

bQ Mcde f
b Mcde f
hi j M`6a i Q
h
g
g

Pa

O H ]

2.8

Dado a que el eje del rotor y la pista interna se mueven a misma velocidad, ya que el eje y la pista
estn acoplados, se tiene que F  l6 y sustituyendo en la ecuacin 2.8 se obtiene la ecuacin 2.9.
mm+ 
D.

'

M nol6 O C p M X1 I

PQ Mqrs t
7D

Yn

2.9

Frecuencia de paso de bola por pista exterior (<>?>A ): frecuencia con la cual la bola

pasa por un punto de la pista exterior, viene dada por el nmero de bolas ('E ) que multiplica la
diferencia entre la frecuencia fundamental de la jaula (F ) y la frecuencia de la pista exterior ( ),

tal como se muestra en la ecuacin 2.10, 2.11 y 2.12.


  'E M \F O  \  'E M ]

  'E M w

mmC 

E.

'

H M ` F O

H M

I  M
7F

O  ]

7E M cos V
7E M cos V
h
I

M
`
O
h

F
2
2
O  w
7F

M ]6 O C  M x1 O

7E M cos V
7D

y]

2.10

2.11

2.12

Frecuencia rotacional de bola (<B ): representa la frecuencia rotacional de la bola

girando sobre su propio eje y puede calcularse como se indica en la ecuacin 2.13.

E  noH O D p M

2.13

si se toma como referencia  =0 en la ecuacin F 


F 

H M
7F

_ M6_ i j M6j
Pa

se obtiene la ecuacin 2.14.


2.14

sustituyendo la ecuacin 2.14 en la ecuacin 2.13 se obtiene la ecuacin 2.15.

E  xH O
como

H M H
yM
7F

6j 56_

E  H x1 O

7F

2.15

, al reemplazar en la ecuacin 2.15 se obtiene la ecuacin 2.16.

yMX

2H
Y
O H

2.16

al sustituir en la ecuacin 2.16 las expresiones de


obtiene la ecuacin 2.17.
7F
D| M cos
zH W1 O x
y Zz
E 
27E
D}
R

PQ
R

M cos V y

PQ
R

M cos V, se

2.17

Finalmente, las ecuaciones 2.6, 2.9, 2.12 y 2.17 son las que describen los movimientos
caractersticos del cojinete. Tomando como referencia la pista exterior y sabiendo que H = l6 , las
ecuaciones quedan como se muestra en el tabla 2.1.

Tabla 2.1 Frecuencias caractersticas del cojinete

F 

'
7E M cos V
7F O 7E M cos V
1
y]
M Wl6 M X
YZ mm+  2 M ]l M x1 I
7D
7F
2

mmC 

'

M ]l M x1 O

7E M cos V
7D

y]

7F
D| M cos
E 
zl6 W1 O x
y Zz
27E
D}
R

2.2.3.- INFLUENCIA DE LAS FALLAS EN COJINETES EN LA CORRIENTE DEL


MOTOR DE INDUCCIN

Puesto que los rodamientos de toda mquina rotativa estn sometidos a una continua friccin y
movimiento, las vibraciones causadas por cualquier defecto de la mquina o agente externo se le
transmiten directamente, estos son los componentes con una tasa de fallo ms elevada [1].

Un cojinete de elementos rodantes, posee unas tolerancias extremadamente pequeas que no


permiten un movimiento significativo del eje con respecto al cojinete. Por lo que un fallo
originara que el rotor tenga un desplazamiento radial, ocasionando excentricidad esttica y
dinmica en la mquina. La excentricidad se traduce en variaciones del entrehierro de la
mquina, originando cambios en la densidad del flujo magntico y a su vez en la fuerza
magnetomotriz [1]. Todas estas variaciones son reflejadas en la corriente estatrica

de la

mquina, es decir, aparecen armnicos en las corrientes, los cuales tendrn unas frecuencias
basadas en la geometra del cojinete, la frecuencia de giro rotrica y la frecuencia de
alimentacin.

Por tal motivo, se han desarrollado diferentes tcnicas que permiten realizar el diagnstico de
estado de los cojinetes con alto grado de exactitud, tal es el caso del anlisis espectral de corriente
para la visualizacin de la magnitud de los armnicos originados

y sus frecuencias

caractersticas, cuando los cojinetes se encuentran fallados. Ahora bien, los cambios producidos
en las corrientes del motor por un falla en cojinetes, es descrita a travs de la ecuacin 2.18.
lE~  l l
 :

2.18

l$ :  %%" %" "%# 2#%"  "2   "*#2.

l:  %%" %# %"  2*2# .

: + %  " *%2  "2 %*9#2  l %%"   1,2,3, .

l :  %%" %" "%# 2#%" 9" " %" " #9  l%#: "2  92#"

# " l   , 92#" # " l    "2 l   , " "2 9

"2 %"%2 "$ 9" "2  " #"" 2.1.

Se puede imaginar una falla como un pequeo agujero, o perdida de un pedazo de la pieza sobre
el correspondiente elemento. La definicin de estos tipos de fallas es de alguna forma artificial
con respecto al dao real en el rodamiento. Sin embargo, es el nico mtodo para distinguir los
diferentes efectos de las fallas en los rodamientos sobre la mquina [5].

2.2.4.- MQUINAS DE VECTORES SOPORTE

2.2.4.1.- INTRODUCCIN

La teora de las SVM es una tcnica de aprendizaje estadstico que ha tomado mucha atencin en
aos recientes. Los fundamentos tericos de las SVM empezaron a ser desarrollados por Vapnik
y otros autores desde la dcada de los 70. Sin embargo, no es hasta la dcada de los 90 cuando
Vapnik y sus compaeros presentan el modelo formal de las SVM como se conoce hoy en da.

Las SVM son un sistema para entrenar eficientemente las mquinas de aprendizaje lineal en los
espacios caractersticos inducidos, tomando en cuenta las ideas proporcionadas por la teora de la
generalizacin y aprovechando la teora de optimizacin. En la actualidad son utilizadas para
resolver problemas tanto de clasificacin como de regresin. Algunas aplicaciones de
clasificacin son: reconocimiento de firmas, imgenes y categorizacin de textos. Por otro lado,
las aplicaciones de regresin incluyen el anlisis de series de tiempo y problemas de inversin en
general.

Las SVM pueden resolver problemas sin conocer la naturaleza de los datos con los que se
pretende trabajar, gracias a la metodologa de aprendizaje. La idea que hay detrs de esta
metodologa es la de hacer que las mquinas puedan ir aprendiendo, a travs de ejemplos, las
salidas correctas para ciertas entradas.

2.2.4.2.- VENTAJAS

La teora de las SVM est basada en el principio de Minimizacin de Riesgo Estructural (SRM
por sus siglas en ingls), por tal razn muchos autores afirman que las SVM estn ganando
popularidad. Las SVM han mostrado tener gran desempeo, ms que las mquinas de aprendizaje
tradicional como las redes neuronales, las cuales emplean el principio de Minimizacin de Riesgo
Emprico (ERM). El principio de Minimizacin de Riesgo Estructural (SRM) minimiza un lmite
superior de riesgo esperado, opuesto al principio de ERM que minimiza el error en los datos de
entrenamiento; esta diferencia dota a las SVM con una mayor habilidad para generalizar, es decir,
tener una alta capacidad de pronstico para nuevas observaciones.

2.2.4.3.- MQUINA DE APRENDIZAJE LINEAL

En aprendizaje supervisado, a las mquinas de aprendizaje se les da un conjunto de ejemplos


(entradas) con un conjunto de etiquetas (salidas). Normalmente esos ejemplos estn en forma de
vector de atributos, por lo que el espacio de entrada es un conjunto de 3 . Una vez que los

vectores atributos estn disponibles, un conjunto de hiptesis podran ser mostradas para el

problema. Entre estas, las funciones lineales son las mejores entendidas y ms simples de aplicar.
La teora de estadstica tradicional y redes neuronales clsicas, han desarrollado mtodos para
discriminar entre dos clases de ejemplos usando funciones lineales, tal como para interpolar
utilizando funciones lineales.

2.2.4.4.- CLASIFICACIN LINEAL


La clasificacin binaria usa una funcin de valor real f: X en la siguiente forma: la
entrada  x , , x  es asignada a la clase positiva, si f 0, de lo contrario es asignada a

la clase negativa. Se considerar el caso donde l es una funcin lineal de , de manera

que puede ser escrita segn la ecuacin 2.19.


l   I   ~H H H I 

2.19

Donde , b x son los parmetros que controlan la funcin, la decisin es dada por

sgnofp, donde se usar la convencin de que sgn0  1. La metodologa de aprendizaje

implica que esos parmetros deben ser aprendidos de los datos. Una interpretacin geomtrica de
esta clase de hiptesis es aquella en la cual el espacio de entrada es dividido en dos partes por

el hiperplano definido a travs de la ecuacin 2.20.


I  0

2.20

Los investigadores de estadstica y redes neuronales han usado frecuentemente este tipo de
clasificador llamndolo discriminante lineal y perceptron, respectivamente. El vector de pesos 

define la direccin perpendicular al hiperplano y al variar el valor de  se mueve el hiperplano

paralelo a s mismo, el hiperplano separador y los parmetros  y  se muestran en la figura 2.6.

Figura 2.6 Hiperplano separador ,  para un conjunto de entrenamiento de


dos dimensiones

Normalmente se utilizar para denotar el espacio de entrada y para denotar el dominio de

salida. Se tendr que es un subconjunto de ~ y, mientras que para clasificacin binaria 

O1,1. Un conjunto de entrenamiento es una coleccin de ejemplos de entrenamiento, los cuales


tambin sern llamados data de entrenamiento. Normalmente se denotar por la ecuacin 2.21.
  , , ,  , ~  ~

2.21

Donde  es el nmero de ejemplos. Se hace referencia a los H como ejemplos y los H como sus

etiquetas. La data de entrenamiento es trivial si las etiquetas de todos los ejemplos son iguales.

2.2.4.5.- RECONOCIMIENTO DE PATRONES DE APRENDIZAJE A TRAVS DE


EJEMPLOS

Para dar solucin al problema de reconocimiento de patrones se busca estimar una funcin
l: 3 1

al

usar

como

data

de

entrenamiento

ejemplos

entrada-salida

 , , , ~ , ~  3 1 , de tal manera que l clasifique correctamente instancias

desconocidas , . Si no se establece alguna restriccin en la clase de funciones de la cual se

escoge la funcin estimada l , incluso una funcin la cual trabaja bien con la data de

entrenamiento, es decir,

que satisface lH   H para todo   1, ,  , necesariamente no

generaliza bien para ejemplos desconocidos.

Para observar lo anteriormente expuesto, se debe notar que para cada funcin l y algn conjunto

3
de prueba 
,
,
,

,


, 
~
~ 1 , donde
,
~ , , ~  , existe otra

funcin l tal que l H   lH  para todo   1, , , sin embargo lH  lH  para todo  

1, , . Con esto se observa que el hecho de tener un conjunto de entrada no indica cual de las
dos funciones se debe seleccionar. Por lo tanto, solo minimizar el error de entrenamiento (o

Riesgo Emprico) definido por la ecuacin (2.22), no implica obtener un error de prueba pequeo,
ecuacin (2.23) (llamado riesgo esperado), promediado del conjunto de ejemplos de prueba

obtenidos de su respectiva distribucin m, ,


L &l(  ~H |lH  O H |
~
R

&l(  |l O | m, 

2.22

2.23

2.2.4.6.- RIESGO ESTRUCTURAL Y DIMENSIN VC (VAPNIK-CHERVONENKIS)

La teora de aprendizaje estadstico (Vapnik y Chervonenkis, 1974; Vapnik, 1979), o teora VC


(Vapnik-Chervonenkis), muestra que es imperativo restringir la clase de funciones de la cual se
escoge l, la cual tiene una capacidad que est limitada por la cantidad de datos de entrenamiento

disponibles. La teora VC proporciona los lmites para el error esperado. La minimizacin de esos
lmites, la cual depende del riesgo emprico y de la capacidad de la clase de funciones, lleva al
principio de Minimizacin de Riesgo Estructural (Vapnik, 1979). El concepto de capacidad de la
teora VC es mejor conocido como dimensin VC, la cual es definida como la mayor cantidad h
de puntos que pueden ser separados en todas las formas posibles al usar funciones de una clase

dada. Un ejemplo del lmite VC es el siguiente: si  es la dimensin VC de la clase de


funciones que la mquina de aprendizaje puede implementar, entonces para todas las funciones

de esa clase, con una probabilidad de al menos 1 O , el lmite obtenido es definido por la

ecuacin 2.24.

 L  I ` ,

Donde el trmino (confidencia VC) viene dado por la frmula 2.25.


` ,
~

r
~

`r ih5r` h

h
~

2.24

2.25

Para obtener un riesgo pequeo, lo que se traduce en una buena generalizacin, tanto el riesgo
emprico como la confianza VC tienen que ser pequeos. Dado que el riesgo emprico es

normalmente una funcin decremental de , esto hace, que para un nmero dado de puntos exista

un valor ptimo de la dimensin VC. En la figura 2.7 se representa el error esperado al


superponer la confidencia y el error de entrenamiento.

La seleccin de un valor apropiado de (el cual en la mayora de las tcnicas se controla por la

cantidad de parmetros libres del modelo) es crucial para obtener un buen desarrollo,
especialmente cuando el nmero de puntos es pequeo.

Figura 2.7 Lmite del error esperado.

Para implementar el principio de minimizacin de riesgo estructural se necesita una estructura

anidada del espacio de hiptesis, es decir, R ~ . Con la propiedad de que


  I 1 donde  es la dimensin de Vapnik para . Con esto se busca que para

un conjunto de entrenamiento dado, el mtodo de Minimizacin de riesgo estructural escoja el


elemento de la estructura anidada que minimice el lmite de error.

2.2.4.7.- CLASIFICACIN DE VECTORES SOPORTE

El propsito de la clasificacin de vectores soporte es idear una forma computacionalmente


eficiente de aprender buenos hiperplanos separadores en un espacio caracterstico de gran
dimensin, donde por buenos hiperplanos se entienden , unos que optimicen los limites de
generalizacin, y por eficiencia computacional se refiere a algoritmos capaces de trabajar con
gran cantidad de ejemplos, en el orden de 100.000. La teora de la generalizacin proporciona
informacin clara de cmo controlar la capacidad y por lo tanto prevenir el desbordamiento al
controlar la medida del margen del hiperplano, mientras que la teora de optimizacin

proporciona la tcnica matemtica necesaria para encontrar hiperplanos que optimicen esas
medidas. En este enfoque se busca minimizar la norma del vector de pesos.

2.2.4.7.1.- EL CLASIFICADOR DE MARGEN MXIMO

El modelo ms simple de la SVM, el cual fue el primero en ser usado, es el llamado clasificador
de margen mximo. ste solo funciona para datos linealmente separables en el espacio
caracterstico, y por lo tanto no puede ser usado en problemas de la vida real. No obstante, es el
algoritmo ms fcil de entender y constituye el bloque principal en la construccin de las SVM
ms complejas. Proporciona las caractersticas claves que definen esta clase de mquinas de
aprendizaje, y por lo tanto su descripcin es fundamental para entender los sistemas ms
avanzados.

Antes de continuar con el desarrollo del clasificador de margen mximo es necesario aclarar
algunos aspectos:

Considerando una clase A de funciones reales en un espacio de entrada X para clasificacin. Se

define el margen de un ejemplo H , H  O1,1 con respecto a la funcin l 1 como la

cantidad H  H lH .

Se observa que si H 0, entonces la clasificacin deH , H  es correcta. La distribucin de

margen de l con respecto al conjunto de entrenamiento S es la distribucin de los mrgenes de

los ejemplos en S. Normalmente se refiere al mnimo de la distribucin de margen como el


margen *2l con respecto al conjunto de entrenamiento S. Esta cantidad ser positiva si l

clasifica correctamente al conjunto S. Finalmente, el margen de un conjunto de entrenamiento S


con respecto a la clase A es el margen mximo para toda l 1. Si se considera una clase de

funciones lineales se asume que los mrgenes son geomtricos, o en otras palabras que el vector
de pesos tiene norma unitaria.

El teorema 4.18 [8] limita el error de generalizacin de las mquinas lineales en trminos del
margen *2l de la hiptesis l con respecto al conjunto de entrenamiento S. La dimensin del

espacio en el cual la data es separada no aparece en este teorema. El clasificador de margen


mximo optimiza este lmite al separar la data con el hiperplano de margen mximo, y dado que
el lmite no depende de la dimensin del espacio, esta separacin puede buscarse en cualquier
espacio caracterstico inducido. El clasificador de margen mximo constituye la estrategia de las

primeras SVM, es decir, para encontrar el hiperplano separador mximo en un espacio


caracterstico de kernel inducido escogido apropiadamente.

Esta estrategia es implementada al reducirla a un problema de optimizacin convexo: minimizar


una funcin cuadrtica bajo restricciones de desigualdad lineal. Cabe destacar que en la
definicin de clasificadores lineales existe un grado de libertad inherente, debido al hecho de que
la funcin asociada con el hiperplano ,  no cambia si se re-escala el hiperplano a , ,

para i . Se referir al margen de una funcin de salida como el margen funcional. El

teorema 4.18 supone que el margen geomtrico es el margen funcional de un vector normalizado.
Por lo tanto, se puede igualmente optimizar el margen geomtrico al ajustar el margen funcional
a 1 (los hiperplanos con margen funcional igual a 1 se conocen como hiperplanos cannicos) y
minimizar la norma del vector de pesos w. Si w es el vector de pesos asociado a un margen

funcional unitario para un punto i y un punto 5 , entonces se puede calcular su margen

geomtrico estableciendo un margen funcional en 1, las ecuaciones 2.26 y 2.27 representan los
hiperplanos cannicos. En la figura 2.8 se muestra el hiperplano separador mximo y los
hiperplanos cannicos.
 i I   I1
 5 I   O1

2.26

2.27

Figura 2.8 Hiperplano separador mximo

Para calcular el margen geomtrico se debe normalizar el vector de pesos w. Por tanto, el margen

geomtrico es el margen funcional del clasificador resultante y queda definido por la ecuacin
2.28.

1
1

1

i
5 Y
i
5 



O



 X

R
R
2R
2 R

2.28

Desarrollo de la estrategia del clasificador de margen mximo, dado un conjunto de


entrenamiento linealmente separable   , , , ~ , ~  , el hiperplano ,  que

resuelve el problema de optimizacin:


**!"

2D# "

,E

 

H  I  1
  1, , 

Ahora se va a considerar la transformacin de este problema de optimizacin en su


correspondiente dual siguiendo la estrategia de Dualidad. El Langraniano primario se muestra en
la ecuacin 2.29.
), ,     O ~H H &H  I  O 1(

Donde H 0 son los multiplicadores de Lagrange.

2.29

El dual correspondiente se consigue al diferenciar con respecto a w y b.


,E,

,E,
E

  O ~H H H  0
 ~H H H  0

Se obtiene:
~

  H H
H
~

0  H H
H

Al sustituir en el primario dado por la ecuacin 2.29 se obtiene la ecuacin 2.30.


)  ~H H O R ~H,F H F H F G

2.30

En este resultado se observa que la hiptesis puede ser descrita como una combinacin lineal de
los puntos de entrenamiento. La aplicacin de la teora de optimizacin conlleva naturalmente a
la representacin dual. La representacin dual tambin se necesita para el uso de kernels.

Considerando un conjunto de ejemplos linealmente separable


  , , ,  , ~ 

Y suponiendo que los parmetros M resuelven el siguiente problema de optimizacin cuadrtica:

*"*!"
2D# "

H,F

1
  H O H F H F G
2
~

H H  0
H

H 0,

  1, , 

Entonces el vector de pesos M  ~H H M H constituye el hiperplano de margen mximo, con

margen geomtrico  g. El valor de b no aparece en el problema dual, por lo tanto  M debe

encontrarse haciendo uso de las restricciones primarias, tal como se muestra en la ecuacin 2.31.
M 

*_ 5 M  I *_ M 


2

2.31

Las condiciones complementarias de Karush-Kuhn-Tucker proporcionan informacin muy til


acerca de la estructura de la solucin. Las condiciones establecen que las soluciones ptimas
M M ,  M  deben satisfacer la ecuacin 2.32.
H M &H M I  M  O 1(  0

2.32

Esto implica que solo para las entradas H para las cuales el margen funcional es 1 y por lo tanto
estn ms cerca del hiperplano, son los correspondientes H M 0. Todos los otros parmetros H M

son cero. De all, en la expresin para el vector de pesos solo esos puntos son tomados en cuenta.
Por tal razn es que son llamados vectores soporte (sv).

Adems el hiperplano ptimo puede expresarse en la representacin dual en trminos de este


subconjunto de parmetros, tal como se muestra en la ecuacin 2.33.
l, , 
M

M

 H H
H

I   H H M I  M
M

H4

2.33

Los multiplicadores de Lagrange asociados con cada punto se convierten en variables duales,
dndoles una interpretacin intuitiva al cuantificar la importancia de un punto del conjunto de
entrenamiento sobre la solucin final, los puntos que no son vectores soporte no tienen
influencia.

Tanto la funcin de decisin como la funcin objetivo dual tienen la extraordinaria propiedad de
que la data solo aparece dentro de un producto interno. Esto har posible encontrar y utilizar
hiperplanos en espacios caractersticos a travs del uso de kernels como se muestra a
continuacin:
Considerando un conjunto de entrenamiento   , , ,  , ~  que es linealmente
separable en el espacio caracterstico definido implcitamente por el kernel , ! y suponiendo

que los parmetros M y  M resuelven el siguiente problema de optimizacin cuadrtica:


*"*!"
2D# "

H,F

1
  H O H F H F o , G p
2
~

H H  0
H

H 0,

  1, , 

Entonces la regla de decisin dada por $olp, es equivalente al hiperplano de margen

mximo en el espacio caracterstico definido implcitamente por el kernel , . tal como se

muestra en la ecuacin 2.34. En la figura 2.9 se muestra el uso de la funcin Kernel para resolver
el problema de clasificacin.
~

l  H H M   I  M
H

2.34

Figura 2.9 Uso del Kernel para la clasificacin.

2.2.4.7.2.- OPTIMIZACIN DEL MARGEN BLANDO

El clasificador de margen mximo es un concepto importante como punto de inicio para el


anlisis y construccin de las ms sofisticados SVMs, pero no puede usarse en muchos problemas
del mundo real: si la data posee ruido, en general no habr separacin lineal en el espacio
caracterstico. El principal problema del clasificador de margen mximo es que siempre produce
perfectamente una hiptesis consistente, la cual es una hiptesis sin error de entrenamiento. Esto
se debe a su enfoque en trminos de un lmite que depende del margen, una cantidad que es
negativa a menos que la data sea perfectamente separable.

La dependencia de una cantidad como el margen introduce la posibilidad de que el sistema tienda
a fallar frente un pequeo nmero de puntos. En data real, en donde el ruido puede estar presente,
la estimacin no sera factible. Estos problemas motivan a utilizar medidas ms robustas de la

distribucin del margen. Tales medidas pueden tolerar ruido y toman en consideracin la
posicin de ms puntos de entrenamiento y no solo los que estn ms cerca de la frontera de
decisin.

Para desarrollar este enfoque se retoma el problema de optimizacin para el caso del margen
mximo:
**!"
2D# "

,E

 

H  I  1
  1, , 

Para optimizar el vector de margen dbil se necesita introducir variables de holgura que permitan
violar las restricciones del margen.
2D# "

H  I  1 O H

  1, , ,

H 0

Con base en el teorema 4.22 [8] se obtiene:


**!"
2D# "

,,E

  I / H R
H

H  I  1 O H

  1, , ,

H 0

En la practica el parmetro C es variado dentro de un rango de valores y la ejecucin ptima se


valora usando un conjunto de validacin separada o una tcnica conocida como validacin
cruzada, para verificar el desarrollo usando solo el conjunto de entrenamiento.

Margen blando 2 norma- Ponderacin de la diagonal

El Langraniano primario para el problema de optimizacin planteado esta dado por la ecuacin
2.35.
~

/
1
), , ,     I H R O H &H  I  O 1 I H (
2
2

2.35

Donde H 0 son los multiplicadores de Lagrange

El dual correspondiente se consigue al diferenciar con respecto a , 


,E,,


,E,,

,E,,
E

  O ~H H H  0
 / O  0

 ~H H H  0

Se sustituyen los valores obtenidos en el primario para obtener la siguiente adaptacin de la


funcin objetivo dual:
), , ,   ~H H O ~H,F H F H F G I

  O  

1
1
 
 H O H F H F G O
2
2/
H

H,F

De all, maximizar la funcin objetivo sobre es equivalente a maximizar la ecuacin 2.36.


  ~H H O R ~H,F H F H F ` G I HF h

2.36

Donde HF es el de Kronecker definido para ser 1 si   D y 0.


Las condiciones de Karush-Kuhn-Tucker estn dadas por la ecuacin 2.37.
H &H  I  O 1 I H (  0

2.37

Considerando un conjunto de entrenamiento   , , ,  , ~  el cual se desea clasificar

usando un espacio caracterstico definido implcitamente por el kernel ,  y suponiendo que


los parmetros H M resuelven el siguiente problema de optimizacin cuadrtica:

*"*!"
2D# "

H,F

1
1
  H O H F H F Xo , F p I HF Y
2
/
~

H H  0
H

H 0,

  1, , 

Suponiendo l  ~H H H M o , F p I  M , donde  M es escogido de manera que H l  

1O

_ M

para todo  con H M  0. Luego la regla de decisin dada por 2$olp es equivalente

al hiperplano separador en el espacio caracterstico definido implcitamente por , , el cual


resuelve el problema de optimizacin, donde las variables de holgura se definen de acuerdo al
margen geomtrico.
del problema satisface:
De acuerdo al teorema de Kuhn-Tucker, la solucin

H M &H M I  M  O 1 I H (  0
H H M O /  0

  1, , 

De esta igualdad se deduce que los nicos valores H M 0 son aquellos que para las constantes H

satisfacen la ecuacin 2.38.

H M I  M  1 O H ,   1, , 

2.38

El punto H correspondiente con H M 0 es llamado vector de soporte. Pero hay dos tipos de
vectores soporte en un caso no separable. En el caso 0 H M /, el correspondiente vector de
soporte satisface las igualdades H M I  M   1 y H  0 . En el caso H M  / , el

correspondiente H es diferente de cero y el correspondiente vector de soporte no satisface la


condicin de linealidad. Por tanto se refiere a estos vectores de soporte como errores. El punto

correspondiente con H M  0 es clasificado correctamente y esta claramente alejado del margen

de decisin.

2.2.4.8.- FASES PARA LA CLASIFICACIN CON SVM

Los problemas de clasificacin pueden ser resueltos a travs de una serie de pasos utilizando
softwares especiales para ello, entre los cuales se pueden destacar: SVM h , LIBSVM, diferentes
toolbox de Matlab, Spider, WEKA, entre otros. La utilizacin de los programas para llevar a cabo

la clasificacin facilita el uso de las SVM, ya que sin ellos sera bastante difcil la aplicacin de
esta tcnica.

2.2.4.8.1.- SELECCIN DE LAS MUESTRAS

El primer paso para llevar a cabo la clasificacin con SVM es seleccionar el conjunto de muestras
o ejemplos a ser utilizados durante el entrenamiento y durante la prueba.

2.2.4.8.2.- TRANSFORMACIN DE LOS DATOS AL FORMATO DEL SOFTWARE

Una vez que se ha seleccionado el software para llevar a cabo la clasificacin, se deben
transformar los datos al formato del software seleccionado. El formato que deben tener los datos
depende del programa que se utilizara; algunos utilizan, por ejemplo, tablas de Excel como
entrada para el entrenamiento y prueba de las SVM. Sin embargo, es necesario tener en cuenta
que las MVS requieren que cada instancia de los datos est representada como un vector de
nmeros reales. Por lo tanto, si existen atributos categricos o cualitativos, stos deben ser
previamente transformados a datos numricos.

2.2.4.8.3.- SELECCIN DEL MODELO

La seleccin del modelo consiste en determinar el kernel que se utilizar, los valores de los
parmetros del mismo y el modo de evaluacin del clasificador. Por ejemplo, LIBSVM
proporciona funciones kernel: linear, polinmica, de base radial y sigmoid [9]. Para entrenar una
SVM el usuario debe seleccionar los valores apropiados para los parmetros asociados a la
funcin kernel seleccionada. Las funciones kernel son definidas de la siguiente forma:
)"


,   
 

  I %l0L6LL 
m*" 
,   

 
,   5|5|

$*


,   #"
  I %l0

La gua de SVM [10] recomienda utilizar el kernel RBF como primera eleccin. El kernel RBF
realiza mapeos no lineales de ejemplos a un espacio de mayor dimensin, a diferencia del kernel
lineal, este puede manipular casos en los cuales la relacin entre las etiquetas y atributos no es
lineal. Adems, el kernel lineal es un caso especial de RBF.

La segunda razn por la cual se recomienda el uso del kernel RBF es la cantidad de parmetros,
ya que ste incide en la complejidad de la seleccin del modelo. Sin embargo, existen algunas
situaciones en las cuales el kernel RBF no es confiable, en particular cuando el nmero de
caractersticas es muy grande, se puede usar el kernel lineal.

Si el nmero de caractersticas es grande, tal vez no se necesita mapear la data a un espacio de


mayor dimensin. Esto se debe a que el mapeo no lineal no mejora el desarrollo. Usar el kernel
lineal es suficiente, y solo se necesita ajustar el parmetro C.
En cuanto a la seleccin de parmetros, existen dos parmetros al usar kernel RBF: C y , y al

usar el kernel polinomial se deben establecer los parmetros: C, , degree, coef(0), no obstante
estableciendo el grado del polinomio y el valor del coeficiente independiente se podra llevar un

procedimiento para obtener valores ptimos de C y . Se desconoce de antemano cuales valores

de C y son los mejores para un problema determinado, en consecuencia se debe llevar a cabo

un procedimiento para la seleccin de los mismos. El objetivo de la seleccin de parmetros es

identificar buenos valores /,  de manera que el clasificador pueda predecir eficientemente
frente a data desconocida (data de prueba).

Una forma muy comn de llevar a cabo este procedimiento es la de separar la data en dos partes,
de las cuales una se considera desconocida en el entrenamiento del clasificador. Entonces la
eficiencia de la prediccin sobre el conjunto desconocido puede reflejar de forma precisa la
eficacia del modelo al clasificar data desconocida. Una versin desarrollada de este
procedimiento es la validacin cruzada.
En el procedimiento de validacin cruzada se divide el conjunto de entrenamiento en

subconjuntos de igual tamao. Seguidamente un subconjunto es probado usando el clasificador

entrenado con los O 1 subconjuntos restantes. Por lo tanto, cada instancia del conjunto de

entrenamiento completo es predicha una vez, y con ello la eficacia de la validacin cruzada
representara el porcentaje de data que ha sido clasificada correctamente.

Es recomendable realizar "  O 2" %" de /,  usando validacin cruzada. Bsicamente

son probados pares de valores /,  y aquel par con la mayor eficiencia en validacin cruzada se
selecciona. Se ha encontrado que probar con secuencias exponenciales crecientes de / y , es un
mtodo practico para identificar buenos parmetros.

2.2.4.8.4.- ENTRENAMIENTO

Una vez que se ha seleccionado la funcin kernel a utilizar y se ha realizado la seleccin de


parmetros asociados a dicha funcin, se procede a la fase de entrenamiento de la SVM. En dicha
fase se establecer cual es el conjunto de ejemplos que ser utilizado para el entrenamiento, cada
ejemplo del conjunto posee una etiqueta, la cual est asociada a una clase determinada. Con este
conjunto de entrenamiento la SVM aprender a clasificar las instancias con un mnimo de error
posible.

2.2.4.8.5.- PRUEBAS

Esta fase consiste en realizar las pruebas al clasificador desarrollado al medir la eficacia con la
cual el mismo generaliza frente a instancias desconocidas, es decir, medir la capacidad de
clasificacin para nuevas observaciones.

2.2.5.- SISTEMA DE ADQUISICIN DE DATOS


Hoy en da, la mayora de las industrias de manufactura disponen de computadores personales en
sus plantas y laboratorios para llevar a cabo el control eficaz de un determinado proceso, por
ejemplo: en la prueba de sus productos, toma de mediciones y automatizacin de procesos. La
creacin de sistemas basados en una PC, como las tarjetas de adquisicin de datos ha hecho
posible la ejecucin de dichas tareas.

National Instruments sostiene que: La adquisicin de datos es el proceso de obtener o generar


informacin de manera automatizada desde recursos de medidas analgicas y digitales como
sensores y dispositivos bajo prueba. Utiliza una combinacin de hardware y software basados en
PC para brindar un sistema de medida flexible y definido por el usuario.

Es por lo anterior que los dispositivos DAQ son instrumentos ideales para una gran variedad de
aplicaciones, desde registros de datos simples hasta sistemas integrados, ya que han sido
diseados con el propsito general de medir seales de voltaje.

En la figura 2.9 se muestra la manera general la adquisicin de datos basada en PC:

Figura 2.9 Diagrama de adquisicin de datos basada en PC.

Generalmente, los datos o variables que se han de captar tienen un carcter de tipo analgico,
mientras que su tratamiento, almacenamiento y anlisis son mucho ms eficaces cuando se hace
digitalmente. Por lo tanto, se requiere de una etapa de acondicionamiento, que adecue la(s)
seal(es) a niveles compatibles con el elemento encargado de realizar la transformacin. El
elemento que realiza dicha transformacin es el mdulo o tarjeta de adquisicin de datos (DAQ).

2.2.5.1.- PARMETROS CARACTERSTICOS DE UN DAQ

Algunos de los parmetros que caracterizan a un DAQ son bsicamente: nmero de entradas
analgicas, cantidad de bit de resolucin, rango y velocidad de muestreo (nmero de muestras
por unidad de tiempo).
 Nmero de entradas analgicas: comnmente nombrado como la cantidad de canales de
lectura, de este parmetro va a depender el nmero de seales analgicas que podrn ser captadas
simultneamente.
 Cantidad de bit de resolucin: nmero de bits que el convertidor analgico a digital
(ADC) utiliza para representar una seal.
 Rango: valores mximo y mnimo entre los que el dispositivo funciona bajo unas
especificaciones de operacin.

Velocidad de muestreo (throughput rate): este parmetro especifica la velocidad a la que

el SAD puede adquirir y almacenar muestras de las entradas. Las muestras pertenecern a un
nico canal o a varios, segn la configuracin, por lo que es fundamental revisar cuidadosamente
los datos suministrados por el fabricante.
Ahora bien, una teora que es fundamental tomar en cuenta a la hora de querer tomar muestras del
mundo real para generar datos, y que puedan ser manipulados por un computador, es el teorema
de Nyquist-Shannon.

2.2.5.2. - TEOREMA DE NYQUIST SHANNON

Este teorema bsicamente establece que al muestrear una seal, la frecuencia de muestreo debe
ser mayor que dos veces el ancho de banda de la seal de entrada, para poder reconstruir la seal

original de forma exacta a partir de sus muestras. En caso contrario, aparecer el fenmeno del
Aliasing que se produce al infra-muestrear.

El aliasing es el efecto que causa que seales continuas distintas se tornen indistinguibles cuando
se les muestrea digitalmente. Cuando esto sucede, la seal original no puede ser reconstruida de
forma unvoca a partir de la seal digital.

2.3.- DEFINICIN DE TRMINOS BSICOS

Actividades: Es el conjunto de acciones que se llevan a cabo para cumplir las metas de un
programa de operacin.

Algoritmo: Conjunto ordenado y finito de operaciones que permite hallar la solucin de un


problema.

Aprendizaje: Accin de aprender algn oficio, arte u otra cosa.

Clasificacin: Accin y efecto de clasificar. Relacin de los clasificados en una determinada


prueba.

Data: Representa un banco o conjunto de datos, agrupados con la finalidad de ser utilizados en
alguna aplicacin.

Defecto: Evento en los equipos que impide su funcionamiento.

Diagnstico: Identificacin y explicacin de las variables directas e indirectas inmersas en un


problema. Determinacin del estado de funcionamiento de un sistema o equipo.

Entrenamiento: Accin y arte de preparar a un individuo, animal o sistema para desarrollar


alguna tarea.

Generalizar: Abstraer lo que es comn y esencial a muchas cosas, para formar un concepto
general que las comprenda todas.

Instrumento: Mecanismo tangible usado para alcanzar el propsito de una tcnica.

Interfaz: Accesorio de computacin que permite la comunicacin entre el usuario y el


computador.
Mantenimiento: Conjunto de procedimientos y medidas que permiten alargar el funcionamiento
de dispositivos, objetos y sistemas.

Mantenimiento predictivo: Tareas de seguimiento del estado y desgaste de uno o ms


componentes de equipos prioritarios a travs del anlisis de variables que determinen el momento
de su sustitucin.

Mtodo: Sucesin lgica de pasos o etapas que conducen a lograr un determinado objetivo.
Modelo: Representacin en pequeo de alguna cosa. Representacin de las caractersticas que
definen un conjunto de datos.

Motor Elctrico: Mquina elctrica que permite la transformacin de energa elctrica en


energa mecnica.

Optimizar: Buscar la mejor manera de realizar una actividad.

Parada General: Situacin de un conjunto de equipos a los que se les efecta revisiones
peridicas y reparaciones programadas en un determinado periodo de tiempo.

Patrn: Modelo que sirve de muestra para sacar otra cosa igual.

Plan: Conjunto de programas y estrategias relacionadas entre s para lograr un resultado


concreto.
Predecir: Anunciar por revelacin, ciencia o conjetura algo que ha de suceder.

Prueba: Ensayo o experimento que se hace de algo, para saber cmo resultar en su forma
definitiva.

Software: Conjunto de programas informticos ubicados en los ordenadores para desarrollar un


conjunto de tareas.
Una vez desarrollado el basamento terico asociado al presente trabajo de investigacin, en el
cual se mostr informacin relevante sobre la estructura de las SVM y caractersticas del motor
de induccin para la deteccin de fallas incipientes, se procede a la fase en donde se detalla el
procedimiento utilizado para la obtencin de las seales y la aplicacin de las SVM como tcnica
de reconocimiento de patrones.