dicho sensor, y al mismo tiempo generar una amplificación considerable de la salida del sensor de efecto Hall empleado. La Figura 25 muestra l...

dicho sensor, y al mismo tiempo generar una amplificación considerable de la salida del sensor de efecto Hall empleado. La Figura 25 muestra la conexión / configuración de dicha etapa de acondicionamiento mediante el empleo de amplificadores operacionales típicos. Por su parte, la expresión (55) proporciona el comportamiento de dicha etapa de acondicionamiento. Donde V 1 corresponde al voltaje del sensor de flujo triaxial, V 2 corresponde al voltaje equivalente al offset de los sensores de efecto Hall empleados, que en este caso y de acuerdo a la hoja de datos del fabricante corresponde a 2.5 V aproximadamente. V out=(V 2−V 1 )⋅ R3 R1 (55) Figura 25. Configuración de amplificador operacional no inversor restador, 81 artificial, como se describe en la sección 3 de este trabajo de tesis. El procesador SBC utilizado está basado en una raspberry pi modelo 4 que cuenta con un procesador 4× ARM Cortex-A53 y que basa su funcionamiento en una frecuencia de 1.2GHz, con un consumo de corriente promedio de 800 mA en conjunto con la pantalla táctil raspberry. Adicionalmente, esta tarjeta cuenta con 2 GB de memoria RAM, más que suficiente para almacenar de forma dinámica la información intermedia para llevar a cabo las tareas de adquisición, almacenamiento y procesamiento de señales que el presente trabajo de tesis demanda. La Figura 27 muestra la tarjeta modelo raspberry pi 4 y sus principales componentes. Esta tarjeta cuenta con protocolos estandar de comunicación y conectividad gracias a su puerto de expansión de entradas y salidas de propósito general integrado en las que se implementa distintos protocolos de comunicación industriales y l módulo de acondicionamiento y adquisición de señales, y el procesador principal basado en plataforma raspbery pi 4. La comunicación se lleva a cabo entre el microcontrolador modelo MSP432 (que contiene la tarjeta de acondicionamiento y adquisición de señales) y el procesador principal de la tarjeta raspberry pi 4. Para implementar dicha comunicación e intercambio de información se hace uso del protocolo de comunicación estandarizado UART, mismo que lo contienen ambos procesadores mencionados anteriormente. 2. Herramientas de procesamiento de señales. Aquí se implementan los cálculos matemáticos básicos que se requieren para posteriormente llevar a cabo tareas de procesamiento más complejas como lo es el cálculo de la DWT, STFT, MUSIC. Estos cálculos corresponden con aquellos descritos en la sección 3 de este trabajo de tesis, y que se enumeran a continuación:  Implementación de filtro digital pasa bajas, y filtro digital promedio. 83  Implementación de operación convolución de señales. Empleado para el cálculo de la DWT, como se describe en la sección 3.2.4.  Implementación de operador multiplicación-acumulación. Empleado para el cálculo de la transformada discreta de Fourier, como se describe en la expresión (22).  Implementación de cálculo de indicadores estadísticos y no estadísticos de acuerdo a las ecuaciones (24) a (38). 3. Implementación de herramientas de descomposición tiempo-frecuencia (STFT; DWT, ST-MUSIC, FFT). En esta tarea se implementan las operaciones matemáticas que permiten llevar a cabo el cómputo de las herramientas de descomposición tiempo-frecuencia, como se describe en la sección 3. 4. Implementación de técnicas de agrupamiento y clasificación de datos. Aquí se lleva a cabo la etapa de automatización del proceso de clasificación de la falla mediante la implementación de herramientas de inteligencia artificial como lo son redes neuronales artificiales (RNA), análisis discriminante lineal (LDA), y análisis de componente principal (PCA). Esta tarea se lleva a cabo mediante la implementación de las expresiones matemáticas descritas en la sección 3.4. Figura 28. Tareas principales llevadas a cabo e implementadas a través del procesador principal basado en la plataforma raspberry pi 4 (autoría propia). 84 5.METODOLOGÍA En el siguiente apartado se describe a detalle la metodología propuesta en este trabajo de tesis. Primeramente, se da detalle de los fundamentos teóricos que sustentan la metodología propuesta, posteriormente se introduce el esquemático de la metodología. Mediante este esquemático se muestra el flujo de las señales y las etapas de procesamiento propuestas para lograr un diagnóstico oportuno y automático de las diversas fallas electromecánicas que suelen ocurrir en motores eléctricos de inducción, a saber: barras de rotor rotas, excentricidades, desalineamientos, engranes desgastados, asimetrías de rotor en motores de inducción de rotor bobinado, fallas de pista exterior en rodamientos de bolas, entre otras. Finalmente se describen con detalle, y paso a paso las etapas que componen la metodología propuesta. En este contexto, y como se abordó en secciones anteriores, la gran mayoría de fallas que suelen ocurrir en los motores eléctricos, en este caso, motores eléctricos de inducción generarán un cambio en el comportamiento dinámico de las magnitudes físicas asociadas al propio motor, como lo pueden ser corrientes estatóricas de alimentación, señales de vibración del marco del motor, señales acústicas, cambios de temperatura, flujo magnético de dispersión, entre otros. De esta manera, se sabe que es posible observar cambios, tales como aumentos en la amplitud de frecuencias específicas y que son relacionadas al fallo, cambios en el gradiente de temperatura, cambios en la amplitud las señales de vibración, de emisión sonora, entre otros. Por lo anterior, la idea principal de la metodología propuesta es caracterizar esos cambios y comportamientos dinámicos de las señales de flujo de dispersión magnética (que es capturado en la periferia del marco del motor) cuando ocurre una falla específica respecto al estado base, esto es, cuando el motor se encuentra en estado saludable. Así entonces, se propone el empleo de indicadores estadísticos y no estadísticos obtenidos a partir de la señal normalizada (capturada en el dominio del tiempo) del flujo magnético de dispersión, de la densidad de energía de zonas específicas a partir de mapas tiempo-frecuencia (obtenidos mediante la aplicación de herramientas de descomposición tiempo-frecuencia como lo son STFT, y ST- MUSIC), y a partir de indicadores normalizados (γDWTobtenidos a partir de la DWT. Todos estos indicadores permiten caracterizar claramente el comportamiento dinámico de dicha señal, y a su vez identificar cambios debidos a fallas específicas. Finalmente, sabiendo la relevancia de poder generar un diagnóstico automático y oportuno, se propone el empleo de técnicas de inteligencia artificial como lo es redes neuronales artificiales, y análisis discriminante lineal (LDA) para el manejo de los indicadores anteriormente mencionados. De esta manera es posible generar agrupaciones de datos que comparten características similares, maximizar la distancia entre grupos y minimizar la dispersión dentro de los grupos. Estos grupos hacen referencia precisamente a los diferentes fallos que se estudian en este trabajo de tesis. Por último, una vez agrupados y caracterizados los diferentes fallos que suelen ocurrir en los motores eléctricos de inducción, estos son identificados de forma automática por la red neuronal artificial. A continuación, se detallan las etapas de dicha propuesta. La Figura 29 muestra el diagrama de flujo de la metodología propuesta. Como se puede observar, la propuesta se compone esencialmente de 5 etapas de procesamiento como se detalla a continuación: 86 Figura 29.Flujo de señal de la metodología propuesta (autoría propia). 87 1. Adquisición de señales del flujo magnético de dispersión (flujo de dispersión axial, radial, y axial + radial). Para adquirir las diferentes componentes del flujo magnético de dispersión se propone el empleo y la instalación del sensor de flujo de dispersión triaxial propuesto en la presente tesis, y que se detalla en la sección 4.2. Este sensor puede ser instalado en la periferia de la carcasa, como se muestra en la Figura 23. Se plantea el empleo de este sensor debido a las ventajas que representa sobre algunas otras alternativas (como los convencionales sensores tipo bobina), ya que permite capturar