VII CONGRESO BOLIVARIANO DE INGENIERIA MECANICA

Cusco, 23 al 25 de Octubre del 2012

IDENTIFICACIN Y CLASIFICACIN DE FALLAS EN CAJAS DE ENGRANAJES RECTOS CON

REDES NEURONALES DE ALIMENTACIN HACIA ADELANTE Y RETROPROPAGACIN DEL
ERROR.
Ren V. Snchez L.*, Adrian D. Arpi S..
*Universidad Politcnica Salesiana, Centro de Investigaciones en Automatizacin, Materiales y Energa (CIAME)
Cuenca-Ecuador, rsanchezl@ups.edu.ec
Universidad Politcnica Salesiana, Cuenca - Ecuador, adrian.d.arpi.s@gmail.com

RESUMEN
Este documento presenta la implementacin de una Red Neuronal Artificial (RNA) de alimentacin hacia adelante
y de retropropagacin del error para la identificacin y clasificacin de fallas en cajas de engranajes rectos. Cuatro
diferentes clases de falla fueron probadas: Diente de engranaje en tres porcentajes de rotura, desalineacin engranaje,
pin con desgaste en la cara y pin con picadura, las pruebas se realizaron en diferentes condiciones de carga y
velocidad. Un acelermetro y tarjeta de adquisicin de datos fueron usados para adquirir las seales de vibracin.
Estas se preprocesaron usando medidas estadsticas de la seal en el dominio del tiempo como la deviacin estndar,
asimetra estadstica, curtosis y en el dominio de la frecuencia se dividi el espectro obtenido con la FFT en 20
bandas, para cada banda se calculo el valor RMS, de manera que se mantenga la forma de la energa en los picos del
espectro. El preprocesamiento se realizo con el objetivo de reducir los datos de entrada a la RNA. Se formo vectores
de las caractersticas de la seal pre-procesada, los cuales fueron usados como parmetros de entrada de la RNA. Los
resultados obtenidos mostraron que para el vector formado por las 20 bandas, deviacin estndar, asimetra
estadstica, curtosis, la medida de la frecuencia de rotacin y la medida de la carga aplicada se puede obtener un
algoritmo eficiente computacionalmente debido la arquitectura de la RNA la cual identifica y clasifica las fallas
propuestas con un margen relativamente alto de clasificaciones exitosas, evaluadas mediante la matriz de confusin.
PALABRAS CLAVE: Red Neuronal Artificial, Alimentacin hacia adelante retropropagacin del error, fallas en
cajas de engranajes rectos, clasificacin de fallas.

REA TEMTICA PRINCIPAL:

12 MANTENIMIENTO

INTRODUCCIN
Las cajas de engranajes, son fundamentales en la mayora de las industrias, son las encargadas de transmitir la
potencia entre ejes, con el fin de cambiar los parmetros de torque y velocidad, se espera que las mismas trabajen las
24 horas del da en un sistema de produccin, un fallo en las mismas podra ser catastrfico provocando problemas
en la produccin que conllevan elevadas prdidas econmicas y prdidas humanas. Por lo tanto es fundamental
detectar y diagnosticar fallos en la etapa inicial [1], [2]. El mantenimiento basado en la condicin consiste en realizar
la evaluacin continua de la condicin de una mquina monitoreada con lo que se consigue predecir la falla y tomar
las acciones correctivas en la misma, adems los costos del mantenimiento pueden ser menores debido a que las
acciones de mantenimiento se basan en informacin confiable del monitoreo de la condicin. Varios tipos de
monitoreo de condicin y metodologas de diagnstico son utilizadas para identificar fallos en mquinas para tomar
la accin correctiva. La identificacin de fallo de la mquina puede ser realizada con diferentes metodologas como:
anlisis de la seal de vibracin, anlisis del estado del lubricante, anlisis acstico y monitoreo de temperatura. De
los anteriores el diagnstico por vibraciones es el ms empleado debido que toda mquina tiene un espectro
considerado normal, pero cuando hay fallo el espectro cambia [3], [4]. Existen varios estudios de algoritmos de
deteccin y diagnstico de fallas en cajas de engranajes, entre ellos estn la combinacin de redes neuronales de
retropropagacin del error y algoritmos genticos, stos ltimos usados para la seleccin automatizada de las
caractersticas de la falla, debido a la importancia de reducir el gran espacio dimensional de los datos de la seal
cruda en un espacio reducido [5]. Otros tipos de redes neuronales utilizadas para el monitoreo de fallas son los mapas
auto-organizados o SOM (Self-Organizing Map) y los sistemas de inferencia adaptativos neuronal-difusos o ANFIS
(Adaptive neuro fuzzy inference system) [6], estos son usados para determinar la calidad de las cajas de engranajes
construidas, determinando fallos en las tolerancias de dimensin en los componentes de la caja de engranajes. Dada
la importancia de la seleccin adecuada de las caractersticas de la falla existen varios mtodos, en [7] se presenta
una comparacin entre algunos mtodos de seleccin de caractersticas y su clasificacin de acuerdo a su eficiencia y
gasto computacional.
En [8] se presenta una comparacin entre tres tipos de redes neuronales: redes de alimentacin hacia adelante y
retropropagacin del error o FFBP (Feed Forward Back Propagation), red de enlace funcional o FLN (Functional
Link Network) y cuantizacin de vectores de aprendizaje o LVQ (Learn Vector Quantization), en este estudio se
obtuvo buenos resultados con FFBP para la clasificacin de tres fallas a diferentes frecuencias de rotacin, por lo que
se decidi usar esta tcnica para este proyecto.
En este documento se presenta un estudio para la aplicacin de RNA FFBP en la identificacin y clasificacin de
cuatro fallas: Diente de engranaje en tres porcentajes de rotura, desalineacin engranaje, pin con desgaste en la
cara y pin con picadura. Es importante sealar que las pruebas se realizaron a diferentes velocidades de rotacin y
para cada una de ellas se aplic tres condiciones de carga distintas, que es el caso ms probable de una aplicacin
industrial. En la seccin Configuracin del Experimento se explica las condiciones mecnicas del experimento, en la
seccin Seleccin de caractersticas y reduccin de datos se explica el mtodo de reduccin de datos y las
caractersticas seleccionadas, en la seccin Implementacin del clasificador e identificador se explica el mtodo de
identificacin y clasificacin implementado, en la seccin Anlisis de resultados se muestran los resultados
obtenidos con su evaluacin y finalmente las conclusiones.

CONFIGURACIN DEL EXPERIMENTO

En la Fig. 1 se indica la configuracin y esquema del simulador de fallas. Un motor de induccin tres fases de
1.1KW que por un variador de frecuencia se obtiene 11 velocidades de rotacin que inicia en 5Hz a 25Hz con 5Hz
de intervalo entre cada prueba, por medio del freno magntico se aplica a la caja de engranajes carga de: 0%, 50% y
90% de la potencia nominal del motor, parmetro medido por dispositivo de monitore de energa elctrica. Por cada
prueba se adquiri un conjunto de 10 muestras en un intervalo de 1s.
El nivel de lubricacin fue el mismo para todas las pruebas, el aceite usado SAE 40.
Se emple el Analizador de vibraciones y Balanceador Digital DIGIVIVE MX 300 de la empresa ERBESSD
INSTRUMENTS, el equipo cuenta con un acelermetro unidireccional con sensibilidad de 330 mV/g, un regulador
de voltaje, un amplificador y un filtro anti alias de 5 KHz e interfaz para conectar al ordenador. Para adquirir la seal
de vibracin se coloco el acelermetro de manera vertical en la caja de engranajes.
El equipo cuenta con el software DigivibeMX 5.14 que adquiere la seal del acelermetro por medio del interfaz
propia del equipo, los datos que se pueden obtener son amplitud - tiempo y frecuencia - amplitud de la aceleracin en
mm/s2, los datos se pueden almacenar y exportar a formato ASCII para procesarlos.

(a)
(b)
Fig. 1 Simulador fallas a) Configuracin fsica del simulador de fallas, b) Esquema del simulador de fallas

PROCEDIMIENTO EXPERIMENTAL
En la Tabla 1 se presenta la descripcin de cada condicin de falla de la caja de engranajes usada en el
experimento. Las caractersticas de la caja de engranajes usada para todas las fallas son especificadas en la Tabla 2.
La frecuencia de muestreo fue de 11025 Hz y el nmero de muestras fue 1000 para todas las condiciones. El nmero
de muestras fue seleccionado para mantener el mnimo necesario de muestras con las que la FFT (Fast Fourier
Transform) mantenga la forma aproximada a la forma con un nmero ms alto de muestras.
Tabla 1 Detalles de las fallas en investigacin
Falla
Engranaje
Pin
1

Buen Estado

Buen Estado

Roto al 10%

Buen Estado

Buen Estado

Picadura

Buen Estado

Desgaste cara 0.5mm

Desalineado

Alineado

Diente roto 50%

Buen Estado

Diente roto 100%

Buen Estado

8*

Principio rotura diente 0.5mm

Buen Estado

* Falla no clasificada
Tabla 2 Caractersticas de la caja de engranajes
Material Engranaje / Pin.
AISI 1018/ AISI 1018
Mdulo de diente
2.25
Nmero de dientes Engranaje / Pin.
27/53
ngulo de presin
20o
Ancho de la cara del diente
15mm

SELECCIN DE CARACTERSTICAS Y REDUCCIN DE DATOS

De la coleccin de seales de vibracin obtenidas de las mediciones a diferentes velocidades y cargas mecnicas,
se obtuvo las caractersticas en el dominio del tiempo y la frecuencia. Con las grficas obtenidas se puede seleccionar
que grupo de valores se puede usar como parmetros de ingreso para la RNA. Para el entrenamiento de la RNA se
utilizo el 60% de la coleccin de muestras y el 40% se utilizo para pruebas.
De la seal en el dominio del tiempo se evalu medidas estadsticas como la varianza, asimetra estadstica y
curtosis, las formulas utilizadas se indican en la Tabla 3. Para la simetra estadstica y la curtosis se utilizo la
correccin de descentramiento. Para el entrenamiento y pruebas de la RNA se utilizo la desviacin estndar,
asimetra y curtosis, evaluadas en cada una de las seales de vibracin [8]. Las evaluaciones fueron realizadas con
las funciones estndar de MATLAB.

Tabla 3 Formulas utilizadas para la evaluacin de valores estadsticos

Caractersticas
Definicin
Media
(1)
Deviacin
Estndar

(2)

Asimetra
(3)
Curtosis
(4)

TRANSFORMADA RPIDA DE FOURIER (FFT) Y VALORES RMS EN BANDAS

En la Fig. 2a se muestra los espectros de la seales de vibracin, en la prueba con un diente roto, para 5
velocidades de operacin y carga del 50%, el espectro se obtuvo con la FFT de la seal de vibracin multiplicada por
una ventana de Hanning. El espectro muestra un desplazamiento en la frecuencia y un incremento en la amplitud en
funcin del incremento de velocidad en la prueba. Con la variacin de carga en las distintas grficas de los espectros
se observo que la amplitud de cada componente se incrementa de manera proporcional a la variacin de carga,
adems en los espectros se observo algunas acentuaciones y atenuaciones en determinadas componentes espectrales
lo que hace suponer la dependencia de las caractersticas de la falla con respecto a la cantidad de carga mecnica
aplicada.
Se puede notar que el rango de la frecuencia esta entre los 0 y 3660 Hz, el vector de datos en la frecuencia tiene un
tamao de 500 muestras. Con el objetivo de reducir los datos de entrada a la RNA se dividi el espectro en 20
bandas, porque con este nmero de bandas los valores RMS hacen un seguimiento de la energa en los pico del
espectro (Abu-Mahfouz, 2005). Cada banda tiene un ancho de 183Hz, como se muestra en la Fig. 2b en donde el
valor RMS se evalu con la Ec. (5).

(5)

(a)

(b)

Fig. 2 Espectro en funcin de la velocidad, con carga del 50% y un diente roto en el engranaje, a) FFT, b) bandas

IMPLEMENTACIN DEL CLASIFICADOR E IDENTIFICADOR

Se implemento una RNA de arquitectura de alimentacin hacia adelante y entrenamiento con retropropagacin del
error, conformada por multicapas de perceptrones en MATLAB, con las siguientes caractersticas: 25 entradas, 7
salidas, 1 capa oculta de 30 neuronas, 1 capa de salida de 7 neuronas, todas las neuronas utilizan como funcin de
transferencia la funcin tan-sigmoidea. Para el entrenamiento y pruebas las entradas de la RNA fue un vector
conformado por las 20 bandas de la frecuencia, desviacin estndar, simetra estadstica y curtosis. En la Fig. 3a se
muestra el diagrama de flujo utilizado para el procesamiento de la seal. Para la evaluacin del clasificador se utilizo
la matriz de confusin y las curvas ROC, en caso de que no se satisfaga con el 85% o mas del porcentaje de
clasificacin, se procede a entrenar la red con unos nuevos pesos iniciales aleatorios o se incrementa el nmero de
neuronas en la capa oculta hasta alcanzar el valor esperado del porcentaje de clasificacin de un 85% o mas para
cada una de las fallas a clasificar.

(b)

(a)
Fig. 3 a) Diagrama de flujo del proceso de entrenamiento y prueba b) Matriz de Confusin

ANLISIS DE RESULTADOS
El entrenamiento se realiz en primera instancia con las ocho fallas indicadas en la Tabla 1, usando los datos de la
falla engranaje con inicio de rotura que es una falla incipiente se obtuvo un 66% de clasificacin para sta falla, en
la prueba de la red neuronal entrenada, en segunda instancia no se usaron los datos de la falla anterior, se itero la
rutina de entrenamiento 500 veces, en un tiempo de 34 34, obteniendo los resultados indicados en la matriz de
confusin de la Fig. 3b, en la cual el orden de las fallas esta de acuerdo con la Tabla 1, se puede observar que el
porcentaje global de clasificacin es del 92.6% y el error total es de 7.4%, para siete fallas. Para la falla 4 se obtiene
el menor porcentaje de clasificaciones verdaderas positivas, esto debido a que un fallo de este tipo tiene cambios casi
imperceptibles en las caractersticas medidas con respecto a la condicin normal de operacin, esto se evidencia
observando que en la matriz de confusin se clasifica 1.2%, 1% y 0.7% de veces como la falla 1 condicin normal,
falla 3 y falla 2 respectivamente, notando que mayormente hay confusin entre la falla 4 y la condicin normal. La
Falla 7 del tipo diente de engranaje roto presenta caractersticas acentuadas por lo que tienen los porcentajes mas
altos de clasificaciones verdaderas positivas.

CONCLUSIONES
Este tipo de clasificadores pueden apoyar a la planeacin de mantenimiento en la industria, para disminuir los
costos y garantizar el sistema de produccin contina, adems que con los equipos adecuados se podra tener
diagnstico en lnea.
Con este mtodo es posible clasificar fallos del tipo diente de engranaje roto con diferentes porcentajes de rotura,
con lo que se podra desarrollar un clasificador que evalu adems la dimensin de la rotura que tiene un diente del
engranaje. Con base a los resultados obtenidos y las arquitecturas de clasificadores fundamentadas en inteligencia
artificial, a futuro se plantea el desarrollo de un algoritmo automtico de seleccin de caractersticas de falla, de esta
manera se podra utilizar el clasificador implementado con facilidad en otros tipos de engranajes como los
helicoidales u otro tipo de componente mecnico como rodamientos, para la clasificacin y diagnostic de fallas
mecnicas desde sus fases iniciales y en una gama extendida de casos de falla, a partir de las seales de vibracin,
permitiendo de esta manera tener un control y planificacin mas eficiente del mantenimiento de las mquinas
rotativas. A su vez tambin con los datos obtenidos de las seales de vibracin se puede realizar una comparacin
entre cada uno de los mtodos de clasificacin estudiados actualmente para los casos de falla propuestos en este
documento.

REFERENCIAS
[1]
[2]
[3]

[4]
[5]
[6]
[7]
[8]

P. Amit Aherwar,, A. K. Md. Saifullah Khalid, and K. B., Vibration analysis techniques for gearbox
diagnostic: a review, International Journal of Advanced Engineering Technology, vol. 2008.
Y. Lei, M. J. Zuo, Z. He, and Y. Zi, A multidimensional hybrid intelligent method for gear fault diagnosis,
Expert Systems with Applications, vol. 37, no. 2, pp. 14191430, Mar. 2010.
A. K. S. Jardine, D. Lin, and D. Banjevic, A review on machinery diagnostics and prognostics implementing
condition-based maintenance, Mechanical Systems and Signal Processing, vol. 20, no. 7, pp. 14831510, Oct.
2006.
P. Jayaswal, A. Wadhwani, and K. Mulchandani, Machine fault signature analysis, International Journal of
Rotating Machinery, 2008.
Z. Yang, W. I. Hoi, and J. Zhong, Gearbox fault diagnosis based on artificial neural network and genetic
algorithms, in System Science and Engineering (ICSSE), 2011 International Conference on, 2011, pp. 3742.
M. K. P. Vee and R. . Kreidl, Gearbox Condition Monitoring Using Advanced Classifiers. .
A. Doekal, M. Kreidl,, and R. md, Evaluation of Methods used for Separation of Vibrations Produced by
Gear Transmissions. Acta Polythecnica, Jun-2008.
I. A. Abu-Mahfouz, A comparative study of three artificial neural networks for the detection and classification
of gear faults, International Journal of General Systems, vol. 34, no. 3, pp. 261277, Jun. 2005.