Flujo de dispersión axial Valor de k Función de densidad Flujo de dispersión axial + radial Valor de 5thM Función de densidad Flujo de dispersión r...

Flujo de dispersión axial Valor de k Función de densidad Flujo de dispersión axial + radial Valor de 5thM Función de densidad Flujo de dispersión radial Valor de 5thM Función de densidad Flujo de dispersión axial Valor de 5thM Función de densidad Flujo de dispersión axial + radial Valor de KFD Función de densidad Flujo de dispersión radial Valor de KFD Función de densidad Flujo de dispersión axial Valor de KFD Función de densidad Flujo de dispersión axial + radial Valor de KFD Función de densidad Figura 56. Funciones de densidad normalizadas que definen las zonas de detectabilidad obtenidas por los diferentes indicadores estadísticos y no estadísticos aquí propuestos para los diferentes componentes del flujo de dispersión utilizando: (a) valor Sk . (b) Valor k . (c) Valor 5thM . (d) Valor KFD. Tabla 5. Detalle de los subconjuntos seleccionados integrados al considerar combinaciones de tres indicadores estadísticos para el cómputo del puntaje de Fisher cuando el motor operaba a una frecuencia de suministro de energía de 60 Hz y 50 Hz (Zamudio-Ramirez et al., 2021). Frecuencia de operación Severidad de fallo en el rodamiento 60 Hz arranque directo 60 Hz VFD 50 Hz VFD Subconjunto seleccionado de características Puntuación de Fisher calculada Subconjunto seleccionado de características Puntuación de Fisher calculada Subconjunto seleccionado de características Puntuación de Fisher calculada 1 mm σ , k , KFD 7.16 RMS, SRM, σ 21.63 RMS, SRM, k 817.19 2 mm S FRMS, S FSRM,KFD 4.34 S FRMS,S FSRM, KFD 47.60 S FRMS,S FSRM, KFD 80.42 3 mm σ ,6th M , KFD 178.91 RMS, KFD, σ 157.68 S FRMS,S FSRM, KFD 37.14 4 mm σ , KFD, SMR 161.51 RMS, KFD, σ 104.54 S FRMS,S FSRM, KFD 77.83 5 mm σ ,S FRMS,KFD 4.31 Media, RMS, σ 2 15.23 S FRMS,S FSRM, KFD 160.14 Tabla 6. Detalle de los subconjuntos seleccionados integrados al considerar combinaciones de tres indicadores estadísticos para el cómputo del puntaje de Fisher cuando el motor operaba a una frecuencia de suministro de energía de 15 Hz y 5 Hz. Frecuencia de operación Severidad de fallo en el rodamiento 15 Hz VFD 5 Hz VFD Subconjunto seleccionado de características Puntuación de Fisher calculada Subconjunto seleccionado de características Puntuación de Fisher calculada 1 mm RMS, SRM, σ 90.50 RMS, SRM, σ 87.86 2 mm S FRMS,S FSRM,KFD 19.84 S FRMS,S FSRM,KFD 24.03 3 mm RMS, SRM, σ 78.66 RMS, SRM, σ 63.85 4 mm RMS, SRM, σ 62.62 RMS, SRM, σ 56.24 5 mm SRM, σ , KFD 27.58 SRM, k , KFD 16.95 Posteriormente, en la última etapa de la metodología propuesta, se realiza una reducción de características mediante la técnica LDA. A través de esta técnica todos los indicadores estadísticos seleccionados se proyectan en un pequeño subconjunto para maximizar la separación lineal entre diferentes clases mediante la combinación de información proporcionada por los diferentes valores de los indicadores seleccionados. En consecuencia, el conjunto de características extraído se proyecta en un espacio bidimensional (Indicador 1, e indicador 2) para obtener una representación visual de todas las condiciones consideradas. En este sentido, la Figura 57a muestra las regiones de decisión para la clasificación resultantes, y que son obtenidos durante el entrenamiento y la prueba del clasificador basado en una red neuronal para los diferentes daños en los rodamientos cuando el motor de accionamiento se alimenta a 60 Hz bajo una conexión de línea directa. Además, la Figura 57b proporciona una vista ampliada de una zona crítica (donde la separación entre clases es menor). A partir de esta figura, se puede observar claramente que la dispersión obtenida para las diferentes severidades de falla es mínima, y la separación entre clases es grande. De manera similar, la Figura 58a muestra las clasificaciones y límites correctos obtenidos automáticamente por medio del entrenamiento de la red neuronal artificial para el caso en que el motor bajo análisis es alimentado por un VFD a 60 Hz. Además, la Figura 58b (que es una vista ampliada de la zona del rectángulo negro que se encuentra en la Figura 11a) revela que no hay superposición ni clasificación errónea entre fallas de 3 mm y 4 mm de gravedad a pesar de estar en una región cercana. Resultados similares se pueden apreciar en la Figura 59 y Figura 60. Con respecto a los límites de decisión y la proyección obtenida cuando el motor impulsor se alimenta a 5 Hz, la Figura 61 muestra que existe una clasificación errónea entre el rodamiento sano y el rodamiento defectuoso con una perforación de 2 mm en la pista exterior, ya que los datos proyectados resultan estar en regiones muy cercanas entre sí. Sin embargo, ambos casos están separados con una elevada precisión. El comportamiento no lineal obtenido en los resultados se puede atribuir principalmente a las características temporales utilizadas para caracterizar la cadena cinemática bajo estudio, ya que brindan información relevante sobre los cambios y tendencias encontradas en las señales analizadas. Se encuentra que tales cambios no son lineales a la severidad de la falla. Además, se encuentra a partir de los resultados obtenidos, que diferentes subconjuntos de características en el dominio del tiempo brindan información discriminatoria relevante para diagnosticar fallas en los rodamientos de acuerdo con las diferentes frecuencias de suministro de energía estudiadas aquí. Sin embargo, las características totales utilizadas para discriminar todas las severidades de las fallas de los rodamientos bajo diferentes frecuencias de suministro de energía se limitan a los siguientes indicadores: σ , k , KFD, SFS RM, S FRMS, 5thM , 6th M, SMR, RMS y σ 2, tal como se indica en la Tabla 7 y Tabla 8 Adicionalmente, la información mostrada en las Tablas y Error: Reference source not found revela que la dimensión fractal de Katz y σ resultan indispensables para una correcta clasificación de la severidad de la falla, ya que estos indicadores se encuentran en casi todos los subconjuntos que tienen mayores valores en la puntuación de Fisher. (a) (b) Figura 57. Proyección de las regiones de decisión para la clasificación de fallas múltiples calculada por el clasificador basado en la red neuronal artificial propuesta cuando el motor de inducción funciona a 60 Hz bajo un arranque directo: (a) Vista completa de la proyección. (b) Vista ampliada de la zona del rectángulo negro (Zamudio-Ramirez et al., 2021). (a) (b) Figura 58. Proyección de las regiones de decisión para la clasificación de fallas múltiples calculada por el clasificador basado en la red neuronal artificial propuesto cuando el motor de inducción funciona a 60 Hz bajo un arranque empleando un variador de frecuencia: (a) Vista completa de la proyección. (b) Vista ampliada de la zona del rectángulo negro (Zamudio-Ramirez et al., 2021). (a) (b) Figura 59. Proyección de las regiones de decisión para la clasificación de fallas múltiples calculada por el clasificador basado en la red neuronal artificial propuesto cuando el motor de inducción funciona a 50 Hz bajo un arranque empleando un variador de frecuencia: (a) Vista completa de la proyección. (b) Vista ampliada de la zona del rectángulo negro (Zamudio-Ramirez et al., 2021). (a) (b) Figura 60. Proyección de las regiones de decisión para la clasificación de fallas múltiples calculada por el clasificador basado