DETECCIÓN DE FALLAS EN RODAMIENTOS DE UN MOTOR DE INDUCCIÓN

TRIFÁSICO TIPO JAULA DE ARDILLA EMPLEANDO ANÁLISIS DE

VIBRACIONES.

PRESENTADO POR:
MARIA MÓNICA MARTÍNEZ AMAYA
CÓDIGO: 58309
VERÓNICA ISABEL DIX SÁNCHEZ
CÓDIGO: 53548

DIRECTOR:
MANUEL VICENTE VALENCIA
INGENIERO ELECTRICISTA M.Sc.

PONTIFICIA UNIVERSIDAD JAVERIANA CALI

FACULTAD DE INGENIERÍA
INGENIERÍA ELECTRÓNICA
SANTIAGO DE CALI
FEBRERO 2017

1
 DETECCIÓN DE FALLAS EN RODAMIENTOS DE UN MOTOR DE INDUCCIÓN
TRIFÁSICO TIPO JAULA DE ARDILLA EMPLEANDO ANÁLISIS DE
VIBRACIONES.

MARIA MÓNICA MARTÍNEZ AMAYA

CÓDIGO: 58309
VERÓNICA ISABEL DIX SÁNCHEZ
CÓDIGO: 53548

Propuesta de trabajo de grado presentado como requisito para optar al

título de Ingeniero Electrónico

DIRECTOR:
MANUEL VICENTE VALENCIA
INGENIERO ELECTRICISTA M.Sc.

PONTIFICIA UNIVERSIDAD JAVERIANA CALI

FACULTAD DE INGENIERÍA
INGENIERÍA ELECTRÓNICA
SANTIAGO DE CALI
FEBRERO 2017

2
 ARTÍCULO 23 de la Resolución No. 13
del 6 de Julio de 1946 del Reglamento de la Pontificia
Universidad Javeriana.

“La Universidad no se hace responsable por los conceptos

emitidos por sus alumnos en sus trabajos de grado. Sólo
velará porque no se publique nada contrario al dogma y a
la moral católica y porque la tesis no contenga ataques o
polémicas puramente personales, antes bien, se vea en ella
el anhelo de buscar la verdad y la justicia”

3
Índice
RESUMEN ............................................................................................................................... 8
SUMMARY .............................................................................................................................. 9
CAPITULO 1. ASPECTOS GENERALES .................................................................... 10
1.1 Introducción al problema de investigación .................................................................... 10
1.2 Planteamiento del problema .............................................................................................. 10
1.3 Objetivos ................................................................................................................................ 11
1.3.1 Objetivo General ........................................................................................................................... 11
1.3.2 Objetivos Específicos .................................................................................................................. 11
1.4 Justificación ........................................................................................................................... 12
1.5 Alcance ................................................................................................................................... 12
CAPITULO 2. MARCO TEÓRICO ................................................................................ 13
2.1 Máquinas Eléctricas ............................................................................................................ 13
2.2 Motores Trifásicos Tipo Jaula De Ardilla ...................................................................... 13
2.3 Principio De Funcionamiento ............................................................................................ 14
2.3.1 Modelo Del Motor De Inducción ................................................................................................ 14
2.4 Partes Del Motor Trifásico Tipo Jaula De Ardilla ....................................................... 15
2.4.1 Estator ............................................................................................................................................... 15
2.4.2 Rotor ................................................................................................................................................. 16
2.4.3 Rodamientos ................................................................................................................................... 16
2.5 Fallas En Motores De Inducción ...................................................................................... 18
2.5.1 Fallas En Rodamientos ............................................................................................................... 18
2.5.2 Componentes Y Frecuencias De Deterioro De Un Rodamiento ................................... 21
2.5.3 Predicción Del Grado De Severidad Del Deterioro De Los Rodamientos ................ 22
2.5.4 Fases De Deterioro De Rodamientos ..................................................................................... 23
2.5.5 Técnicas Para Detectar Fallas En Rodamientos ................................................................. 23
2.5.6 Técnicas Para Detectar Fallas Mediante Análisis De Vibraciones .............................. 24
Transformada Rápida De Fourier ........................................................................................................... 25
2.6 Sensores .................................................................................................................................. 29
2.7 Normativas ............................................................................................................................ 31
2.8 Estado Del Arte .................................................................................................................... 32

CAPITULO 3. DISEÑO ...................................................................................................... 34

3.1 Diseño Del Sistema De Detección De Fallas ................................................................... 34
3.2 Selección De Componentes ................................................................................................. 34
3.2.1 Motor ................................................................................................................................................ 34
3.2.2 Sensor ............................................................................................................................................... 35
3.2.3 Acondicionamiento De La Señal ............................................................................................. 37
3.2.4 Etapa De Potencia ......................................................................................................................... 39
3.2.5 Conectores ....................................................................................................................................... 42
3.2.6 Cableado .......................................................................................................................................... 42
3.3 Adquisición De Datos .......................................................................................................... 43
3.4 Interfaz De Usuario Para La Adquisición De Datos .................................................... 43
3.5 Estrategia De Codificación ................................................................................................. 45

4
 3.6 Descripción de la Base De Datos ....................................................................................... 47
3.7 Descripción Interfaz De Matlab ........................................................................................ 48
CAPITULO 4. PRUEBAS Y RESULTADOS ................................................................ 52
4.1 Base De Datos CWR ............................................................................................................ 52
4.2 Base de datos Universidad Javeriana .............................................................................. 59
4.2.1 Resultados Rodamiento De Fabrica ....................................................................................... 59
4.2.2 Resultados Rodamiento 1 .......................................................................................................... 63
4.2.3 Resultados Rodamiento 2 .......................................................................................................... 66
4.3 Conclusiones .......................................................................................................................... 69
4.4 Trabajos Futuros ................................................................................................................. 69

Bibliografía ............................................................................................................................. 71
ANEXOS ................................................................................................................................. 74

Índice de Figuras
Figura 1 Clasificación motores eléctricos de corriente alterna [Fuente: S. J. Chapman, “Maquinas
Eléctricas Rotativas”, Maquinas Eléctricas, McGraw- Hill, Ed. 2004, pp. 241-281] ____________________ 13
Figura 2 Partes de un motor de inducción de corriente alterna tipo jaula de ardilla [Fuente:
Telesquemario de Telemecanique conexión del motor] ____________________________________________________ 14
Figura 3 Circuito equivalente de un motor de inducción [Fuente: IEEE power Enngineering Society.
IEEE Standat Test Procedure for Polyphase Inductions Motors and Generator 2004] ___________________ 14
Figura 4 Estator del motor trifásico tipo jaula de ardilla. [Fuente: A. Strasse, Maquinas Eléctricas
(online). Documento Técnico, Hps System Technik. Disponible en: www.hps-systemtechnik.com] ______ 16
Figura 5 Diseño Rodamiento [Fuente: V. Badiola, “Diseño de Maquinas I”. Ingeniería Mecánica
Aplicada y Computacional.Dpto. Ingeniería Mecánica, cap6.2004] ______________________________________ 17
Figura 6 Clasificación de Rodamientos [Fuente: V. Badiola, “Diseño de Maquinas I”. Ingeniería
Mecánica Aplicada y Computacional. Dpto. Ingeniería Mecánica, cap6.2004] __________________________ 17
Figura 7 Fases de Fallas en Rodamientos _________________________________________________________________ 23
Figura 8 Señal en dominio de tiempo y frecuencia [Fuente: A. Cuevas, “Sistema Para El Diagnostico
Incipiente De Fallas En Motores De Inducción”, Instituto politécnico nacional. México, 2008] ________ 25
Figura 9 Digitalización de una señal analógica [Fuente: J. E. Mejía, “Análisis de Vibraciones en
motores Eléctricos Asíncronos Trifásicos”, Universidad de San Carlos de Guatemala, 2009] __________ 25
Figura 10 Señales envolventes de típicas fallas de rodamientos [Fuente: R. B. Randall, J. Antoni,
“Rolling element bearing diagnostics” Article, Mechanical Systems and Signal Processing, 2010] _____ 29
Figura 11 Arquitectura general del sistema ________________________________________________________________ 34
Figura 12 Pistas PCB del sensor. (B) Sensor ______________________________________________________________ 35
Figura 13 Configuración de Pines amplificador TL072. Fuente> Datasheet TL 072 _____________________ 38
Figura 14 Esquemático módulo de adquisición de señales de vibración __________________________________ 38
Figura 15 (A)Diseño de circuito impreso módulo de adquisición de señales de vibración y conexión a
DAQ. (B) Circuito físico. ____________________________________________________________________________________ 39
Figura 16 Esquema circuito módulo de fuente de alimentación. __________________________________________ 41
Figura 17 Esquema circuito regulador de 3V ______________________________________________________________ 41
Figura 18 Circuito impreso módulo de fuente de alimentación. ___________________________________________ 42
Figura 19 Pines de conexión DAQ 6008 [Fuente: Manual DAQ] _________________________________________ 43
Figura 20 Diagrama de flujo de Labview __________________________________________________________________ 44
Figura 21 Interfaz de usuario Labview. ____________________________________________________________________ 44
Figura 22 Vista superior del acelerómetro con valores de voltaje de salida nominal en cero-g de los ejes.
[Fuente: Datasheet MMA7361] ____________________________________________________________________________ 45

5
Figura 23 Estrategia de codificación _______________________________________________________________________ 46
Figura 24 Diagrama de bloques LabView __________________________________________________________________ 46
Figura 25 Configuración de almacenamiento de las señales ______________________________________________ 47
Figura 26 Inicio de Sesión __________________________________________________________________________________ 47
Figura 27 Página de Inicio _________________________________________________________________________________ 48
Figura 28 Base de datos web _______________________________________________________________________________ 48
Figura 29 Diagrama de flujo de la interfaz de Matlab seccionamiento ___________________________________ 49
Figura 30 Interfaz de Matlab _______________________________________________________________________________ 50
Figura 31 Visualización datos en Excel ____________________________________________________________________ 50
Figura 32 Visualización Ejes (PUJ) ________________________________________________________________________ 50
Figura 33 Opciones de visualización _______________________________________________________________________ 51
Figura 34 Acceso a internet ________________________________________________________________________________ 51
Figura 35 Ejemplo de falla BPFI con la envolvente de Hilbert ____________________________________________ 51
Figura 36 Mapa de posición de los sensores [Fuente: Pagina de la Case Western Reserve
http://csegroups.case.edu/bearingdataccenter-website] ___________________________________________________ 52
Figura 37Análisis Carga 0 falla BPFI de 0,007’’ (Sensor eje) ____________________________________________ 53
Figura 38 Análisis carga 0 falla BPFI de 0,007’’(sensor en el ventilador) _______________________________ 53
Figura 39 Análisis Carga 2 falla BPFO de 0,028’’ (Sensor en el eje) ____________________________________ 54
Figura 40 Análisis Carga 3 falla BPFO de 0,007’’ (sensor eje) ___________________________________________ 54
Figura 41 Análisis Carga 0 falla BSF de 0,028’’ (sensor en el eje) _______________________________________ 55
Figura 42 Análisis Carga 3 falla BSF de 0,028’’ (sensor en el eje) _______________________________________ 55
Figura 43 Análisis Carga 2 falla BSF de 0,007’’ (sensor en el ventilador) _______________________________ 56
Figura 44 Análisis Hilbert y FFT para falla de pista externa _____________________________________________ 58
Figura 45 Instalación del Sensor en el motor ______________________________________________________________ 59
Figura 46 Rodamiento de Fabrica, sin carga, sensibilidad 6G. ___________________________________________ 60
Figura 47 Rodamiento de Fabrica, sin carga, sensibilidad 1,5G __________________________________________ 60
Figura 48 Rodamiento de Fabrica, Carga 50, Sensibilidad 6G. ___________________________________________ 61
Figura 49 Rodamiento de Fabrica, Carga 50, Sensibilidad 1,5G _________________________________________ 61
Figura 50 Rodamiento de Fabrica Carga 50, FFT y Hilbert de los 3 ejes ________________________________ 62
Figura 51 Rodamiento de Fabrica Carga 90, FFT y Hilbert de los 3 ejes ________________________________ 62
Figura 52 Rodamiento 1, sin carga, sensibilidad 6G ______________________________________________________ 63
Figura 53 Rodamiento 1, sin carga, sensibilidad 1,5G ____________________________________________________ 63
Figura 54 Rodamiento 1, carga 90, Sensibilidad 6G ______________________________________________________ 64
Figura 55 Rodamiento 1, carga 90, sensibilidad 1,5G _____________________________________________________ 64
Figura 56 Rodamiento 1 Carga 50, FFT y Hilbert de los 3 ejes ___________________________________________ 65
Figura 57 Rodamiento 1 Carga 90, FFT y Hilbert de los 3 ejes ___________________________________________ 65
Figura 58 Foto del rodamiento 2 ___________________________________________________________________________ 66
Figura 59 Rodamiento 2, sin carga, sensibilidad 6G ______________________________________________________ 66
Figura 60 Rodamiento 2, sin carga, sensibilidad 1,5G ____________________________________________________ 66
Figura 61 Rodamiento 2, sin carga, FFT y Hilbert de los 3 ejes __________________________________________ 67
Figura 62 Rodamiento 2, carga 50, sensibilidad 6G _______________________________________________________ 67
Figura 63 Rodamiento 2, carga 50, sensibilidad 1,5G _____________________________________________________ 68
Figura 64 Rodamiento 2, carga 90, FFT y Hilbert de los 3 ejes ___________________________________________ 68

Índice de Tablas
Tabla 1 Velocidades Sincrónicas de 60Hz [Fuente: Conceptos Básicos Sobre El Uso De Los Motores De
Inducción Trifásicos]. _______________________________________________________________________________________ 16
Tabla 2 Fallas eléctricas y mecánicas en motores trifásicos de inducción [Fuente: Manuel Vicente
Valencia. Detección de Fallas de Cortocircuito entre espiras del Bobinado Estatórico. 2012] __________ 18
Tabla 3 Causas y consecuencias de fallas en rodamientos _______________________________________________ 19

6
Tabla 4 Frecuencias de Fallas de Rodamientos ____________________________________________________________ 21
Tabla 5 Sistemas e indicadores para detección de fallas en rodamientos. ________________________________ 24
Tabla 6 Comparación de sensores __________________________________________________________________________ 30
Tabla 7Principales Normativas _____________________________________________________________________________ 31
Tabla 8 Características del motor de prueba ______________________________________________________________ 35
Tabla 9 Comparación de acelerómetros ____________________________________________________________________ 36
Tabla 10 Comparación de amplificadores _________________________________________________________________ 40
Tabla 11 Datos técnicos cable de instrumentación. ________________________________________________________ 42
Tabla 12 Fallas base de datos CWR para carga cero ______________________________________________________ 56
Tabla 13 Fallas base de datos CWR para carga 2 _________________________________________________________ 57
Tabla 14 Fallas base de datos CWR para carga 3 _________________________________________________________ 57
Tabla 15 Porcentajes para la base de datos CWR _________________________________________________________ 58

7
 RESUMEN

Los motores eléctricos son una parte fundamental del proceso de producción industrial
y su indisponibilidad tiene un gran impacto en los resultados de las compañías. El
porcentaje de falla más alto en los motores se presenta por fallas en los rodamientos y
por esta razón las empresas realizan inversiones cuantiosas en equipos de diagnóstico
y capacitación del recurso humano para diagnosticar y/o identificar dichas fallas y evitar
paradas de emergencia que afecten la producción. En los motores eléctricos la forma
más usada en la industria para detectar e identificar las fallas de rodamiento es por
medio del análisis de vibraciones.

Todo rodamiento en falla genera componentes de frecuencia característica que varía de

acuerdo con la ubicación de la falla. La transformada de Fourier y la de Hilbert son dos
técnicas utilizadas para la detección de dichas componentes de frecuencia de falla,
siendo la última técnica la más compleja de las dos.

Este trabajo de grado incluye el diseño e implementación de una etapa de adquisición de

datos, la cual consta de un acelerómetro posicionado en la carcasa (cerca del eje) de un
motor trifásico tipo jaula de ardilla y de un circuito de acople cuya función es proteger
el dispositivo de comunicación (sensor-computador). Las señales de voltaje
proporcionadas por el sensor son almacenadas en una base de datos web asequible al
usuario.

La información obtenida es analizada utilizando las técnicas de la transformada rápida

de Fourier y la transformada Hilbert, con el objetivo de contrarrestar dichos métodos
por medio de los datos obtenidos. El equipo que se tomó como piloto para identificar
fallas en rodamientos por medio del análisis de vibraciones fue el motor siemens
trifásico tipo jaula de ardilla de 0,5HP de la Universidad Javeriana Cali.

Palabras clave: Análisis espectral, Transformada rápida de Fourier, Transformada de

Hilbert, Análisis envolvente, Motores de inducción, fallas en rodamientos, Matlab,
Labview.

8
 SUMMARY
Electric motors are a fundamental part of the industrial production process and their
unavailability has a great impact on the companies' results. The highest failure rate in
motors is due to faults in bearings and for this reason companies make substantial
investments in diagnostic and human resource training equipment to diagnose and / or
identify such failures and avoid emergency stops that affect the production. In electric
motors the most widely used way in the industry to detect and identify bearing failures
is by means of vibration analysis.

Any fault bearing generates characteristic frequency components that vary according to
the location of the fault. The Fourier transform and the Hilbert transform are two
techniques used for the detection of those fault frequency components, the latter
technique being the more complex of the two.

This work includes the design and implementation of a data acquisition stage, which
consists of an accelerometer positioned in the housing (near the axis) of a three-phase
squirrel-cage motor and a coupling circuit whose function is to protect The
communication device (sensor-computer). The voltage signals provided by the sensor
are stored in a web database accessible to the user.

The obtained information is analyzed using the techniques of the Fourier transform and
Hilbert, with the aim of counteracting these methods by means of the data obtained. The
equipment that was taken like pilot to identify failures in bearings by means of the
analysis of vibrations was the squirrel cage three phase siemens motor of the University
Javeriana Cali.

Keywords: Spectral analysis, Fast Fourier Transform, Hilbert Transform, Enveloping

analysis, Induction motors, Bearing failure, Matlab, Labview.

9
 CAPITULO 1. ASPECTOS GENERALES

1.1 Introducción al problema de investigación

En la actualidad, los fabricantes de motores eléctricos presionados por las exigencias de

la industria y de las normas internacionales enfocan sus diseños en la producción de
equipos más eficientes y con mayor vida útil. Es común encontrar motores fabricados
con eficiencias superiores al 90% y con garantías hasta de 5 años, motores que antes no
se tenían. No obstante, el tiempo, las temperaturas de trabajo, las sobrecargas anormales
de los procesos, el número de arranques por día, las condiciones ambientales y
problemas de lubricación, entre otros [1] afectan la vida útil del motor.

De manera que los anteriores factores aumentan la probabilidad de falla de cualquiera

de los componentes del motor: rodamientos, devanados del estator y rotor. Estudios
realizados en la industria muestran que el 40% de las fallas de los motores eléctricos de
inducción se presenta en los rodamientos del motor, 40% en el estator, 10% en el rotor,
y 10% otros. [16]

Para garantizar la continuidad de los procesos productivos en la industria, se debe

trabajar en la detección de las fallas de los motores en su etapa incipiente y en la
corrección oportuna de ellas con el fin de reducir el daño de los equipos, los costos de
reparación y el impacto sobre la producción.

Los fabricantes de equipos de prueba y de mantenimiento predictivo, movidos por la

necesidad de la industria, han diseñado equipos portátiles para detectar diferentes tipos
de fallas en motores eléctricos de inducción como: medidores de aislamiento, equipos
de evaluación de circuitos de motores (MCE) y analizadores de vibración. Sin embargo,
el costo de ellos es inalcanzable para algunas empresas y su utilización requiere de
recurso humano con experiencia para la realización de rutas de mantenimiento
predictivo y la determinación del tipo y criticidad de la falla.

En la detección de fallas utilizando analizadores de vibración, existen diferentes

técnicas como la frecuencia basada en la transformada de Fourier. Una detección
temprana reduce el impacto en la producción y en los costos de reparación, pero
requiere de herramientas de análisis un poco más complejas y más efectivas para que
permitan diagnosticar problemas en su fase primaria y tomar acciones correctivas en
forma oportuna.

1.2 Planteamiento del problema

¿Cuáles son las diferencias posibles entre los resultados obtenidos por distintas técnicas
de análisis de señales para el diagnóstico de fallas de rodamientos en máquinas
eléctricas a través de vibraciones?

10
1.3 Objetivos

1.3.1 Objetivo General

Contrastar las técnicas de la trasformada de Fourier y la transformada de Hilbert para el
diagnóstico de fallas en rodamientos en motores de inducción mediante el análisis de
vibraciones.
1.3.2 Objetivos Específicos

§ Seleccionar metodologías, algoritmos basadas en análisis de vibraciones
mecánicas empleadas para la detección de fallas de rodamientos en motores de
inducción.
§ Diseñar una interfaz para la detección de fallas de rodamientos en un motor de
inducción por medio del análisis de vibración.
§ Implementar 2 algoritmos para detección de fallas de rodamientos en motores de
inducción, a partir del análisis de vibraciones.
§ Definir y validar cuál de las técnicas permite identificar la falla en forma en más
precisa y oportuna.

11
1.4 Justificación

Los motores de inducción son responsables en los países industrializados del 40% al
50% del consumo total de energía, siendo entonces estos los pilares del sistema
productivo. Estudios recientes indican que el 90% de los fallos en máquinas ocurren a
raíz del funcionamiento anormal de los componentes internos. Existen diversas técnicas
para detectar fallas en los motores de inducción. Estas van desde análisis de vibración y
temperatura hasta inyección de corriente o MCSA. [2].

Los costos de reparación de un motor y el impacto que tiene en la producción la parada

por emergencia del mismo, obligan a las empresas a mejorar los sistemas de protección
y a invertir en equipos que permitan detectar fallas en su etapa incipiente para corregir
en forma programada los problemas que se detecten.

Las estadísticas de los principales fabricantes de rodamientos indican que cerca del 16%
de los rodamientos fallan por almacenamiento, transporte o instalación inadecuada. El
84% restante son instalados libres de defectos. [3] El 36% de las fallas en rodamientos
son el resultado de una lubricación inadecuada, pobre o excesiva, mezcla de lubricantes
o generación de una película límite de lubricante delgado, a menudo generado por una
excesiva vibración en el eje. El 34% fallan por problemas mecánicos debidos a
desbalance, excentricidad entre eje, desalineación de poleas, vibraciones por desajuste
en la base o por no reemplazar a término fijo los rodamientos sellados.

En la detección de fallas de rodamientos es importante no solamente determinar la

gravedad del daño sino la causa, esta última permite tomar medidas correctivas antes de
intervenir el motor para evitar la repetición de la falla. Cuando se utilizan técnicas
básicas, la detección de la falla suele darse en fases finales debido a la naturaleza de las
fallas que ocurren a altas frecuencias. Cuando están en fases iniciales, por tener
amplitudes muy bajas comparadas con las frecuencias de operación y sus múltiplos a
bajas frecuencias [4] es difícil el reconocimiento.

1.5 Alcance

El proyecto incluye una interfaz de detección de fallas en rodamientos de motores de
inducción por medio del análisis de vibraciones, donde se contrastará la técnica de
análisis espectral, utilizando la trasformada de Fourier y el análisis envolvente
(demodulación) con la aplicación de transformada de Hilbert.

12
 CAPITULO 2. MARCO TEÓRICO
2.1 Máquinas Eléctricas

Las máquinas eléctricas son todos aquellos mecanismos capaces de generar aprovechar
o transformar la energía eléctrica [5]. Una posible clasificación de los motores eléctricos
se puede realizar dependiendo del tipo de corriente que utiliza, ya sea corriente directa o
alterna. La figura1 Describe la clasificación de los motores de corriente alterna.

!"#$ !"#$%&"
!"#$" !"#$%#&'$"(
!"#$%& !" !"#$%&
!"#$%%&ó!
!"#$%&'ó!
!"#"$á!"#$! !"#"$ !"#$%$!& !"#$%&!ó! !" !""!#$%&
!"#$%&'ó! !"#$%%!ó!
!"#$%&%#"#
!"#$%&#& !"#$%&'(%)'
!"á! !"#$%!%&!

!"#$"
!"#$%%&ó!
Polifásicos !"#"$ !"#$%$!&
!"#$%&#&

Figura 1 Clasificación motores eléctricos de corriente alterna [Fuente: S. J. Chapman, “Maquinas Eléctricas
Rotativas”, Maquinas Eléctricas, McGraw- Hill, Ed. 2004, pp. 241-281]

La máquina de mayor aplicación en la industria y utilizados también en

electrodomésticos son los motores asíncronos (MA). Estas máquinas convierten la
mayor cantidad de energía eléctrica en mecánica. Son de sencilla fabricación tienen alta
confiabilidad y alto valor de eficiencia. [5].

2.2 Motores Trifásicos Tipo Jaula De Ardilla

Debido a su altísima fiabilidad, su sencilla y por consiguiente su diseño económico,
bajo costo de mantenimiento, el motor de rotor de jaula de ardilla es el motor más
utilizado en los procesos industriales. Debido al diseño del rotor, se le conoce con el
nombre de rotor en cortocircuito.

Las barras del devanado van conectadas a unos anillos conductores denominados anillos
extremos. El bobinado así dispuesto tiene forma de jaula de ardilla [6]. (Ver figura 2)

13

Figura 2 Partes de un motor de inducción de corriente alterna tipo jaula de ardilla [Fuente: Telesquemario de
Telemecanique conexión del motor]

2.3 Principio De Funcionamiento

La operación del motor trifásico de inducción tipo jaula de ardilla está basada en la
aplicación de la ley de inducción electromagnética de Faraday y la fuerza de Lorentz en
un conductor. Cuando el devanado del estator se conecta a una fuente de suministro
trifásica, se produce un campo magnético de una magnitud constante y que gira
alrededor de la periferia del rotor a una velocidad sincrónica. Éste campo rotatorio
induce una fuerza electromotriz en el devanado del rotor. Como el rotor está constituido
por barras cortocircuitadas, la tensión inducida produce también una corriente inducida
en ellas, produciendo su vez su propio campo magnético, mismo que interactúa con el
campo magnético principal, experimentándose una fuerza o par que hace girar al rotor.
A este par desarrollado se le conoce como par de arranque [7].
2.3.1 Modelo Del Motor De Inducción

En la figura 3 se observa el circuito equivalente de un motor de inducción tipo Jaula de
Ardilla.

Figura 3 Circuito equivalente de un motor de inducción [Fuente: IEEE power Enngineering Society. IEEE
Standat Test Procedure for Polyphase Inductions Motors and Generator 2004]

14
Ecuaciones electromagnéticas del motor de inducción trifásico:

El motor de inducción trifásico está conectado a una fuente de suministro trifásica de
corriente alterna, donde cada fase presenta un desfase de 2pi/3 una de la otra. Las
corrientes de las tres fases están definidas por [8]:

!! !!
!! = !! cos !" − ∅ ; !! = !! cos !" − ∅ + !
; !! = !! cos !" − ∅ + !
(1)

En donde Ia, Ib e Ic son las corrientes de la fase A, B y C respectivamente. Im es el pico

de la frecuencia fundamental para cada fase, ∅ es el angulo de retraso del factor de
potencia en (e.rad) y t es el tiempo en (segundos). La suma de estas es igual a cero [8].

La fase de los voltajes también está desfasada por 120, e. Rad. Tomando el voltaje de
fase, Va como referencia, los tres voltajes de fase están definidos como:

2! 4!
!! = !! cos !" ; !! = !! cos !" − ; !! = !! cos !" − (2)
3 3
En donde Va, Vb y Vc son los voltajes de la fase A, B y C respectivamente. Vm es el
pico fundamental de voltaje. La sumatoria de todos los voltajes es igual a cero.

La reactancia del rotor de la maquina se representa mediante la fórmula:

!
!! = .! (3)
!! !!
La resistencia del rotor de la maquina se presenta mediante la siguiente formula:

! !
!! !! !!
!!! = !
−!!! . 1 + − . !!! ! !"! (4)
!" !! !! !!

La resistencia del estator !!! es igual a un medio de la resistencia media línea a línea de
las resistencias del devanado.

2.4 Partes Del Motor Trifásico Tipo Jaula De Ardilla

El motor de inducción tipo jaula de ardilla consta de once partes descritas en la figura 2,
Dichas partes son: tapa frontal, caja de conexiones, placa de datos, rotor, ventilador,
tapa del ventilador, tapa de la caja de conexiones, estator, tornillos de sujeción,
rodamientos y empaques.
2.4.1 Estator

La parte fija del motor tipo jaula de ardilla se denomina soporte o estator. Se compone
de una carcasa y un núcleo laminado con ranuras, en el que está alojado el devanado de
corriente trifásica [9].

15
 Figura 4 Estator del motor trifásico tipo jaula de ardilla. [Fuente: A. Strasse, Maquinas Eléctricas (online).
Documento Técnico, Hps System Technik. Disponible en: www.hps-systemtechnik.com]

El bobinado del estator está formado por tres bobinados individuales que se superponen
y están decalados con un ángulo eléctrico de 120°. Cuando se conecta a la alimentación,
la corriente de entrada primero magnetiza el estator. Esta corriente de magnetización
genera un campo rotativo que gira con la velocidad de sincronismo ns. [12].

!
!é!"#$%&% !" !"#$%&#"!'&! !! = 60 (5)
!

ns = velocidad de sincronismo/minuto.
f= frecuencia de la red s-1.
p= número de pares de polos.

Las velocidades sincrónicas de un circuito de 60 Hz se indican en la Tabla1. Las

velocidades en un circuito de 50Hz son un 20% más bajas. [12].

Tabla 1 Velocidades Sincrónicas de 60Hz [Fuente: Conceptos Básicos Sobre El Uso De Los Motores De
Inducción Trifásicos].

Pares de polos
2p 2 4 6 8 10 12 16 24 32 48
ns en rpm 3600 1800 1200 900 720 600 450 300 226 150

2.4.2 Rotor

El rotor está compuesto por un núcleo laminado con ranuras. En estas ranuras se
introducen unas barras conductoras de aluminio o cobre, o se inyectan unas barras de
aluminio moldeadas a presión, que están conectadas entre sí mediante anillos de
cortocircuito en los lados frontales. Las barras y los anillos de cortocircuito forman una
jaula y constituyen el devanado o bobinado del rotor. La disposición inclinada de las
barras consigue un funcionamiento uniforme [9].
2.4.3 Rodamientos

Los rodamientos aseguran un enlace móvil entre dos elementos de un mecanismo, uno
que se encuentra en rotación con respecto a otro; siendo su función principal el de
permitir la rotación relativa de dichos elementos bajo carga, con precisión y con un
rozamiento mínimo [10].

Los rodamientos son elementos mecánicos presentes en la mayoría de las máquinas

rotativas. Su vida útil depende de una serie de factores: la carga, la velocidad de trabajo,
la lubricación, el montaje, la temperatura, las fuerzas exteriores causadas por
desalineaciones, desequilibrios, etc., de ahí que sea prácticamente imposible determinar
su duración por métodos analíticos. La importancia y criticidad de estos elementos hace

16
necesaria la utilización de técnicas modernas de mantenimiento predictivo (algunas
basadas en el análisis de vibraciones) que contribuyan a un mejor reconocimiento de su
estado y, por lo tanto, de la disponibilidad de las máquinas rotativas en las que están
instalados.

Es importante para el diagnóstico de rodamientos, identificar los defectos mediante el

diagnóstico espectral y de la onda en el tiempo; y determinar los factores a tener en
cuenta para predecir el grado de deterioro o severidad del daño en el rodamiento, con el
fin de estimar la vida útil restante del mismo. Hay que tener en cuenta que el análisis
espectral de vibraciones, además de indicarnos en todo momento el estado del
rodamiento, va a ser una herramienta imprescindible para determinar la causa raíz de
fallos crónicos en rodamientos y erradicarlos definitivamente. [11]

Figura 5 Diseño Rodamiento [Fuente: V. Badiola, “Diseño de Maquinas I”. Ingeniería Mecánica Aplicada y
Computacional.Dpto. Ingeniería Mecánica, cap6.2004]

2.4.3.1 Clasificación de Rodamientos

Los rodamientos pueden clasificarse en dos tipos: rodamientos de bolas y rodamientos
de rodillos (Figura 6). Ambos se fabrican para soportar cargas radiales, axiales o una
combinación de ambas.

Figura 6 Clasificación de Rodamientos [Fuente: V. Badiola, “Diseño de Maquinas I”. Ingeniería Mecánica
Aplicada y Computacional. Dpto. Ingeniería Mecánica, cap6.2004]

17
2.5 Fallas En Motores De Inducción

Una falla en un componente se define usualmente como una condición de reducción de

la capacidad de la maquina comparada con los requisitos mínimos especificados para un
correcto funcionamiento y se presenta como resultado del desgaste, mal diseño, errores
en el montaje o combinación de estas. Si una falla no se detecta o se permite que la falla
se desarrolle podría conducir a insuficiencias [13].

El detectar fallas en una máquina rotatoria permite evaluar su condición y su eficiencia

de funcionamiento ya que en la mayoría de los casos los desperfectos conducen a un
consumo mayor de energía eléctrica y al desmejoramiento de la potencia reactiva,
provocando un bajo factor de potencia, el cual es penalizado por las empresas
distribuidoras de energía eléctrica [14].

En general, las fallas en motores pueden derivarse de diferentes factores, los cuales se
pueden clasificar de la siguiente manera:

Tabla 2 Fallas eléctricas y mecánicas en motores trifásicos de inducción [Fuente: Manuel Vicente Valencia.
Detección de Fallas de Cortocircuito entre espiras del Bobinado Estatórico. 2012]

Causa
Fallas de aislamiento,
Transitorios en la fuente de
Corto entre espiras del suministros, Humedad,
Contaminación por aceite
Fallas en Motores de Inducción tipo Jaula de Ardilla
Efecto
Calentamiento, Desbalance
magnético, vibraciones, aumento
de las pérdidas, disminución de
la eficiencia

estator
Fallas Eléctricas

Abrasión de los devanados del

Fallas Fase a tierra de las
bobinas del estator
Agrietamiento de Anillos
de Corto circuito
Rotura parcial o total de las
barras
Fallas Mecánicas
Desbalance magnético,
estator, Fallas de aislamiento
pulsaciones en el torque
de los devanados
Cambios bruscos de velocidad,
transitorios en la alimentación, Vibraciones, variaciones en el
sobre torque, defectos de torque, armónicos de corriente
fabricación
Transitorios en la alimentación, Desbalance magnético, aumento
sobrecarga mecánica, estrés de las pérdidas, disminución de
magnético y mecánico la eficiencia
Desbalance en la carga,
Defectos en la instalación, Vibraciones, ruido, oscilaciones
Excentricidad del rotor, Falta del par

Fallas en Rodamientos de Lubricación

Excentricidad Estática
Excentricidad Dinámica
Defectos de fabricación,
defectos en el acople con la
carga
Defectos de fabricación, fallas
en rodamientos
Fuerzas radiales de desbalance
entre rotor y el estator
Variación de la densidad de
campo magnético, vibraciones
mecánicas generación de par
pulsante

2.5.1 Fallas En Rodamientos

Investigaciones demuestran que los rodamientos operan aproximadamente el 80% de su
vida útil libres de defectos Las fallas más comunes en rodamientos se describen en la
tabla3.[15]

18
Tabla 3 Causas y consecuencias de fallas en rodamientos
Falla Causas Consecuencias Imagen
Carga de servicio superior a la esperada o fuerza de montaje elevada.
Montaje inadecuado que distorsione las pistas o genere desalineación. Desarrolla un agrietamiento en las
Fatiga Gradientes de temperatura que generen esfuerzos térmicos elevados. superficies con posterior pérdida de
superficial Consecuencia de la indotación, corrosión, descarga eléctrica o ludimiento. material: poco profundo (micro-
picado) o profundas (macro-picado)
Lubricante o lubricación inadecuada
Problemas en el aislamiento eléctrico, contaminación del lubricante con líquidos o partículas El paso de corriente AC o DC a
conductoras o ausencia de polo a tierra en maquinaria que lo requiera. través del rodamiento genera arcos
Descarga eléctricos entre los elementos
eléctrica No usar rodamientos con aislamiento eléctrico cuando la aplicación lo requiere. rodantes, las pistas y las jaulas,
Proceso de reparación inadecuado por soldadura de una máquina, que haga circular la corriente a erosionando las superficies debido a
fusión a pequeña escala.

través de los rodamientos (inapropiada ubicación de la pinza o masa).
Contaminación del lubricante con partículas abrasivas provenientes del medio.
se presenta con la generación de un
Contaminación del lubricante con partículas metálicas provenientes de una zona desgastada. rayado abrasivo sobre las superficies
Desgaste
de rodadura y también sobre las
abrasivo Problemas en sellos y/o filtrado del sistema de lubricación.
jaulas, indicando que se está
Montaje y/o mantenimiento inapropiado que permite el acceso de partículas al lubricante perdiendo material por abrasión

Lubricante inapropiado por baja viscosidad y/o bajo índice de viscosidad y/o falta de aditivos de
extrema presión y/o temperatura de operación alta. Se presenta con la pérdida de
material por contacto metal - metal
Desgaste Lubricación inapropiada por bajo caudal y/o baja presión. entre las partes en rodamiento
adhesivo incluyendo las jaulas, producto de la
Degradación del lubricante por sobre-temperatura y/o contaminación con otros fluidos.
pérdida parcial o total de la película
lubricante.
Sobre-velocidad y/o sobre-temperatura de operación.
Contaminación del lubricante con agua, otros lubricantes o fluidos de la máquina. Se genera ataque corrosivo sobre las
Corrosión
Degradación del lubricante por tiempo o por sobre-temperatura. superficies de rodadura o las jaulas,
19
 Mala selección del lubricante por ausencia o deficiencia de aditivos antioxidantes y anti-herrumbre. por la acción del lubricante o de otro
fluido que entra en contacto con el
Problemas en sellos del sistema de lubricación. rodamiento, generándose daño
superficial y depósitos.
Mal almacenamiento o manipulación.

Contaminación del lubricante con partículas abrasivas provenientes del medio. Es la generación de cráteres o
hendiduras sobre las superficies de
Contaminación del lubricante con partículas metálicas provenientes de una zona desgastada. rodadura, producto de la
deformación plástica derivada de
Problemas en sellos y/o filtrado del sistema de lubricación. fuerzas de contacto excesivas entre
Indentación
los elementos del rodamiento
Sobrecarga sobre el rodamiento especialmente por impactos durante operación o un mal montaje.
(macro-indentación) y/o por
presencia de partículas
contaminantes entre ellos (micro-
Fuerza de apriete (montaje) elevada indentación).
Montaje incorrecto con impactos o excesiva fuerza de apriete.
Mala lubricación, carga excesiva o desgaste adhesivo. Las pistas o las jaulas presentan
Excesiva velocidad y/o alta vibración (crítico para las jaulas). agrietamiento o fractura en montaje
Fractura
o servicio, llevando algunas veces a
Desalineación, lubricante contaminado con partículas, consecuencia de picaduras e indentación, giro destrucción total del rodamiento
por ajuste muy holgado o mecanizado irregular de eje o alojamientos.


Selección de ajuste muy holgado. Se presentan depósitos oscuros en
las superficies de apoyo con el eje o
Mecanizado irregular de eje o alojamiento, que no genera presión uniforme.
su alojamiento, indicando que en
Ludimiento Carga elevada o alto estado vibratorio de la máquina. servicio se dieron pequeños
movimientos oscilantes entre las
Deflexiones excesivas de eje o alojamientos en servicio.
partes (desgaste y/o oxidación).
20
2.5.2 Componentes Y Frecuencias De Deterioro De Un Rodamiento

Los rodamientos están formados por varios componentes claramente diferenciados:

pista interior, bolas o rodillos, jaula y pista exterior. El deterioro de cada uno de estos
elementos generará una o varias frecuencias características en los espectros de
frecuencia que nos permitirán una rápida y fácil identificación.

Cada rodamiento tiene unas características geométricas propias a partir de las cuales
podemos determinar sus frecuencias de deterioro. Para la mayoría de los rodamientos
estas frecuencias de deterioro no serán números enteros, por lo que la vibración
dominante, cuando exista un defecto de alguno de los componentes del rodamiento, será
no síncrona (no coincidente con armónicos de la frecuencia de giro). Cuando alguno de
los componentes del rodamiento está dañado se distingue en el espectro de frecuencias,
la frecuencia fundamental correspondiente al elemento dañado, acompañada siempre de
armónicos. La tabla 4 muestra las frecuencias de falla teniendo en cuenta la ubicación
de la falla, la fórmula analítica y la fórmula experimental. [11]

Tabla 4 Frecuencias de Fallas de Rodamientos

Frecuencia Analítica Experimental Características Imagen

de falla
Frecuencia Presentar picos
de !! armónicos de la
deterioro ! !! cos ! frecuencia de
0,4xNgxRPM
de la pista = ! 1− deterioro (entre 8
exterior 2 ! !! y 10 armónicos)
(BPFO)
Presentan varios
Frecuencia picos armónicos
de !! de la frecuencia
deterioro ! !! cos ! de deterioro
0,6xNgxRPM
de la pista = ! 1+ (entre 8 y 10)
interior 2 ! !! modulados por
(BPFI) bandas laterales a
1x RPM
El armónico de
mayor amplitud
Frecuencia nos suele indicar
de el número de
deterioro !! bolas o rodillos
de los !! !! deteriorados.
= 1
elementos 2!! Normalmente
rodantes − !! cos ! ! van acompañadas
(BSF) por defectos en
pista.

Va acompañado
Frecuencia por defectos en
fundamenta pistas y suelen
l de tren o !! !! cos ! modular a estas
de !! = 1− 0,4xRPM frecuencias como
deterioro 2 !! sumas y/o
de la jaula diferencias de
(FTF) frecuencias.

Calculo de la frecuencia de falla teniendo en cuenta las características físicas del rodamiento, dado por el fabricante.
N: es el número de bolas del rodamiento y fr es la frecuencia de rotación del rotor en RPS. Fórmulas experimentales
aproximadas para determinar las frecuencias de falla sin tener parámetros físicos del fabricante. Se tiene en cuenta la
velocidad de giro (RPM) y el número de bolas(N).

21
Las frecuencias de deterioro de los rodamientos, según las fórmulas matemáticas
expresadas anteriormente, dependen del ángulo de contacto, de ahí que cualquier
pequeña variación de éste se traducirá en una variación de las frecuencias ideales de
deterioro del rodamiento, dificultando la identificación de dichas frecuencias en el
espectro. Las causas que pueden producir variaciones del ángulo de contacto pueden ser
muy diversas: desalineaciones, dilataciones térmicas, aprietes excesivos, picaduras en
las pistas, etc. Todo esto influirá en que las frecuencias pre-calculadas de antemano
(ideales) no coincidan exactamente con las frecuencias que aparecen en el espectro
(frecuencias reales), por lo que en muchos casos hay que permitir cierto error a la hora
de identificar las frecuencias de defecto.
2.5.3 Predicción Del Grado De Severidad Del Deterioro De Los Rodamientos

Cuando se realiza análisis espectral de un problema en un rodamiento, leer la vibración

a alta frecuencia es el primer indicador del inicio de deterioro de un rodamiento, ya que
los impactos de un pequeño defecto suelen excitar las frecuencias naturales de las pistas
de rodadura (a alta frecuencia). Estas medidas se realizan en unidades de aceleración en
la banda comprendida entre 1 y 20 kHz.

Si existe deterioro de pistas de un rodamiento suelen aparecer, en los espectros, los

armónicos a altas frecuencias con bajas amplitudes en fases tempranas. La
identificación permite conocer la etapa inicial de deterioro de un rodamiento y poder
realizar un seguimiento de su evolución, permitiéndonos planificar su cambio con la
suficiente antelación. A medida que el daño progresa aumentarán las amplitudes de las
frecuencias de fallo localizadas inicialmente y aparecerán armónicos intermedios de
dichas frecuencias de fallo, hasta que, en una etapa final, de máxima severidad del daño,
aparecerán claramente los primeros armónicos de las frecuencias de fallo. La aparición
de otras frecuencias de fallo del rodamiento indicará una mayor severidad del defecto.

Las frecuencias de deterioro en pistas de un rodamiento suelen ir acompañadas por

bandas laterales cuya diferencia de frecuencia con respecto a las fundamentales
coinciden con la frecuencia de giro. Otra frecuencia que puede modular las frecuencias
de deterioro en pista de un rodamiento es la FTF o frecuencia de deterioro de las jaulas
del rodamiento, indicando un mayor deterioro del rodamiento. El aumento del número y
amplitud de estas bandas laterales indicará la progresión del daño. Para velocidades de
giro de 50 Hz o superiores se acelera la degradación considerablemente, mientras que
para velocidades por debajo de 5 Hz la progresión del defecto es muy lenta pudiendo
prolongarse durante varios meses.

Cuando hay deterioros importantes del rodamiento pueden desaparecer frecuencias

individuales y aparecer bandas anchas de energía que suelen indicar cambios en la
geometría del rodamiento.

El análisis de la onda en el tiempo puede ayudarnos a la hora de emitir un diagnóstico

del estado del rodamiento. Para rodamientos muy deteriorados se caracterizará por
presentar elevados impactos en aceleración y una diferencia de frecuencia entre crestas
próximas que coinciden aproximadamente con la frecuencia de giro.

El desarrollo de casos históricos nos ayudará bastante a la hora de determinar la

severidad en casos futuros. Por ejemplo, si se identifica un defecto en un rodamiento y

22
se predice una duración de tres semanas será una excelente oportunidad para comparar
el fallo con los datos de vibración obtenidos. Si el defecto es muy grave, la próxima vez
que los niveles alcancen los obtenidos en la última lectura sabremos que el daño es muy
severo. Si, por otro lado, se cambia un rodamiento y presenta un desconchado regular
sabremos que si en el futuro el rodamiento presenta las mismas características todavía
podrá seguir trabajando durante más tiempo. Aunque las máquinas no sean idénticas, es
posible extrapolar los resultados de rodamientos similares, teniendo en cuenta algunas
pequeñas diferencias de comportamiento. [11]
2.5.4 Fases De Deterioro De Rodamientos

El monitoreo periódico de una maquina permite establecer con anticipación la presencia

de un posible deterioro en los rodamientos. Para esto se analizan las etapas o fases de
deterioro y con este análisis se establece la severidad. En la figura 7 se observan las
cuatro fases de deterioro de un rodamiento en presencia de una falla. [11]

Figura 7 Fases de Fallas en Rodamientos

2.5.5 Técnicas Para Detectar Fallas En Rodamientos

Diferentes métodos han sido utilizados para la detección y diagnóstico de defectos de
rodamientos, estos métodos son principalmente:
• Fuera de línea
• En línea.

La tabla 5 resume los sistemas e indicadores para detección de fallas en rodamientos en

motores de inducción [16].

23
Tabla 5 Sistemas e indicadores para detección de fallas en rodamientos.

Tipo Falla en rodamientos

Método Fuera de línea y En línea
Análisis de
Técnica Inspección directa Inspección directa Análisis espectral
estado estable

Desgaste
Vibración,
excesivo, partes Armónicos de
excentricidad Vibraciones
sueltas o rotas, corriente,
dinámica, ruido RMS,
Indicadores baja lubricación potencia,
audible, presencia excentricidad y
presencia de vibraciones,
de limaduras ruido audible
limaduras de velocidad y par
metálicas.
metal

La técnica más usada para el diagnóstico de fallas incipientes en rodamientos es el

análisis espectral de vibraciones, ya que presenta una alta confiabilidad e independencia
con respecto al punto de carga [16].

El análisis frecuencial (o espectral), permite identificar fallas típicas tales como

desbalanceo de rotor, desalineación, solturas mecánicas y defectos en rodamientos. La
idea fundamental del análisis frecuencial es encontrar la relación existente entre la
frecuencia de las componentes discretas presentes en el espectro y la frecuencia de las
fuerzas dinámicas que generan las vibraciones [17].

Distintos componentes del motor eléctrico vibran a frecuencias características. Estas

frecuencias características pueden ser utilizadas para determinar el fallo en el motor con
la ayuda del espectro de frecuencias de las vibraciones.
2.5.6 Técnicas Para Detectar Fallas Mediante Análisis De Vibraciones

Por medio del procesamiento digital de señales se puede extraer el máximo de
información relevante. Diferentes métodos han sido utilizados para la detección y
diagnóstico de fallas. Cada técnica tiene sus propias ventajas para algunas aplicaciones
en particular (como la detección de defectos en rodamientos), tales como: Análisis de
demodulaciones, análisis espectral, análisis de fase de Vibraciones, análisis de Orden,
análisis de órbitas, análisis de wavelet.
2.5.6.1 Análisis Espectral
La esencia del análisis espectral es descomponer la señal vibratoria en el dominio del
tiempo en sus componentes espectrales en frecuencia. Esto permite, en el caso de las
máquinas, correlacionar las vibraciones medidas generalmente en sus descansos, con las
fuerzas que actúan dentro de ella como el mostrado en la Figura 8.

24
Figura 8 Señal en dominio de tiempo y frecuencia [Fuente: A. Cuevas, “Sistema Para El Diagnostico Incipiente
De Fallas En Motores De Inducción”, Instituto politécnico nacional. México, 2008]

Transformada Rápida De Fourier

La transformada de Fourier en la práctica se calcula de modo analógico o de modo
digital. En el modo analógico la señal es filtrada, el resultado es el componente
armónico de la señal. Este cálculo necesita de filtros muy precisos, y es una operación
muy lenta.

Actualmente la señal se analiza de modo digital, primero de filtra, luego se digitaliza en

un convertidor analógico digital, como se observa en la figura 9.

Figura 9 Digitalización de una señal analógica [Fuente: J. E. Mejía, “Análisis de Vibraciones en motores
Eléctricos Asíncronos Trifásicos”, Universidad de San Carlos de Guatemala, 2009]

La digitalización de la señal tiene la ventaja de ser rápido y elimina fuentes de error.

Se llama Transformada de Fourier discreta (TDF) a la que se obtiene digitalmente a
partir de una señal discretizada.

La trasformada rápida de Fourier (FFT por sus siglas en inglés) es un algoritmo para
evaluar de forma rápida la transformada de Fourier discreta y su inversa. Su rapidez en
el cálculo es lo que lo hace muy importante en el análisis de señales. [18]

Son Cooley y Tuckey que fueron acreditados con el descubrimiento de la FFT en 1967,
pero ya existía desde antes, aunque sin las computadoras que se necesitaban para
explotarla. El algoritmo pone algunas limitaciones en la señal y en el espectro
resultante. Por ejemplo: la señal de la que se tomaron muestras y que se va a
transformar debe consistir de un número de muestras igual a un poder de dos. La
mayoría de los analizadores FFT permiten la transformación de 512, 1024, 2048 o 4096
muestras. El rango de frecuencias cubierto por el análisis FFT depende de la cantidad de
muestras recogidas y de la proporción de muestreo. Sean x0, ..., xn-1 números
complejos. La transformada discreta de Fourier (DFT, por sus siglas en inglés) se define
como:

25
 !!!
!!"
!! = !! ! ! ! !" ! = 0, … , ! − 1 (6)
!!!

La evaluación de esa fórmula requiere (n2) operaciones aritméticas. Mediante un

algoritmo FFT se puede obtener el mismo resultado con sólo (n Log n) operaciones.
En general, dichos algoritmos dependen de la factorización de n, pero, al contrario de lo
que frecuentemente se cree, existen FFTs para cualquier n, incluso con n primo.

El procedimiento de descomposición de la DFT se denomina Algoritmo de

Transformada Rápida de Fourier (FFT).

El ahorro o reducción en el número de operaciones es significativo para valores de N

como los que es doble esperar en imágenes prácticas, por ejemplo, para una imagen de
1024 x 1024 pixeles, N = 1024, se tendría:
Con TDF: ! ! = 1.048.576 operaciones complejas. Con FFT: ! ! !"#! N = 10.240
operaciones complejas. [19]

Con una reducción de 102.4:1, el tiempo de cómputo, empleando máquinas

equivalentes, se reduce a menos del 1%.
Si se hace:
!!!
!! = ! ! ! ; ! = 2! = 2! (7)
Se encuentra la ecuación a de la transformada rápida de Fourier

!!! !!!
1 1 !" 1 !" !
! ! = ! 2! !! + !(2! + 1)!! !!! (8)
2 ! !
!!! !!!

La transformada de Fourier discreta inversa (TDFI) se calcula, mediante:

!!!
!!"
!"
!! = !! ! ! ! = 0, … , ! − 1 (9)
!!!
Si definimos
!!"
!"
! ! =! (10)

Entonces la transformada discreta de Fourier ampliada queda:

!! = !! + !! ! ! + !! ! !! + ⋯ + !!!! ! ! (11)

Si se desea obtener x0+x1+x2+…+xn-1 entonces se necesita un total de n2 de sumas

complejas y n2 de productos complejos. Esto conlleva un requerimiento computacional
grande.

La transformada rápida de Fourier aprovecha la periodicidad y simetría del factor W,

también llamado twiddle, para el cálculo de la transformada discreta de Fourier. La
periodicidad implica ! ! = ! !!! y su simetría implica ! ! = −!!!!/!

26
La FFT es un algoritmo eficiente para computar la transformada Discreta de Fourier y
su inversa. Puede detectar el lugar de la falla, es una de las técnicas más usadas para el
diagnóstico de fallas en maquinarias. No hay dependencia con tiempo y esta técnica
presume que la señal inicial es estacionaria. Esta técnica no detecta daños incipientes en
los rodamientos. [18].
2.5.6.2 Análisis De Demodulaciones
El análisis de demodulaciones en amplitud consiste en analizar la envolvente de la señal
temporal de una señal modulada. Este análisis permite determinar más fácilmente la
periodicidad de las modulaciones y detectar problemas tales como [14]:

• Rodamientos picados.
• Engranajes excéntricos o con dientes agrietados.
• Deterioro de álabes en turbinas.
• Problemas eléctricos en motores.

La técnica de la envolvente busca principalmente detectar zonas resonantes excitadas o

moduladas por fuerzas de impacto periódicas, cuya frecuencia de repetición es un
indicador del lugar donde se encuentra el defecto y su amplitud una medida del defecto
y progresión de la falla [20].

El tren de pulsos, que ocasiona el impacto del elemento rodante sobre la pista
defectuosa, puede verse como una señal portadora (dada a altas frecuencias debido a la
resonancia de la carcasa del rodamiento) modulada en amplitud por la envolvente. Esta
envolvente corresponde a la atenuación de la respuesta al impulso producto del
amortiguamiento del conjunto [20]. La frecuencia de interés en la detección de los
defectos de rodamientos es la frecuencia de modulación, la cual corresponde a los
valores de BPFO y BPFI.

La técnica de la envolvente permite extraer las frecuencias de interés a partir de la

definición de la señal modulada. Este proceso implica el uso de una secuencia de
operaciones con la señal de vibración que inicia con la eliminación de componentes de
baja frecuencia asociadas a otras condiciones del equipo rotativo, como desbalanceo o
desalineación. Posteriormente, se usa el detector de envolvente o se demodula la señal a
través de la Transformada de Hilbert, encargada de rectificar la señal y determinar la
señal envolvente con una frecuencia que corresponde a los valores de BPFO y BPFI.
Como última etapa se eliminan las altas frecuencias y se obtiene del espectro de la señal
resultante [20].
Transformada De Hilbert

La transformada de Hilbert es un operador linear, que fue llamado así por David
Hilbert, quien fue el primero en introducir el operador para resolver casos especiales del
problema Riemann-Hilbert para funciones holomorfas. Esta herramienta en análisis de
Fourier provee una técnica concreta para realizar el conjugado armónico o series de
Fourier [21].

La transformada de Hilbert es útil en algunas aplicaciones para análisis de señales. Es

usada para dos diferentes propósitos; para cálculos de envolvente, por ejemplo, para
estudios de señales moduladas, o para crear señales analíticas en las cuales se toma en

27
cuenta la parte real e imaginaria. La transformada de Hilbert de una señal genera una
nueva en el mismo domino que de la procedente original. Por ende, la transformada de
Hilbert de una señal en el tiempo es una señal de tiempo nueva.

La transformada de Hilbert, !(t), de una señal x(t), dado que esta señal exista para −∞ ≤
t ≤ ∞, es una nueva señal dada por:
!
!(!) 1
! ! = !" = x t ∗ (12)
!! !(! − !) !"

donde * denota una convolución. La transformada de Hilbert es un operador lineal,

ejemplo, la transformada de Hilbert de la suma de dos señales es igual a la suma de la
transformada de cada señal por separado.

La convolución en la ecuación 1 corresponde a la multiplicación en el dominio de

frecuencia por la transformada de Fourier de 1/πt. Se puede mostrar que esta
transformada de Fourier está dada por:
−j, f > 0
1
ℱ = −j ∙ sgn f = 0, ! = 0 (13)
!"
!, ! < 0

donde ℱ denota la transformada de Fourier (TF). Dado que la TF de !(t) es:

! ! = ℱ !(!) = −!"#$ ! ! ! (14)

La ecuación 3 puede escribirse como:

!!
e! ! , f > 0
! ! = 0, ! = 0 (15)
!!
e ,! < 0
!

La transformada de Hilbert (TH) de una señal en el dominio del tiempo es igual a un

desplazamiento de fase de ±90o en el dominio de la frecuencia. La TH actúa como un
filtro paso-todo con una amplitud uniforme (plana) y como un desplazamiento en fase
de -90o para frecuencias positivas y +90o para frecuencias negativas. La transformada
inversa de Hilbert que calcula la señal x(t) de !(t), está dada por:
!
! !
! ! =− !" (16)
!! ! ! − !

Pero también se puede escribir como:

!(!) = ℱ !! !"#$ ! !(!) (17)

Es importante notar que la transformada de Hilbert no se conmuta con la transformada

de Fourier, ejemplo:
ℋ ℱ !(!) ≠ ℱ ℋ !(!)

28
donde la hemos denotado la transformada de Hilbert por ℋ[22]
Envolvente Por La Transformada De Hilbert

Figura 10 Señales envolventes de típicas fallas de rodamientos [Fuente: R. B. Randall, J. Antoni, “Rolling
element bearing diagnostics” Article, Mechanical Systems and Signal Processing, 2010]

Una de las aplicaciones más comunes de la TH en análisis de vibración, es en calcular la

envolvente de la correlación de señales o señales moduladas. Para un ruido de ancho de
banda limitado, la auto-correlación de una señal x(t), Rxx(τ), se convierte ampliamente
en una función sinc.

Para usar la transformada de Hilbert para calcular envolventes la variable compleja z(t),
llamada señal analítica en relación a x(t) como se define en la siguiente ecuación:

! ! = ! ! + !! ! (18)

La envolvente de la señal x(t) es definida como la magnitud de z(t). Así, la envolvente

e(t) se determina aplicándole el módulo a la señal analítica, la cual es igual a x(t)+ j! (t),
donde x(t) es la señal a analizar y !(t) es la transformada de Hilbert de x(t) [23]:

! ! = !(!) = ! ! + !!(!) = !! ! + !! ! (19)

y la transformada de Fourier de ! estará dada por:

! ! = −! ∙ !"# ! ∙ ! ! (20)

donde X(f) es la transformada de Fourier de x(t) y

−1 !" ! < 0
!"# ! = (21)
+1 !" ! ≥ 0
2.6 Sensores

El análisis de vibraciones como técnica de diagnóstico de fallas presenta ventaja
respecto a otras técnicas aplicadas a equipos rotatorios como tintas penetrantes,

29
radiografía, ultrasonido, etc., en que la evaluación se realiza con la máquina
funcionando, esto evita las pérdidas que puede generar la detención de una máquina
[14].

Para adquirir la información de la vibración que presenta una maquina es necesario

emplear la instrumentación que permita tomar las señales mecánicas de vibración y
convertirla en un valor de voltaje proporcional con la magnitud medida.

Existe gran variedad de transductores, éstas se pueden ser analógicos, digitales y todo o
nada según la señal de salida. Los utilizados para el análisis de vibraciones son los
analógicos, que dan como salida una señal normalizada de tensión de 0 a 10 Volts o de
corriente de 4-20 mA [18].

Los transductores deben ser precisos a la hora de tomar las lecturas de amplitud,
ofreciendo repetitividad (dos señales de la misma amplitud tendrán que generar en el
transductor la misma salida de tensión) [Anexo 1]. También deben ser muy precisos en
la información de frecuencias de la señal mecánica. Esto es fundamental pues, en
muchos defectos mecánicos, la relación entre sus frecuencias y la frecuencia del eje de
giro que se toma como referencia, proporciona al analista la información precisa para
determinar la naturaleza del defecto mecánico que genera la vibración [11]. Los
sensores que permiten hacer esta medición son: sensor de desplazamiento, sensor de
velocidad y sensor de aceleración.

Tabla 6 Comparación de sensores

SENSOR VENTAJAS DESVENTAJAS

Deben instalarse
permanentemente. lo
que es costoso e
Útil en maquinaria rígida donde se transmite muy imposible en algunos
poca vibración a la carcasa de la máquina casos.
El rango de frecuencias
está limitado entre 0-
Desplazamiento
1.000 Hz.
Se requiere un
acondicionador de
Mide tanto la componente continua como alterna de señal.
una señal vibratoria. Se ven afectados por
errores de lectura
eléctricos y mecánicos.
Mide directamente la velocidad, que es proporcional
Gran tamaño.
a la severidad de la vibración.
La salida del
transductor depende de
la temperatura. La
orientación de la
Velocidad
medida, vertical u
No se necesita fuente externa de alimentación
horizontal del
transductor puede
alterar la señal de
salida del orden de un
5-10%.

30
 Sólo requiere una simple diferenciación o La calibración puede
integración para convertir la señal a otras unidades perderse por el
de amplitud. desgaste y la
Relación de señal muy buena. temperatura
Amplio rango de frecuencia, normalmente entre 2 Necesitan fuente de
Hz y 15.000 Hz alimentación externa.
Ligeros y de tamaño reducido, necesitando La salida de amplitud
pequeñas bases magnéticas. viene dada en unidades
de aceleración. Esta
Aceleración salida debe ser
integrada para obtener
la representación
Se montan fácilmente con adhesivos o atornillados
espectral o el valor
global de amplitud de
velocidad.

Teniendo en cuenta la comparación descrita en la tabla 6 se hace uso del sensor de

aceleración, a pesar que necesita fuentes externa aspectos como ancho de banda de
trabajo, tamaño, facilidad de adherencia hacen ventajosa la implementación de este
sensor frente a los otros dos, los cuales dependen de aspectos adicionales como
temperatura dificultad en la instalación y anchos de banda limitados.

2.7 Normativas

En todos los países del entorno europeo y en la mayor parte de países desarrollados
existen normativas específicas que regulan las vibraciones mecánicas de la maquinaria
industrial, proponiendo criterios de limitación de las mismas, delimitando los
instrumentos y puntos de medida, división en grupos de máquinas, etc. Estas normas se
refieren a las características de los analizadores de vibraciones y sensores. Engloban
aspectos muy diversos como calibración, pruebas de seguridad, agitación y de
temperatura.

Existen diferentes normativas para definir la severidad de una vibración, con respecto al
daño específico que ella puede causar. Por ejemplo, un nivel de vibración puede ser
muy bajo para un tipo máquina, pero puede ser inaceptable para el operario que la
maneja. En la tabla 7 se describen las normas que se tienen en cuenta para el desarrollo
de este trabajo, la profundización de dichas normas se encuentra en los anexos. [11]

Tabla 7Principales Normativas

Org. Código Año Descripción

Vibración mecánica de máquinas con velocidades de operación entre

ISO 2372/2373 1974
100 y 200 rev/s. Se aplica a motores de corriente alterna trifásica y a
motores de corriente continua con alturas de eje entre 80 y 400 mm.
Medida y evaluación de la severidad de vibración en grandes
ISO 3945 1985
máquinas rotativas, in situ con velocidades de operación entre 10 y
200 rev/s.
Vibración mecánica. Evaluación de la vibración en una maquina
ISO 10816 1995
mediante medidas en partes no rotativas. Reemplaza la ISO 2373 y
3945.

31
 ISO 7919 1996 Vibración mecánica de máquinas no alternativas – Medidas en ejes
rotativos y evaluación.
VDI 2056 1964 Evolución de vibraciones mecánicas de maquinaria rotativa.
Reemplazada por la ISO 10816.
Vibración mecánica. Evaluación de la vibración en una máquina
ANSI 2526 2003
mediante medidas en partes no rotativas. Este estándar en idéntico y
ha sido reproducido a partir de la ISO 10816-1.
Vibraciones mecánicas de determinadas máquinas con altura de eje
IEC 34-14 1996
igual o superior a 56mm. Medición, evaluación y límites de la
intensidad de vibración.
BSI 7853 1996 Vibración mecánica. Evaluación de medición de una máquina
mediante medidas en partes no rotativas. Basada en la ISO 10816-1.
API 670 1993 Monitorización en tiempo real y la protección de maquinaria crítica.

Las normas de instrumentación y sistemas de medida engloban aspectos muy diversos
como calibración, pruebas de seguridad, agitación y de temperatura, etc. Asimismo, hay
que cuidar el aspecto de los sensores, particularmente si se piensa utilizar el aparato en
zonas de fábrica potencialmente explosivas (es decir, en este caso, tanto el aparato como
el sensor han de ser intrínsecamente seguros). Algunas de las normas más habituales
que suelen cumplir los aparatos y sensores de medida pueden ser: IEC, MIL y
CISPR.[11]

2.8 Estado Del Arte

En la actualidad, se integran técnicas de detección para mantener las maquinas en
óptimas condiciones y prevenir fallos que ocasionen la pérdida de recursos y
producción. Dichas técnicas se basan en el monitoreo de temperatura, vibración,
corrientes, entre otras.

En la universidad Javeriana Cali en el año 2009 el trabajo de grado de J. S. Muñoz y M.

A. Muñoz Diseñaron e implementaron un prototipo de sistema de análisis de
vibraciones, en el cual a partir del registro de datos de vibración realizaron el análisis
por medio de la transformada de Fourier (FFT), consultando los resultados según las
normas ISO 10816 (Mechanical Vibration – Evaluation of Machine Vibration by
Measurements on non Rotating Parts). Concluyeron, que, en cuanto a las fallas en
rodamientos, el diagnostico resultante era en la fase final de la falla, por consiguiente,
para futuros trabajos se debería implementar métodos más avanzados [4].

Por otro lado, en el 2013, G. Arboleda y M. Narváez desarrollaron un trabajo de grado

basado en la detección de falla de barras rotas en el rotor de un motor de inducción
trifásico, donde al comparar las técnicas de la transformada rápida de Fourier (MCSA)
y la transformada de Hilbert concluyen que la más eficaz es la realizada con la FFT [8].

En la universidad industrial de Santander (Colombia), en el 2006, C. M. Echeverría y A.

M. Mejía desarrollaron un prototipo con el fin de sensar y adquirir señales de vibración
presentes en motores de inducción y detectar fallas por medio de estándares
preestablecidos y normas que indican qué falla se está presentando, basándose en la
evaluación de los picos en cada una de las frecuencias del espectro y los valores RMS
[24].

32
En el 2010, H. O. Carvajal y I. F. Estupiñán presentaron un trabajo de grado para en la
detección de fallas en un motor de inducción usando análisis de vibraciones en
distintos escenarios de carga, donde por medio de la detección de armónicos
fundamentales y el análisis del espectro de frecuencia detectaron de manera exitosa
cada una de las fallas inducidas [25].

En el 2010, S. Quintero et al. por medio de su trabajo de grado Detección De Fallas En

Rodamientos Cónicos Por Medio De La Aplicación De La Técnica De Enveloping
demostrando que el mantenimiento predictivo, resaltando el análisis de vibraciones, es
una herramienta fundamental en el monitoreo de rodamientos, pero es necesario el uso
de técnicas de procesamiento de señales como lo es la técnica de Enveloping, en la
detección de fallas incipientes, por ser éstas, de baja energía y por tanto tienden a ser
desapercibidas en un análisis de vibraciones tradicional [26].

En Instituto politécnico Nacional de México, en el 2008 A. Cuevas identifico fallas de

manera incipiente en motores de inducción por medio del reconocimiento de patrones
de rasgos en órbitas bidimensionales, obtenidos de dos acelerómetros ubicados
ortogonalmente en un motor en un motor de inducción, este tipo de técnica es una de las
más complejas [13].

En el 2009, el articulo por W. Zhaoxia et. al. [27] realiza un análisis de vibración por
medio de la transformada Wavelet que se basa en las señales estacionarias y no-
estacionarias proporcionando un análisis de resolución múltiple (en tiempo y
frecuencia), a diferentes escalas y resoluciones, siendo especialmente útil para la
diagnosis de defectos.

E. Estupiñan y P. Saavedra [17] en su artículo técnicas de Diagnóstico para el Análisis

de Vibraciones de Rodamientos, utilizaron la técnica de demodulación que consistió en
aplicar la señal temporal un filtro pasa alto (o pasa banda) con el fin de aislar zonas
resonantes de alta frecuencia, luego rectificaron la señal modulada, eliminando la
componente continua.

En el 2013, V.P. Raj, K. Natarajan y T. G. Girikumar publicaron Induction Motor Fault

Detection and Diagnosis by Vibration Analysis using MEMS Accelerometer[28] donde
describieron una manera de detectar fallas en todo tipo de maquinas eléctricas por
medio de la FFT y acelerómetros con tecnología MEMS (Micro-Electro-Mechanical
Systems).

Por último, en agosto del 2003, I. Jaksch con su artículo Faults diagnosis of three -
phase induction motors using envelope analysis [29] concluyo que el análisis de
envolvente por medio de la transformada de Hilbert es una buena herramienta para el
análisis de fallas en motores de inducción. La técnica de envolvente por medio de la
transformada de Park es importante para la detección de fallas en el estator.

33
 CAPITULO 3. DISEÑO
Este capítulo corresponde al diseño del sistema de adquisición de datos de vibración y
detección de fallas de rodamientos de motores de inducción. A continuación, se
mostrará las etapas de selección de componentes, diseño del circuito impreso,
descripción de la base de datos y de la interfaz de usuario.

3.1 Diseño Del Sistema De Detección De Fallas

El sistema para detección de fallas en rodamientos consta de cuatro etapas: adquisición

de señal, acople de la señal, almacenamiento de datos y análisis de señales en el
espectro de frecuencia.

Figura 11 Arquitectura general del sistema

El sistema de detección de fallas inicia con la medición de la aceleración en la

superficie de la carcasa del motor. Una vez se adquieren las señales de voltaje se llevan
al circuito de acople el cual permite evitar pérdidas de tensión y además actúa como
circuito de protección para la DAQ. Una vez las señales de voltaje se encuentran en las
entradas análogas de la DAQ se realiza el proceso de conversión análoga digital y el
posterior almacenamiento de la información. El programa de adquisición y
almacenamiento permite realizar la toma de datos, visualización y almacenamiento de la
información en archivos Excel.

Para realizar el análisis en el dominio de frecuencia se leen los archivos de Excel en

Matlab y se analizan por medio de dos técnicas: Transformada rápida de Fourier (FFT)
y envolvente de Hilbert. Los resultados se visualizan en una interfaz para mayor
facilidad de interpretación de datos y resultados para el usuario.

3.2 Selección De Componentes

3.2.1 Motor

El motor utilizado para realizar las pruebas del sistema es un motor de inducción tipo
jaula de ardilla, las principales características se observan en la tabla 8.

34
Tabla 8 Características del motor de prueba

Motor Siemens 1LA7 070-4Y460

0,5 Hp/ 0,37KW F.S 1,15
60Hz eficiencia 66%
cos (0.81) Peso 5,5Kg
220V 1,90A/ 440V 0,95A 1590 RPM
Rodamientos: 6202-2z

3.2.2 Sensor

Una vez comparados los tipos de sensores que permiten medir vibraciones y con base
en los criterios descritos anteriormente se seleccionó el acelerómetro como instrumento
de medición.

En la actualidad es posible encontrar diversos tipos de acelerómetros, en esta etapa se

definen las características que el acelerómetro debe cumplir para satisfacer los
requerimientos de la aplicación en la cual se va a implementar. Para realizar la selección
de un sensor para medir vibraciones es necesario tener en cuenta los siguientes
parámetros: voltaje de funcionamiento, energía de consumo, temperatura de operación,
ancho de banda, rango de frecuencia, sensibilidad, error de linealidad, densidad de
ruido, rango dinámico, precio, disponibilidad del dispositivo.

Para realizar la selección del sensor se comparan siete referencias diferentes de

acelerómetros y se evalúa cuál de las opciones cumple de manera óptima los
requerimientos de la aplicación. (ver tabla 9)

3.2.2.1 Diseño Impreso del Circuito De Adquisición

Para implementar el sistema de medición se realiza en tres etapas correspondientes a:
etapa de adquisición, acople y potencia. Con el fin de disminuir el tamaño de la placa de
circuito impreso (PCB) del sensor se diseña una PCB donde se conecta el sensor y dos
conectores Molex de 6 pines. En el conector de la izquierda (molex input) se conectan
las señales de entra de tensión y tierra. La alimentación se hace entre los pines
correspondiente a 5V y GND. El voltaje de 5V se reduce a 3 voltios con el regulador
interno del sensor. El pin correspondiente a la salida de 3V se conecta con el pin de
sleep, y a su vez es conectado por medio de un switch al pin g-select para determinar la
sensibilidad con la que se va a trabajar. En el conector de la derecha (molex output) se
realiza la conexión de 3 pines de salida correspondiente a la señal de salida de cada eje
XYZ (Ver Figura 12).

(A) (B)
Figura 12 Pistas PCB del sensor. (B) Sensor

35
Tabla 9 Comparación de acelerómetros
Voltaje Corriente Temperatura Densidad de
Ejes Sensibilidad típica [mV/g] Precio
[V] [mA] [°C] Ancho de Tipo de Error de ruido
Referencia Rango (COL
banda salida linealidad [μg√Hz
Pesos)
Min Máx. Típico Máx. Min Máx. Min Típica Máx. rms]
55100
1,6KHz
150 X Y (Sin
ADXL335 1,8 3,6 0,35 --- XYZ ±3 -40 85 XY 270 300 330 Análoga 0.3%
300Z incluir
550 Z
envío)
66700
3,5 [Depende 34,5
±2 ±4 (Sin
ADXL345 2 3,6 0,03 0,14 -40 80 3,2k [mg/LS del rango de [mg/LS Digital No lineal
±8 ±16 incluir
B] medición] B]
envío)
MMA6231Q 2,7 3,6 1,2 1,5 XY ±10 -20 85 300Hz 111 120 129 Análoga 1% 50 ---
350 Hz
±1,5
XY
MMA7260QT 2,2 3,6 0,5 0,8 XYZ ±2 ±4 -40 105 185 800 860 Análoga 1% 350 46500
150Hz
±6
Z
400Hz
MMA7341 2,2 3,6 0,4 0,6 XYZ ±3 ±9 -40 85 XY 106 117,8 129,6 Análoga 1% 350 34800
300Hz Z
400Hz
±1,5
MMA7361 2,2 3,6 0,4 0,6 XYZ -40 125 XY 185 800 860 Análogo 1% 350 34800
±6
300Hz Z
1 [Depende 12
LSM303 ±2 ±4
2,16 3,6 0,11 XYZ -40 85 [mg/LS del rango de [mg/LS Digital 220 58000
DLHC ±8 ±16
B] medición] B]
36
Comparando las características de las diferentes referencias tabla 9, observamos que los
sensores en general funcionan con un rango de tensión similar. En cuanto a la corriente
el sensor MMA7361 no tiene el requerimiento más bajo, pero no supera 1 mA lo cual es
conveniente para nuestra aplicación.

Este sensor ofrece la posibilidad de variación del rango, con lo cual es posible, además,
cambiar la sensibilidad del mismo de 800 a 206 Mb/g [Datasheet: MMA7361]
ANEXO3. Para realizar la selección de sensibilidad de acuerdo a la tabla 3 de la hoja de
especificaciones, los pines deben polarizarse, bien sea con una señal de control de un
dispositivo externo o haciendo uso del Pin de salida de 3,3V del acelerómetro, como se
mencionó en la descripción del circuito de la PCB de la figura12.

En cuanto al ancho de banda el sensor MMA7361 tiene un ancho de banda de máximo

de 400Hz [Datasheet MMA7361] ANEXO 3, esta frecuencia está en un rango en el cual
es fácil hacer una toma de datos, pues la frecuencia de muestreo necesaria para que no
se presente aliassing es 800Hz.

Basados en los resultados obtenidos en el “Análisis Del Comportamiento Vibratorio De
Distintos Tipos De Fijación De Transductores Piezoeléctricos” realizado por
Universidad de León, España se opta por fijar el sensor con cinta doble cara. Esta
opción además de ser no invasiva, tiene ventajas como menor atenuación captando
picos de nivel RMS de mayor amplitud, cuanto más próximo a la fuente vibratoria se
encuentre.
3.2.3 Acondicionamiento De La Señal

El ingeniero Ángel Humberto Abadía Salgado, en su manual de usuario “Manual de

instrucciones para el manejo y manipulación de tarjetas de adquisición de datos (DAQ)”
(Documento de la Pontificia Universidad Javeriana Cali para el profesor Manuel
Vicente Valencia) sugiere tres tipos de circuitos de protección los cuales analizaremos a
continuación.
Los circuitos de protección sugeridos son los siguientes:
• Buffer o seguidor
• Transistor en modo seguidor
• Circuito par Darlington

Como el circuito no tiene una demanda alta de corriente, no sería necesario el uso del
circuito par Darlington. Dado que tanto el circuito seguidor con amplificador como el
transistor son opciones óptimas para los requerimientos del circuito se prosigue con la
implementación de un circuito seguidor con amplificador para la etapa de
acondicionamiento de la señal.

Si comparamos las características de los amplificadores analizados en la tabla 10 las

características de los cuatro amplificadores de propósito general son similares a las
características de los amplificadores diseñados como seguidores, satisfaciendo las
necesidades del diseño. Sin embargo, por las características eléctricas, en especial
impedancia de entrada, la disponibilidad y precio se hace uso del amplificados TL072.
La configuración del amplificador TL072 es a mostrada en la Figura 11, esto disminuye
la cantidad de dispositivos y con ello el consumo eléctrico del circuito en general.

37

Figura 13 Configuración de Pines amplificador TL072. Fuente> Datasheet TL 072

3.2.3.1 Diseño Impreso Del Módulo De Detección De La Señal De Vibración

Una vez obtenida la señal del sensor, la señal se conecta a una segunda PCB, donde las
señales de voltaje de los tres ejes se conectan, cada uno a la entrada de un amplificador
configurado como seguidor. Dado que el TL072 tiene dos amplificadores integrados se
hace uso únicamente de dos integrados como se observa en la figura 14.

Los amplificadores se polarizan en un rango de ±18V, en este caso se utiliza una

polarización de ±9V provenientes del módulo de fuente, y las entradas corresponden a
las señales de tensión que son proporcionales a la vibración de cada eje. Las salidas de
dichos amplificadores, configurados como seguidores de tensión, se conectan a la DAQ
para el almacenamiento y posterior análisis.

Figura 14 Esquemático módulo de adquisición de señales de vibración

En el circuito se tiene un conector de seis pines, donde los pines 1 a 5 corresponden a

las señales de entrada y salida del sensor. Los pines uno y dos corresponden a la tensión
de 3V la tierra, los pines 3, 4 y 5 son las salidas del sensor, correspondiente a las
tensiones proporcionales a la vibración que se presenta en cada eje. Del módulo de
fuente se obtienen 5 señales correspondientes a las se conectan las fuentes de
alimentación de izquierda a derecha de la siguiente manera: el primero, segundo y

38
tercero pines corresponden a la fuente dual de polarización de los amplificadores V-, V+
y tierra, respectivamente. Los pines cuarto y quinto a la alimentación del sensor, tierra y
Vin respectivamente.

La conexión de bornes de 4 se conectan las señales de salida de los amplificadores

correspondientes a las señales del sensor y un pin a tierra que se debe conectar con el
pin de tierra de la DAQ. (Ver Figura 15)

(A) (B)
Figura 15 (A)Diseño de circuito impreso módulo de adquisición de señales de vibración y conexión a DAQ. (B)
Circuito físico.

3.2.4 Etapa De Potencia

Una vez seleccionados los dispositivos que se implementarán en el circuito, se

establecieron los rangos de voltaje necesarios para la alimentación de los mismos. El
voltaje de alimentación del sensor varia de 2,4Vdc a 5Vdc (ANEXO 3). Sin embargo, el
fabricante garantiza la calibración del dispositivo si la alimentación del sensor esta entre
2,4Vdc y 3,3V para lo cual sería conveniente una fuente de alimentación de 3Vdc, dado
que el valor de tensión se encuentra en el rango deseado. (ANEXO 3).

En el caso del amplificador para el circuito de protección la polarización del mismo está
en un rango de ±18Vdc. El voltaje de entrada de se encuentra en un rango de ±30Vdc.

Teniendo en cuenta los requerimientos eléctricos del sistema se compararon baterías

comerciales de 1,5 y de 9V. La polarización de los amplificadores debe ser de una
tensión superior a 3V, pero el uso de múltiples baterías de 1,5V requeridas para alcanzar
el valor de tensión de polarización implica mayor espacio. Por esto se evalúan solo pilas
de 9V para la fuente dual de polarización de los amplificadores y se utiliza un regulador
de 3V para la tensión de alimentación del sensor.

Teniendo en cuenta los criterios de selección de la batería, como el voltaje nominal,
impedancia, peso, rango de temperatura de operación y las gráficas de características de
descarga típica y de corriente de descarga entregadas en la hoja de especificaciones
Anexo 5 se escoge la batería alcalina de 9 V.

39
Tabla 10 Comparación de amplificadores
Rechazo
Voltaje
en Ancho
Voltaje de Corriente [mA] Impedancia offset
Ib modo tr SR de
Referencia polarización de entrada de Aplicación Disponibilidad Precio
[nA] común [μs] [V/μs] Banda
[V] [Ω] entrada
CMRR [MHz]
[mV]
Típica Máxima [dB]
LM 741 ± 22 1.7 2.8 2*10^6 5 95 0.3 0.5 Propósito general Cali 1000
LM 358 ± 16 1 2 1*10^6 5 -200 80 0.7 Propósito general Cali 1200
LM324 30 1,4 3 9 -200 80 0,5 1,2 Propósito general Cali 1300
UPS, inversor
TL 072 ± 18 1,4 2,5 1*10^12 9 20 86 0,1 13 3 AC , variadores Cali 1500
de frecuencia
Amplificador
LM310 ± 18 3,9 5,5 1*10^12 7,5 10 80 30 20 No disponible
seguidor, Buffer
Amplificador
LM110 ± 18 3,9 5,5 1*10^12 4 10 80 30 20 No disponible
seguidor
Amplificador
MSK0033 ± 18 ± 19 ± 25 1*10^12 2 2 75 0,03 1500 140 No disponible
seguidor
Amplificador
NTE924 ± 18 0,01 1*10^12 10 7 80 30 20 No disponible
seguidor
40
3.2.4.1 Diseño Impreso De La Fuente De Alimentación
El circuito de alimentación consta de una fuente dual con tensión de ±9V. Adicional a
esto se implementó en el circuito un regulador de 5Vdc con el fin de proporcionar el
nivel de tensión adecuado al sensor. (Ver figura 16).

Para la fuente Dual se compararon diferentes referencias de baterías alcalinas, las cuales
en su mayoría solo tienen una tensión de 1,5 Vdc lo que implica mayor espacio para
conectar el número de pilas necesaria para alcanzar el valor de tensión requerido.

Teniendo en cuenta lo anterior se comparan baterías de 9V comparando 8 referencias

comerciales [Anexo 5]. Dicha comparación infiere que la mejor alternativa es la batería
de nueve voltios DURACELL ref. Ultra Power por sus características eléctrica, mayor
tiempo de funcionamiento. Otros aspectos como precio, peso, voltaje nominal resultaron
similares e igualmente apropiadas para el sistema que se quiere implementar.

Figura 16 Esquema circuito módulo de fuente de alimentación.

Para obtener la tensión de 5V se implementa el circuito mostrado en la figura 17. El

integrado admite una tensión diferencial de hasta 40 voltios. La señal de entrada de 9V
se conecta al puerto 1 del regulador, el pin2 se conecta a tierra mientras que en el pin 3
se obtienen los 5V de salida. En la salida además se conecta un condensador con el fin
de eliminar ruido. Esta etapa se muestra en la figura 18, dentro de la sección señalada
con la línea amarilla.

Figura 17 Esquema circuito regulador de 3V

41
 Figura 18 Circuito impreso módulo de fuente de alimentación.

3.2.5 Conectores

Para realizar la conexión del sistema se requiere un conector que garanticen la conexión
constante en la placa del sensor, para esto se utilizan conectores molex de 6 y 4 pines.

El conector molex de 6pines establece la conexión entre el sensor y la etapa de acople.

Este conector cuenta con dos señales de entrada que son la alimentación (5V) y la
referencia (GND). Además, tienen 3 pines de salida correspondientes a las salidas del
sensor, Vx, Vy, Vz. Estas salidas están en un intervalo de 0 a 3,3Vdc.

El conector molex de 4pines establece la conexión entre la etapa de acople y la DAQ.

Los pines son todos de entrada y corresponden a un pin de referencia (GND) y tres
pines para las señales de aceleración en cada eje.

3.2.6 Cableado

El cable a utilizar debe ser confiable en la transmisión de datos, seguro eléctricamente y

mecánicamente adecuado al lugar donde será instalado. La mayoría de los casos las
características de los sistemas análogos se encuentran en un rango de ± 10V y de 4 a
20mA en el lazo de corriente.

Para las conexiones se utiliza cable de instrumentación con pantalla en malla o trenza de
hilo fino/multifilar (0,34 mm²) de hilos de cobre desnudo, con aislamiento de conductor
realizado con PVC, pantalla de trenza de cobre estañado, cubierta exterior de PVC de
color gris piedra (RAL 7032) en la cubierta exterior [31]. La tabla 11 muestra los datos
técnicos del cable de instrumentación utilizado en la implementación.

Tabla 11 Datos técnicos cable de instrumentación.

Código de identificación de conductores: DIN 47100, sin repetición de colores

Capacidad mutua: C/C: aprox. 120 nF/km Conductor/Pantalla:
aprox. 160 nF/km
Tensión de cresta de trabajo: (no para aplicaciones de alimentación) a 0,14
mm²: 350 V a ≥ 0,25 mm²: 500 V
Clasificación: ETIM 5.0 Class-ID: EC000830 Descripción de
clase ETIM 5.0: Cable de datos
Inductividad: Aprox. 0,65 mH/km

42
 Formación del conductor: Trenzado, hilo fino 0,34 mm²: 7 hilos
Radio de curvatura mínimo: Uso flexible ocasional: 15 x diámetro exterior
Instalación fija: 6 x diámetro exterior
Tensión de prueba: Sección de 0,14 mm²: 1.200 V
Rango de temperaturas: Uso flexible ocasional: de -5 °C a +70 °C
Instalación fija: de -40 °C a +80 °C

3.3 Adquisición De Datos

El sistema de adquisición de datos inicia con la lectura de las señales análogas de la
tarjeta de adquisición de datos NI 6008 de la National Instruments (Tarjeta de
adquisición compatible con Labview) que se encuentran en las entradas AI0 AI1 y AI2,
correspondientes a los pines 2, 5 y 8 respectivamente como se describe en la Figura 19.

Figura 19 Pines de conexión DAQ 6008 [Fuente: Manual DAQ]

La lectura de los datos se realiza en el software LABVIEW, la tasa de muestreo de la

DAQ 6008 es 10.000 muestras por segundo lo cual permite leer señales a frecuencias de
5.000 muestras por segundo sin que se presente aliassing, es decir, que la componente
frecuencial máxima donde se pueden detectar fallas del rodamiento es 5k Hz con una
resolución de 12 bits [32].

3.4 Interfaz De Usuario Para La Adquisición De Datos

Antes de hacer la interfaz de adquisición de datos en Labview se diseñó el siguiente
diagrama de flujo (Figura 20).

43

Figura 20 Diagrama de flujo de Labview

La interfaz de usuario (Figura 21) que se crea tiene seis (6) controles numéricos,
correspondiente a los valores de la salida de tensión nominal a cero g de aceleración de
cada eje, la frecuencia de muestreo (Rate), número de muestras (Sample) y la
sensibilidad.

Figura 21 Interfaz de usuario Labview.

Los valores la salida de tensión nominal a cero g de aceleración de los ejes se determina
de acuerdo a la posición del sensor, para la orientación definida para las pruebas la
salida de tensión nominal a cero g de aceleración en los ejes X y Z es de 1,65V mientras
que para el eje Y es de 0,85V. (Ver Figura 22).

44

Figura 22 Vista superior del acelerómetro con valores de voltaje de salida nominal en cero-g de los ejes.
[Fuente: Datasheet MMA7361]

Se observa un indicador gráfico de forma de onda, con el fin mostrar los valores de
aceleración en términos de voltaje y g’s de los tres ejes. Para esto la interfaz permite
seleccionar el tipo de señal que se desea ver, ya sea aceleración en términos de voltaje o
aceleración en términos de g’s. También permite seleccionar el eje y/o ejes que se
desean ver, el color en el cual se desea ver cada señal.

La frecuencia de muestreo está limitada por las características del conversor análogo
digital de la DAQ (10kHz) y la cantidad de entradas análogas que se utilizan. Las
pruebas se realizan variando la frecuencia de muestreo de 1kHz a 3kHz en saltos de
1kHz. Mientras que el número de muestras se establece de 10k muestras/s en todas las
pruebas.

La interfaz permite seleccionar la carpeta donde se desean almacenar los datos y el

momento en el cual se desean almacenar los datos haciendo uso del botón ENABLE. En
el momento que se almacenan los datos se activa un indicador visual (LED) para
asegurarle al usuario que si se está realizando el almacenamiento. Es necesario activarlo
tanto para las señales en termino de voltaje y G’s.

3.5 Estrategia De Codificación

Para obtener los valores de voltaje en Labview, se utiliza el DAQ assistant. Luego se
convierten los valores de voltaje en términos de g’s utilizando los ajustes de sensibilidad
del acelerómetro. Finalmente se almacenan y visualizan los valores de aceleración. (Ver
figura 23)

45
 Entrada de valores de Conversión de Visualización y
voltajes del Voltaje a almacenamiento de la
acelerometro aceleración señal
Figura 23 Estrategia de codificación

La señal de entrada incluye los tres ejes, por lo cual se hace uso de un divisor de señal
con el fin de operar las señales por separado. Una vez se obtienen las tres señales
por separado, se resta el voltaje nominal de cero g de cada eje y se divide por la
sensibilidad. La sensibilidad es solo un valor numérico, no señal de control, la variación
de este parámetro se hace con la conexión de los puertos de control g1 y g2. De esta
manera se expresan los valores de tensión provenientes del sensor en g-s. Estos valores
se guardan en un archivo de EXCEL, el cual será utilizado en etapas posteriores. Estos
pasos se describen en el diagrama de la Figura 24.

Figura 24 Diagrama de bloques LabView

Para el almacenamiento de los datos se utiliza un archivo para almacenar los valores en
términos de voltaje y otros en términos de g’s. Para ello se utiliza la herramienta “Write
to measurement” de Labview, donde en su configuración se selecciona: la carpeta de
destino, Microsoft EXCEL como formato del archivo, la opción “guardar en un
archivo” y una columna por canal para obtener los vectores de tiempo. (Ver Figura 25)

46
 Figura 25 Configuración de almacenamiento de las señales

3.6 Descripción de la Base De Datos

Para crear la base de datos se empleó una interfaz web, donde no solo se almacenan los
datos de vibración obtenidos por los motores de la Universidad Javeriana Cali, sino que
se puede emplear para futuros trabajos o proyectos.

Al estudiante se le proporcionará una clave para tener acceso a la página como se verá a
continuación:

Figura 26 Inicio de Sesión

El usuario tendrá acceso a las siguientes opciones Home, la cual da una breve
descripción del contenido de la página, la pestaña About contiene el porqué. Las
pestañas más importantes son Motors (Descripción de los motores del laboratorio de la
Javeriana), Preview Projects (resumen de los proyectos pasados).

47
 Figura 27 Página de Inicio

Por último y más importante la pestaña Data Files contiene los datos de vibración
obtenidos en este proyecto, no obstante, puede contener otro tipo de datos para futuros
trabajos o clases como se observa en la siguiente figura:

Figura 28 Base de datos web

3.7 Descripción Interfaz De Matlab

Antes de programar la interfaz de usuario en Matlab se diseñó el siguiente diagrama de
flujo (figura 28).

48
 Figura 29 Diagrama de flujo de la interfaz de Matlab seccionamiento

Para crear la interfaz se utilizó la aplicación GUIDE de Matlab. Esta interfaz compara
las técnicas FFT y la envolvente de Hilbert para diagnosticar fallas en rodamientos en
motores trifásicos por medio de los datos de vibración (aceleración) obtenidos con la
ayuda de la interfaz de Labview.

49
 Figura 30 Interfaz de Matlab

Los datos se organizarán de la siguiente manera: en la primera columna será el vector

tiempo, las siguientes columnas corresponderán a los datos (ya sean los ejes o la
posición del sensor como la base de datos de la CWR), las dos últimas columnas serán
la frecuencia de muestreo y la velocidad de giro del motor respectivamente (figura 31).

Figura 31 Visualización datos en Excel

La interfaz puede visualizar los datos de manera independiente, es decir, si se puede

escoger que eje ver (Base de datos de la pontificia Universidad Javeriana) o que la
posición del sensor (Base de datos de la Case Western Reserve).

Figura 32 Visualización Ejes (PUJ)

Posee la opción de visualizar los datos de manera separada dentro de una sola figura:

50
 Figura 33 Opciones de visualización

Como se observa en la figura anterior se puede observar:

1. La señal en el tiempo de todas las señales.
2. La Transformada de Fourier de dichas señales.
3. La envolvente de Hilbert.
4. Las gráficas FFT vs Hilbert de las señales.
5. Espectrograma, muestra la distribución de energía de la señal.
6. Auto correlación, proporciona información sobre la periodicidad de las señales.
7. Histograma, muestra la distribución probabilística de las muestras tomadas.
8. Datos estadísticos de la señal en el tiempo como el valor pico, valor mínimo, RMS y
el factor cresta (relación entre el valor pico y el valor RMS).

Por último, como se muestra a continuación, tiene las opciones de acceder a la base de
datos web y/o a enviar un correo a las autoras de la interfaz en caso de alguna duda.

Figura 34 Acceso a internet

A continuación, se muestra un ejemplo donde la interfaz detecta una falla en el anillo

interno por medio de la envolvente de Hilbert y no con la FFT.

Figura 35 Ejemplo de falla BPFI con la envolvente de Hilbert

51
 CAPITULO 4. PRUEBAS Y RESULTADOS

Para las pruebas y el análisis de la interfaz se analizaron dos tipos de bases de datos, las
recolectadas en la Universidad Javeriana y las tomadas de la universidad Case Western
Reserve (CWR) de Estados Unidos, obtenidas de su página de internet [30]. La razón de
las dos bases de datos diferentes se debe que la Case Western nos permite analizar fallas
incipientes en rodamientos y las recolectadas en la Pontificia Universidad Javeriana son
con rodamientos que ya han sido desechados por su mal estado.

4.1 Base De Datos CWR

Para comparar los dos métodos de diagnóstico de falla (Envolvente de Hilbert y la

Transformada de Fourier) se utilizó esta base de datos para comprobar si los análisis
pueden detectar fallas incipientes (el diámetro de la falla está en milímetros de pulgada).
El Motor utilizado para la toma de datos es el Reliance Electric de 2HP. Se pusieron dos
acelerómetros, uno en el Drive (eje) y otro en el fan (Ventilador) como se observa en la
figura 36.

Figura 36 Mapa de posición de los sensores [Fuente: Pagina de la Case Western Reserve
http://csegroups.case.edu/bearingdataccenter-website]

Los datos tomados tienen las siguientes características:

Tasa de Muestreo Fallo de Rodamiento Velocidad del Diámetro de la Falla
Motor
12000Hz Rodamiento en el eje 1796rpm (29.93Hz) 0.007’’ y 0.028’’

La referencia de los rodamientos utilizados son 6205-2RS JEM SKF los cuales poseen
los siguientes parámetros de falla (utilizando las ecuaciones de falla anteriores):

BPFI BPFO FTF BSF Elemento Rodante
5.4152 3,5848 0,39828 2,357 4,7135

Para hallar las frecuencias de falla se multiplica la velocidad de giro del motor en Hertz
con los valores de la tabla anterior.

A continuación, se mostrará algunos resultados obtenidos por la interfaz:

52
 Figura 37Análisis Carga 0 falla BPFI de 0,007’’ (Sensor eje)

Como se puede observar en la figura anterior tanto la envolvente de Hilbert como la

FFT diagnostican la falla, la diferencia se encuentra en la amplitud, donde se favorece la
envolvente con una amplitud de 0,2277V contra 0,02764V de la FFT.

Figura 38 Análisis carga 0 falla BPFI de 0,007’’(sensor en el ventilador)

La interfaz, con los datos del sensor ubicado en el ventilador, detecta la falla con la
envolvente de Hilbert. La FFT genera un pico tan pequeño que la interfaz no lo
considera.

53
 Figura 39 Análisis Carga 2 falla BPFO de 0,028’’ (Sensor en el eje)

En el caso anterior se observa que la interfaz detecta la falla BPFO (pista externa) con la
envolvente de Hilbert mientras que la FFT no muestra pico de falla.

Figura 40 Análisis Carga 3 falla BPFO de 0,007’’ (sensor eje)

Al igual que el caso anterior, en este se observa claramente la falla incipiente con sus
respectivos armónicos por medio de la envolvente de Hilbert.

La falla BSF (elementos rodantes) son las más difíciles de diagnosticar en su estado
incipiente, y esto se comprueba con las siguientes imágenes de la interfaz:

54
 Figura 41 Análisis Carga 0 falla BSF de 0,028’’ (sensor en el eje)

En el caso anterior la interfaz no detecta el primer armónico en este tipo de falla con
ninguno de los dos métodos, pero se detalla que con la envolvente de Hilbert se pueden
observar los armónicos 2xBSF(140,6Hz) y 8xBSF(565,4Hz) y con la FFT el armónico
8xBSF.

Figura 42 Análisis Carga 3 falla BSF de 0,028’’ (sensor en el eje)

55
Cuando existe falla en los elementos rodantes se pueden hallar armónicos FTF (jaula)
como se observa en la figura anterior en los indicadores de falla-FFT. También se
observa falla en el armónico 8xBSF con el método envolvente.

Figura 43 Análisis Carga 2 falla BSF de 0,007’’ (sensor en el ventilador)

En el caso anterior, ninguno de los dos métodos detecta falla en BSF y FTF, pero los
indicadores de falla-FFT muestra falla en pista interna. Este indicador puede deberse a
que BPFI se define como la velocidad relativa entre la jaula y la pista interior, BPFI=n x
(fr-FTF), es por eso que a veces en este tipo de análisis se evidencian fallas en pista
interna (incluso en la externa, ya que BPFO=n x FTF).

Las siguientes tablas mostraran un breve resumen sobre el análisis y resultados

obtenidos por la interfaz a la base de datos CWR. Los números en rojo se refieren a un
diagnostico parcial de la falla (la interfaz no la detecta por lo pequeño de la amplitud).
Por último, NO se refiere a la falta del archivo en la base de datos.
Tabla 12 Fallas base de datos CWR para carga cero

CARGA 0
Eje FFT Envolvente Hilbert
Frecuencia (Hz) Amplitud Frecuencia (Hz) Amplitud
BPFI 161,1 0,02764 161,1 0,2277
0,007 BPFO 108,4 0,002161 108,4 0,3146
BSF 71,05x8 0,04757 70,8x6 0,02975
BPFI NO NO NO NO
0,028 BPFO 106,93x6 0,1958 108,4 0,05425
BSF 71,05x8 0,004668 70,3x2 0,07647

56
 Ventilador FFT Envolvente Hilbert
Frecuencia (Hz) Amplitud Frecuencia (Hz) Amplitud
BPFI 161,1 0,02132 161,1 0,1212
0,007 BPFO 108,4 0,000740 108,4 0,2063
BSF 70,3125 0,02318 - -
BPFI NO NO NO NO
0,028 BPFO NO NO NO NO
BSF NO NO NO NO

Tabla 13 Fallas base de datos CWR para carga 2

CARGA 2
Eje FFT Envolvente Hilbert
Frecuencia (Hz) Amplitud Frecuencia (Hz) Amplitud
BPFI 158,2 0,02298 158,2 0,2122
0,007 BPFO 105,5 0,002031 105,5 0,3138
BSF - - - -
BPFI NO NO NO NO
0,028 BPFO - - 108,4 0,04572
BSF - - 68,85X8 0,06398

Ventilador FFT Envolvente Hilbert

Frecuencia (Hz) Amplitud Frecuencia (Hz) Amplitud
BPFI 158,2 0,009545 158,2 0,08645
0,007 BPFO - - 105,5 0,2014
BSF - - - -
BPFI NO NO NO NO
0,028 BPFO NO NO NO NO
BSF NO NO NO NO

Tabla 14 Fallas base de datos CWR para carga 3

CARGA 3
Eje FFT Envolvente Hilbert
Frecuencia (Hz) Amplitud Frecuencia (Hz) Amplitud
BPFI 155,3 0,01327 155,3 0,2441
0,007 BPFO 102,5 0,001907 102,5 0,2844
BSF - - 68,11x8 0,03535
BPFI NO NO NO NO
0,028 BPFO - - 105,5 0,04714
BSF - - 67,4x2 0,06187

Ventilador FFT Envolvente Hilbert

Frecuencia (Hz) Amplitud Frecuencia (Hz) Amplitud
BPFI 155,3 0,02438 155,3 0,07962
0,007 BPFO - - 102,5 0,2043
BSF - - - -
BPFI NO NO NO NO
0,028 BPFO NO NO NO NO
BSF NO NO NO NO

57
Por medio de las tablas anteriores se establecen los siguientes porcentajes:
Tabla 15 Porcentajes para la base de datos CWR

Métodos Resultados BPFI BPFO BSF

Asertivo 16,60% 0% 0%
Fourier Parcial 83,30% 55,50% 33,30%
Sin resultado 0% 44,40% 66,60%
Asertivo 100% 100% 0%
Hilbert Parcial 0% 0% 55,50%
Sin resultado 0% 0% 44,40%

Para las fallas BPFI y BPFO se obtuvo un 100% de asertividad en el diagnostico con el
método envolvente de Hilbert. Con el método FFT, BPFI obtuvo un 16.6% asertivo (un
solo acierto) y un 83.3% para un diagnostico parcial, por otro lado, el BPFO obtuvo un
0% asertivo, un 55.5% parcial y el porcentaje restante (44.4%) no obtuvo ningún
resultado diagnóstico.

Para la falla BSF, la interfaz tuvo un 0% para el diagnóstico. El método envolvente tuvo
un diagnostico parcial del 55.5% (armónicos de la falla) y un 44.4% sin resultado. El
método de la FFT obtuvo un 66.6% sin resultado asertivo y un 33,3% en el diagnostico
parcial (armónicos de la falla). Cabe mencionar que en este tipo de falla (BSF) el
diagnostico parcial se obtuvo por el análisis de los armónicos pares.

Los resultados anteriores demuestran que la envolvente de Hilbert es más sensible

obteniendo mejores resultados, sobre todo en las fallas de pista interna y externa, las
cuales son las más comunes en el ámbito industrial. No obstante, se demuestra que la
FFT reconoce las fallas incipientes en la pista interna y externa si se analizan los
armónicos de dichas fallas (lo cual es comúnmente lo que se hace en la industria ya que
la mayoría de dispositivos utilizan dicho método) como lo muestra en la siguiente
figura.

Figura 44 Análisis Hilbert y FFT para falla de pista externa

58
4.2 Base de datos Universidad Javeriana

Primero se posiciona el sensor a la carcasa del motor cerca al eje (donde se encuentra el
rodamiento dañado) como se muestra en la figura.

Figura 45 Instalación del Sensor en el motor

La base de datos consta de datos con el motor en estado normal (con el rodamiento de
fábrica), posteriormente se cambiaron por rodamientos usados, ya desechados. Cabe
incluir que se utilizó dos sensibilidades del sensor (1,5G y 6G) y tres cargas para el
motor de inducción de cero, 50 y 90 (por medio de un motor DC).

Para analizar los datos se tuvo en cuenta las siguientes observaciones: los datos no
fueron tomados de manera ideal, es decir, el soporte que se utilizó tenía problemas de
estabilidad y agarre generando frecuencias resonantes; se tomó en cuenta dos ejes del
sensor ya que fueron los que recibían la mayor parte de información del rodamiento del
motor.

La referencia de los rodamientos utilizados son 6202 los cuales poseen los siguientes
parámetros de falla (utilizando las ecuaciones de falla anteriores):

BPFI BPFO FTF BSF Elemento Rodante
4,950 3,050 0,381 1,986 3,972

A continuación, se mostrarán los resultados obtenidos por medio de la interfaz:

4.2.1 Resultados Rodamiento De Fabrica

Empezamos primero observando los espectros en frecuencia del motor sin carga y se
determina la diferencia de sensar entre las dos sensibilidades.

59
 Figura 46 Rodamiento de Fabrica, sin carga, sensibilidad 6G.

Figura 47 Rodamiento de Fabrica, sin carga, sensibilidad 1,5G

De las figuras anteriores se determina que al variar la sensibilidad del sensor a 1,5G
(800mV/g) se pueden observar las variaciones más pequeñas en frecuencia. Esto se
observa con la envolvente de Hilbert ya que este método es el más sensible si se
compara con la FFT. Se puede observar la frecuencia de la velocidad del motor
(29,79Hz) y también se puede determinar que el rodamiento no presenta fallas que
ameriten el cambio de este.

A continuación, se presentan los resultados cuando se le pone carga al motor de

inducción:

60
 Figura 48 Rodamiento de Fabrica, Carga 50, Sensibilidad 6G.

Figura 49 Rodamiento de Fabrica, Carga 50, Sensibilidad 1,5G

61

Figura 50 Rodamiento de Fabrica Carga 50, FFT y Hilbert de los 3 ejes

Cuando los motores no se encuentran bien instalados, es decir, cuando se presentan

desalineaciones, bandas flojas y falta de agarre se pueden presentar frecuencias que en
ocasiones se pueden confundir como fallas en motores, como se observa en las figuras
anteriores. Nuevamente se puede corroborar que la envolvente de Hilbert es más
sensible si se observan los ejes Y y Z de la figura 50, no obstante, los dos métodos
captan las frecuencias.

Figura 51 Rodamiento de Fabrica Carga 90, FFT y Hilbert de los 3 ejes

Se obtiene los mismos resultados cuando se pone una carga de 90 al motor de inducción
trifásico (figura 51).

62
4.2.2 Resultados Rodamiento 1

Este rodamiento no presenta fallas visibles, pero cuando se trata de girar se siente una
pequeña resistencia suponiendo entonces que posee falla en los elementos rodantes. Al
igual que el capítulo anterior se analizan primero el motor en un estado sin carga:

Figura 52 Rodamiento 1, sin carga, sensibilidad 6G

Figura 53 Rodamiento 1, sin carga, sensibilidad 1,5G

En las figuras anteriores se puede observar un cambio en frecuencia si se compara con

los análisis del rodamiento de fábrica. Como se ve en figura 53 la envolvente por
Hilbert detecta la falla.

A continuación, se observan los análisis realizados cuando se le aplica carga al motor:

63
 Figura 54 Rodamiento 1, carga 90, Sensibilidad 6G

Figura 55 Rodamiento 1, carga 90, sensibilidad 1,5G

Debido a las frecuencias que producen el ambiente en el que se encuentra el motor, para
el sensor y la interfaz es muy difícil identificar la falla que posee el rodamiento, es
decir, no todos los datos y los tres ejes son capaces de diagnosticar la falla como se
muestras en las figuras anteriores donde se puede ver que el eje Z (Axial).

64
 Figura 56 Rodamiento 1 Carga 50, FFT y Hilbert de los 3 ejes

Figura 57 Rodamiento 1 Carga 90, FFT y Hilbert de los 3 ejes

Como se ha comprobado antes, y como se puede ver en las figuras anteriores la

transformada de Hilbert es el mejor método para analizar los espectros de vibración de
un motor, debido a su sensibilidad.

65
4.2.3 Resultados Rodamiento 2

Figura 58 Foto del rodamiento 2

Como se ve en la figura 58, este rodamiento tiene un hundimiento el cual genera una
resistencia significativa para girar. A continuación, se muestran los resultados obtenidos
cuando el motor esta sin carga.

Figura 59 Rodamiento 2, sin carga, sensibilidad 6G

Figura 60 Rodamiento 2, sin carga, sensibilidad 1,5G

66
Debido a la gravedad de la falla, los dos métodos (y las dos sensibilidades) presentan
los mismos resultados como lo muestra las figuras anteriores, donde se diagnostica falla
de pista externa (BPFO) y de elementos rodantes (BSF). En la siguiente figura se
muestra mejor los resultados.

Figura 61 Rodamiento 2, sin carga, FFT y Hilbert de los 3 ejes

A continuación, se muestran los resultados obtenidos cuando se le adiciona carga al

motor de inducción.

Figura 62 Rodamiento 2, carga 50, sensibilidad 6G

67
 Figura 63 Rodamiento 2, carga 50, sensibilidad 1,5G

A pesar de lo que genera el ponerle carga al motor de inducción, la interfaz detecta falla
de pista externa con los dos métodos cuando la sensibilidad es 6G y solamente con la
envolvente de Hilbert cuando se cambia la sensibilidad a 1,5G. Cabe recordar que
cuando la falla es grande el diagnostico puede parecer multi-falla.

Figura 64 Rodamiento 2, carga 90, FFT y Hilbert de los 3 ejes

Al igual que los resultados que se obtuvieron con la carga 50 y como se observa en la
figura anterior, la interfaz diagnostica falla de pista externa; también se puede ver en los
ejes X y Y la sensibilidad de la envolvente de Hilbert debido al aumento en el espectro
cuando se compara con la transformada de Fourier.

68
4.3 Conclusiones

Con las herramientas de Labview y Matlab se logró diseñar con éxito un sistema de
adquisición y análisis de datos analógicos de vibración. Por medio del Software
Labview se diseñó y se implementó la adquisición de los datos que permitió almacenar
los datos; dada su facilidad de manejo de bases de datos. A través de Matlab se logró
analizar los datos, es decir, contrastar las técnicas espectrales, transformada rápida de
Fourier y el análisis envolvente de Hilbert.

Debido a que los equipos especiales para analizar datos de vibración en motores son
costosos para las entidades educativas, mediante este proyecto se logró diseñar e
implementar un sistema (Hardware y Software) de adquisición de datos y una interfaz
que analiza las vibraciones mecánicas mediante dos algoritmos diferentes con un bajo
presupuesto.

Ahora bien, en cuanto al contraste entre los dos métodos se analizaron las fallas
incipientes de la base de datos estadounidense y las fallas severas de la base de datos
javeriana. Para fallas incipientes en rodamientos, la envolvente de Hilbert supera en
porcentaje a la transformada de Fourier cuando se analizan los primeros armónicos de
las frecuencias de pista interior y exterior, es decir, la envolvente captura las amplitudes
de defecto bajas para este tipo de fallas en rodamientos. Cabe mencionar que las
frecuencias de deterioro de los elementos rodantes son más difíciles de pronosticar por
los dos métodos cuando se encuentran en su fase inicial.

Por otro lado, para fallas de rodamientos severas tanto la transformada de Fourier como
la envolvente de Hilbert disminuyen de manera significativa la asertividad de detectar
fallas en rodamientos. Cabe mencionar que a medida que la falla crece la excitación
(falla) que se produce pierde su carácter impulsivo pudiendo llegar a creerse que el
elemento se mejoró, también se debe tener en cuenta el medio y las condiciones en que
se encuentra instalado el motor.

Para conseguir un análisis optimo, es importante tener en cuenta la selección del sensor,
la sensibilidad y el tiempo de muestreo que se vaya a implementar al diseñar sistemas
de fallos en motores de inducción por medio de datos de vibración. Debido a
limitaciones de presupuesto, el acelerómetro utilizado obtuvo resultados que no
alcanzaron niveles óptimos para procesos industriales.

4.4 Trabajos Futuros

La base de datos web puede ser empleada para almacenar no solo datos de vibración
sino también de corriente convirtiéndose en un buen material didáctico para los
estudiantes y profesores. No obstante, puede ser empleada para dar a conocer futuros
proyectos de grado.

En cuanto al Hardware, se puede aumentar el presupuesto y diseñar e implementar un

sistema en línea para la detección de fallas en motores de inducción, aumentando el
tiempo de respuesta a la hora de diagnosticar los problemas.

69
Por medio del análisis espectral se pueden detectar fallas en motores, pero con la ayuda
del análisis estadístico de la onda de tiempo de la señal (Valor rms, pico, pico-pico y
cresta) se podría determinar la severidad de la falla.

Como futuro proyecto se puede implementar la una comparación entre la envolvente de

Hilbert con métodos más avanzados que la transformada de Fourier para comprobar
fallas en motores de inducción.

70
 Bibliografía

[1] P. F. Albrecht, E. L. Owen, D. K. Sharma, “Report of Large Motor Reliability Survey of
Industrial and Commercial Installations, Part I”, IEEE Transactions on Industrial Applications,
Vol. IA-21, No. 4, pp. 853-864, Aug. 1985.

[2] M. J. Castelli, J. P. Fossati, M. T. Andrade, “Metodología de monitoreo, detección de fallos

y diagnostico en motores asíncronos”, IEEE, 7º encuentro de energía, Potencia, Instrumentación
y Medidas, pp. 90-96, oct. 2008.

[3] W. Kruger, “Detectando Fallas En Rodamientos Utilizando Métodos De Prueba Eléctricos Y

Mecánicos De Vibración”, Documento Técnico, Gerencia, ALL Test Pro, EEUU, 2009.

[4] J. S. Muñoz, M. A. Muñoz, “Diseño E Implementación De Un Prototipo De Sistema De

Análisis De Vibraciones”. Tesis Pregrado, Depto. Ingeniería Electrónica, Pontificia Universidad
Javeriana Cali, 2009.

[5] S. J. Chapman, “Maquinas Eléctricas Rotativas”, Maquinas Eléctricas, MacGraw- Hill, Ed.
2004, pp. 241-281.

[6] A. E. Baruch, “Diagnostico de fallas en motores eléctricos de inducción trifásicos tipo jaula
de ardilla usando redes neuronales artificiales”, Tesis Pregrado, Depto. Ingeniería, Universidad
Veracruzana, Xalapa, 2013.

[7] B. S. Gurú, “Polyphase induction motor, en Electric Machinery and transformers”, 3a Ed.,
New York, USA: Oxford University Press, 2001, Ch. 9, pp. 509-561.

[8] G. Arboleda, M. Narváez, “Detección De Falla De Barras Rotas En El Rotor De Un Motor

De Inducción Trifásico Tipo Jaula De Ardilla. Empleando Técnicas De Análisis Espectral De
Corrientes – Mcsa Y Análisis Espectral De Potencia – Esa.” Tesis Pregrado, Depto. Ingeniería
Electrónica, Pontificia Universidad Javeriana Cali, 2013

[9] A. Strasse, Maquinas Eléctricas [online]. Documento Técnico, Hps System Technik.
Disponible en: www.hps-systemtechnik.com.

[10] Escuela de los Andes, “Rodamientos” [online]. Documento clase, Escuela de Mecánica,
Cátedra de Diseño. Disponible en:
http://www2.ula.ve/dsiaportal/dmdocuments/elementos/RODAMIENTOS.pdf ]

[11] Sinais, Curso básico de análisis de vibraciones[online]. Documento Técnico, Ingeniería de

Mantenimiento. Disponible en: http://www.sinais.es/curso-vibraciones.html.

[12] Rockwell Automation, “Conceptos básicos sobre el uso de los motores de inducción
trifásicos”, Motor Management, Documento técnico, 1996.

[13] A. Cuevas, “Sistema Para El Diagnóstico Incipiente De Fallas En Motores De Inducción”

M.S. Tesis, Depto. Ing. Electrónica, Instituto politécnico Nacional, México D.F, 2008.

[14] P. N. Saavedra, “La Medición Y Análisis De Las Vibraciones Como Técnica De

Inspección De Equipos Y Componentes, Aplicaciones, Normativas Y Certificación” [online],
Depto. Ing. Mecánica, Universidad de Concepción, Chile. Disponible en:
http://www.aaende.org.ar/sitio/material/CONFCHILE.pdf

71
[15] E. Espejo, “Modos de falla Comunes en Rodamientos” [online], Documento técnico,
Universidad Nacional de Colombia, 2008. Disponible en:
http://www.virtual.unal.edu.co/cursos/ingenieria/2023293/und_3/pdf/rodamientos.pdf

[16] A. Paz, M. C. Amaya, J. Olaya, E. Franco, J. A. Palacios, “Metodología de Diagnostico de

Fallas en Motores de Inducción Trifásicos tipo Jaula de Ardilla a través de Sistemas expertos
basados en Redes Bayesianas”, Tesis Doctoral, Depto. Ingeniería, Universidad del Valle, Cali,
2011.

[17] E. Estupiñan, P. Saavedra, “Técnicas de Diagnóstico para el Análisis de Vibraciones de

Rodamientos” [online], Depto. Ing. Mecánica, Universidad de Concepción, Chile. Disponible
en:http://www.mantenimientomundial.com/sites/mm/notas/Estupi1.pdf

[18] J. E. Mejía, “Análisis de Vibraciones en motores Eléctricos Asíncronos Trifásicos”,

Trabajo de Graduación, Depto. Ingeniería, Universidad de San Carlos de Guatemala, 2009.

[19] H. O. Carvajal, I. F. Estupiñan, “Detección De Fallas En Un Motor De Inducción Usando

Análisis De Vibraciones Mecánicas Bajo Distintos Escenarios De Carga” M.S. Tesis, Depto.
Ing. Electrónica, Universidad Industrial de Santander, Bucaramanga, Colombia, 2010.

[20] J. E. Quiroga, G. Trujillo, S. Quintero, “Study on incipient fault bearing detection based on
enveloping and cepstrum techniques”. Artículo de Revista. Ing. Mecánica Universidad
Industrial de Santander, Bucaramanga, Colombia, 2012.

[21] M. Segla, S. Wang, F. Wang, “Bearing Fault Diagnosis with Improved High Frequency
Resonance Tecnique”. Artículo IEEE. School of Automation and Electrical Engineering.
University Beijing, China, 2012.

[22] A. Brandt,“Noise and Vibration Analysis.” Libro. 1st Ed. John Wiley & Sons. United
Kingdom, 2011.

[23] F. E. Hernández, M. Gutiérrez, “Enfoques Del Análisis De Envolvente Al Procesamiento

De Vibraciones Para El Diagnóstico De Maquinarias.” Articulo. Revista de Ingeniería
Mecánica. Vol. 13. No.1, pág. 31-40, enero-abril de 2010.

[24] C. M. Echeverría, A. M. Mejía, “Motor de Inducción. Detección y Análisis de Vibraciones

Empleando Acelerómetros con Tecnología MEMS” M.S. Tesis, Depto. Ing. Electrónica,
Universidad Industrial de Santander, Bucaramanga, Colombia, 2006.

[25] H. O. Carvajal, I. F. Estupiñan, “Detección De Fallas En Un Motor De Inducción Usando

Análisis De Vibraciones Mecánicas Bajo Distintos Escenarios De Carga” M.S. Tesis, Depto.
Ing. Electrónica, Universidad Industrial de Santander, Bucaramanga, Colombia, 2010.

[26] S. A. Quintero, G. T. Navarro, “Detección De Fallas En Rodamientos Cónicos Por Medio

De La Aplicación De La Técnica De Enveloping”, Tesis Pregrado, Depto. Ingeniería,
Universidad Industrial de Santander, Bucaramanga, Colombia, 2010.

[27] W. Zhaoxia, L. Fen, Y. Shujuan, W. Bin, “Motor Fault Diagnosis based on the Vibration
Signal Testing and Analysis”, IEEE Computer Society, vol. 2, pp. 433-436, Nov. 2009.

[28] V.P. Raj, K. Natarajan, T. G. Girikumar, “Induction Motor Fault Detection and Diagnosis
by Vibration Analysis using MEMS Accelerometer”, Emerging Trends in Communication,
Control, Signal Processing & Computing Applications, International Conference on, pp. 1-6,
Oct. 2013.

72
[29] I. Jaksch, “Faults diagnosis of three - phase induction motors using envelope analysis”,
IEEE Symposium on Diagnostics for Electric Machines, Power Electronics, Atlanta, USA,
August. 2003.

[30] Case Western Reserve University (CWRU), “Bearing Data Center”. Disponible en:
http://csegroups.case.edu/

[31] Centelsa, Cables para instrumentación y control, Documento Técnico, Cables y tecnología.

[32] National Instrument, User Guide NI USB 6008- 6009, [online]. Documento Técnico.
Disponible en www.ni.com/pdf/manuals/371303n.pdf

73
 ANEXOS
Anexo 1 Prueba Sensor

Pruebas Del Sensor MMA7361

Antes de adquirir los datos de vibración del motor y analizarlos se realizaron unas pruebas al
sensor para verificar la repetitividad. Se tomaron datos en dos periodos (momentos) de tiempo
con un intervalo de una hora y se cambio la frecuencia de muestreo de 1kHz a 2kHz (las
pruebas se hicieron con las dos sensibilidades que maneja el sensor). Los análisis fueron hechos
con el motor sin carga. Estos fueron los resultados obtenidos:

Figura 1 Prueba intervalo de tiempo de una hora (sensibilidad 6G)

Se observan los mismos resultados en periodos de tiempo diferentes. A continuación otro

ejemplo.

74
 Figura 2 Prueba con intervalo de tiempo de una hora (sensibilidad 1,5G)

En la figura anterior se tomo los datos con diferente sensibilidad (se tomo un eje diferente para
comprobar que aplica para los tres ejes del sensor). A continuación los resultados obtenidos a
frecuencias de muestreo diferentes (1k y 2k respectivamente):

Figura 3 Prueba con frecuencias de muestreo diferentes (sensibilidad 6G)

Se observa que a frecuencias de muestreo diferente los resultados son similares, con una baja
amplitud y un pico a 1xRPM. A continuación otro ejemplo:

75
 Figura 4 Prueba con frecuencias de muestreo diferentes (sensibilidad 1,5G)

Como se observa, los resultados fueron similares. Se concluye entonces que el sensor presenta
repetitividad y que se puede analizar los datos de vibración del motor con diferentes escenarios
de carga.

76
Anexo 2 Prueba de Campo Carvajal Pulpa y Papel

Prueba de Campo (Propal)

Con el fin de verificar la funcionalidad, del sistema diseñado en el proyecto de grado,
en la detección de problemas en la industria y obtener información relevante que
permita hacer comparaciones entre el sistema utilizado en el proyecto y el utilizado a
nivel industrial, se realizó una medición sobre un motor eléctrico que se encontraba en
servicio pero que había sido reportado con problemas de vibración en uno de sus
rodamientos por el área de mantenimiento predictivo de la empresa Carvajal Pulpa y
Papel-Planta 1, antes Propal. Esta empresa tiene actualmente instalados en sus plantas
cerca de 4200 motores eléctricos y realiza rutas periódicas de vibraciones, para la
detección oportuna de fallas, utilizando equipos de su propiedad marca VIBXpert con
software Prüftechnik. El motor (Baldor) seleccionado para la verificación es de 250HP
(186 kW), con un nivel de tension de 460V y una velocidad de 1800 RPM y mueve la
bomba del tanque de sello de la lavadora a cloro. El motor tiene instalados dos
rodamientos uno referencia 6314 en el lado del ventilador y el otro NU320 en el lado
del acople. Tal como se muestra en las fotografías siguientes, el sensor fue instalado en
el lado del acople detectado por Propal con problema de vibraciones.

Figura 1 Fotos del sensor instalado en el motor

La ubicación de los ejes del sensor en el motor corresponde al indicado en la figura 2.

77
 Figura 2 Ubicación de los ejes del sensor en el motor

Para determinar las frecuencias de falla se utilizó un software online de la SKF como se
muestra a continuación:

Figura 3 Frecuencia de falla rodamiento NU320

Medición y resultados con el sensor del proyecto

Las gráficas de las figuras 4, 5 y 6 muestran las frecuencias de falla del motor en cada
uno de los ejes con el sensor ajustado a una sensibilidad de 6G (206mV/g) y con los dos
métodos, FFT y envolvente por Hilbert.

Figura 4 Sensibilidad 6G Axial

78
 Figura 5 Sensibilidad 6G Radial

Figura 6 Sensibilidad 6G Eje Tangencial

En las gráficas se puede observar que hay coincidencia en los resultados en los tres ejes
al indicar falla de pista interna y externa con los dos métodos, FFT y envolvente por
Hilbert. La falla de pista externa es la más significativa ya que posee una magnitud más
alta. Se puede notar que en el eje X (dirección axial) el espectro posee un
comportamiento de falla de jaula.

Los resultados obtenidos en los ejes axial y tangencial, al cambiar la sensibilidad del
sensor a 1,5G (800mV/g) fueron los mismos a los del sensor en la sensibilidad a 6G. En
el eje Y (dirección radial) se encontró una diferencia al indicar falla BSF (elementos
rodantes) por medio de la envolvente de Hilbert. A continuación se presenta la figura 7
obtenida en la dirección radial con el sensor en la sensibilidad 1,5G.

79
 Figura 7 Sensibilidad 1,5G Radial

Medición y resultados con los equipos de la empresa

Las gráficas de las figuras 8, 9 y 10 muestran los resultados de las mediciones
realizadas con los equipos de la empresa en las direcciones axial, radial y tangencial
respectivamente, la figura 11 muestra los resultados de la envolvente en la dirección
tangencial.

Figura 8 Resultados dirección axial (FFT)

80
 Figura 9 Resultados dirección radial (FFT)

Figura 10 Resultados dirección tangencial (FFT)

Figura 11 Resultados dirección tangencial (Envolvente)

Tal como se aprecia en las figuras 12, 13 y 14 al seleccionar en el software la falla que
se desea analizar, se observa que el motor presenta fallas en las pistas interna y externa
siendo esta última la más significativa por ser de mayor magnitud.

81
 Figura 12 Falla Pista Interna (Envolvente)

Figura 13 Falla Pista Externa (Envolvente)

Figura 14 Falla Elementos Rodantes (Envolvente)

Un aspecto adicional del software utilizado en la industria es que el diagnóstico de falla

se da mediante la gráfica de tendencia o cambios bruscos en el espectro de frecuencia
tal como lo muestra la gráfica de la figura 15.

82
 Figura 15 Grafica de tendencia

Conclusión/observaciones

No obstante la gran diferencia en la sensibilidad del sensor utilizado a nivel industrial,

80G (100mV/g), y el utilizado en el proyecto de 6G ó 1,5 G, y la diferencia en las
unidades de tiempo en que la interfaz de la industria analiza los datos (CPM, Ciclos por
Minuto) Vs la interfaz del proyecto (Hertz) los resultados obtenidos utilizando el equipo
de aplicación industrial y el del proyecto de grado, fueron coincidentes.

83
Anexo 3 Datasheet MMA7361

84
 85
 86


87


88


89
Anexo 4 Datasheet TL072

90
 91
 92
 93
 94
 95
Anexo 5 Fuente de Alimentación (Baterías)

Para escoger la fuente de alimentación se comparan baterías comerciales de 9V,

teniendo en cuenta el voltaje nominal, impedancia, peso, rango de temperatura de
operación y las gráficas de características de descarga típica y de corriente de descarga
entregadas en la hoja de especificaciones.

Tabla de Características eléctricas y físicas de distintas referencias de baterías comerciales

Rango de
Voltaje
Impedancia Peso temperatura de
Referencia Marca nominal
(Ω) @ 1kHz (g) operación (°C)
(V)
Min Max
Mn1604 Duracell 9 1.7 m 45 -20 35
Plus Power Duracell 9 3,050 m 45 -20 54
Simply Duracell 9 1.7m 45 -20 35
Ultra Power Duracell 9 1.7m 45 -20 54
4022 Varta 9 36,4 -20 50
4922 Varta 9 -10 50

En cuanto la gráfica de descarga de tensión Vs horas de servicio se observa que para

cargas entre 100Ω y 1kΩ el comportamiento para las baterías de referencias MN1604 y
SIMPLY tienen el mismo comportamiento a 21°C. Ver Figura 1

Si la carga es de 100 Ω el tiempo de servicio es menor a diez horas para ambas

referencias. En el caso de una carga de 200 Ω a partir de las 11 horas la descarga se
realiza de manera más rápida que las diez primeras horas las cuales presentan un
comportamiento lineal. Cuando la carga es de 500 Ω la gráfica de descarga se presenta
de manera suave, entre los 9V y 7V el tiempo de servicio es de más de 30 horas, pero
cuando disminuye la tensión por debajo de los 7V el tiempo es aproximadamente 10h
mientras la batería alcanza una tensión de 4V. Finalmente se observa que con una carga
de 1000 Ω las horas de servicio superan las 90 horas, pero disminuye más rápido
cuando la tensión es de 6V.

(a)

96
 (b)
Figura 1 Características eléctricas Voltaje Vs Hora de servicio para diferentes impedancias de carga. (a)
Ref.MN1604 (b)Ref. SIMPLY

Si se observa la figura 2 la batería DURACELL ref. MN1604 tiene un decrecimiento

bastante rápido cuando la corriente es de 50 mA Cuando la corriente es de 10mA la
tensión decrece de manera lineal de 9 a 7V en 50 horas, pero esta descarga es mucho
más rápida cuando la tensión es inferior a 7V en los tres casos. Si se comparan las
referencias MN1604, PLUA POWER Y ULTRA POWER cuando la corriente es de 2
mA decrece lentamente de 9V a 7V en un lapso de 250h, pero la referencia MN1604
decrece mucho más lento a partir de esta tensión a diferencia de las referencias ULTRA
POWER Y PLUS POWER.

(a)

97
 (b) PLUS POWER

(c) ULTRA POWER

Figura 2 Características eléctricas Voltaje Vs Hora de servicio para diferentes impedancias de carga. (a)
Ref.MN1604 (b)Ref ULTRA POWER. (c) Ref. PLUS POWER.

En cuanto consumo energético, si comparamos las referencias de DURCELL PLUS

POWER y ULTRA POWER la primera tiene un tiempo de servicio inferior a 2 horas
para un consumo de 1000 mW mientras que la segunda tiene un tiempo superior a 2
horas, pero en ambos casos esta descarga es muy rápida.

En el caso de consumo de 500mW el tiempo es aproximadamente 5 horas para la batería

PLUS POWER mientras que la ULTRA POWER es de 8 horas. Finalmente, cuando el
consumo es de 250mW el tiempo de descarga es de casi 18 horas para la batería
ULTRA POWER mientras que para la PLUS POWER no alcanza las 14h.

98
 (a)

(b)
Figura 3 Características eléctricas Voltaje Vs Hora de servicio para consumo de energía diferentes. (a) Ref.
PLUS POWER (b)Ref ULTRA POWER.

99
Anexo 6 Código Interfaz (Matlab)

function varargout = IAFR(varargin)

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @IAFR_OpeningFcn, ...
'gui_OutputFcn', @IAFR_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end

function IAFR_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject;
axes(handles.imgpuj)
imshow('PUJCali.gif')

guidata(hObject, handles);

function varargout = IAFR_OutputFcn(hObject, eventdata, handles)

varargout{1} = handles.output;

function figure1_ResizeFcn(hObject, eventdata, handles)

function Cargarbutton_Callback(hObject, eventdata, handles)

set(handles.ejesmenu,'Enable','on');

[FileName,PathName] = uigetfile('*.xlsx','Abrir Archivo');

FullName=strcat(PathName,FileName);
FullData=xlsread(FullName);

handles.FullData=FullData;

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

ts=1/fs;

hold on
plot(handles.axes1, t, x1,'b');
plot(handles.axes1, t, y2,'r');
plot(handles.axes1, t, z3,'k');
hold off
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');

100
 ylabel(handles.axes1,'Aceleracion [G]');
legend(handles.axes1,'Eje X','Eje Y','Eje Z');
grid(handles.axes1,'on')

guidata(hObject, handles);

function edit3_Callback(hObject, eventdata, handles)

function edit3_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end

function Cleanbutton_Callback(hObject, eventdata, handles)

axes(handles.axes1);
cla reset;
cla(handles.axes2FFT,'reset');
cla(handles.axes3TH,'reset');

clear;
clear global;

limpia=0;

varfftbpfi=findobj(gcbf,'tag','fftbpfi');
varfftbpfo=findobj(gcbf,'tag','fftbpfo');
varfftbsf=findobj(gcbf,'tag','fftbsf');
varfftftf=findobj(gcbf,'tag','fftftf');

varthbpfi=findobj(gcbf,'tag','thbpfi');
varthbpfo=findobj(gcbf,'tag','thbpfo');
varthbsf=findobj(gcbf,'tag','thbsf');
varthftf=findobj(gcbf,'tag','thftf');

set(varfftbpfi,'string',limpia);
set(varfftbpfo,'string',limpia);
set(varfftbsf,'string',limpia);
set(varfftftf,'string',limpia);

set(varthbpfi,'string',limpia);
set(varthbpfo,'string',limpia);
set(varthbsf,'string',limpia);
set(varthftf,'string',limpia);

clc;

function ejesmenu_Callback(hObject, eventdata, handles)

data=get(hObject,'Value');
if data == 1
set(handles.ejesboton,'Enable','off');
else
set(handles.ejesboton,'Enable','on');
end

guidata(hObject,handles);

101
function ejesmenu_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end

function ejesboton_Callback(hObject, eventdata, handles)

Ejes=get(handles.ejesmenu,'Value');
FullData=handles.FullData;
datacursormode on

switch Ejes
case 1,

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

hold on
plot(handles.axes1, t, x1,'b');
plot(handles.axes1, t, y2,'r');
plot(handles.axes1, t, z3,'k');
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Aceleracion [G]');
legend(handles.axes1,'Eje X','Eje Y','Eje Z');
grid(handles.axes1,'on');
hold off

% FFT Todos Los Ejes

[freqx1,magx1]=metFFT(x1,fs);
[freqy2,magy2]=metFFT(y2,fs);
[freqz3,magz3]=metFFT(z3,fs);

hold on
plot(handles.axes2FFT, freqx1(2:920), magx1(2:920),'b');
plot(handles.axes2FFT, freqy2(2:920), magy2(2:920),'r');
plot(handles.axes2FFT, freqz3(2:920), magz3(2:920),'k');
title(handles.axes2FFT,'FFT');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [G]');
legend(handles.axes2FFT,'Eje X','Eje Y','Eje Z');
grid(handles.axes2FFT,'on');
hold off

%Hilbert Todos Los Ejes

[frqx1,mgx1]=metTH(x1,fs);
[frqy2,mgy2]=metTH(y2,fs);
[frqz3,mgz3]=metTH(z3,fs);

hold on
plot(handles.axes3TH, frqx1(2:920), mgx1(2:920),'b');
plot(handles.axes3TH, frqy2(2:920), mgy2(2:920),'r');
plot(handles.axes3TH, frqz3(2:920), mgz3(2:920),'k');
title(handles.axes3TH,'Env-Hilbert');

102
 xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [G]');
legend(handles.axes3TH,'Eje X','Eje Y','Eje Z');
grid(handles.axes3TH,'on');
hold off

case 2, % EJE X

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

velrpm=FullData(1,6); %Velocidad en RPM

%Señal en el Tiempo
plot(handles.axes1, t, x1,'b');
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Aceleracion [G]');
legend(handles.axes1,'Eje X');
grid(handles.axes1,'on');

%FFT x
[freqx1,magx1]=metFFT(x1,fs);

plot(handles.axes2FFT, freqx1(2:920), magx1(2:920),'b');

title(handles.axes2FFT,'FFT-Eje X');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [G]');
legend(handles.axes2FFT,'Eje X');
grid(handles.axes2FFT,'on');

%Hilbert x
[frqx1,mgx1]=metTH(x1,fs);

plot(handles.axes3TH, frqx1(2:920), mgx1(2:920),'b');

title(handles.axes3TH,'Hilbert-Eje X');
xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [G]');
legend(handles.axes3TH,'Eje X');
grid(handles.axes3TH,'on');

%señales FFT
Pfft1=magx1(2:620); %Eje X
f1=freqx1(2:620);

%señales Hilbert
Pth1=mgx1(2:620); %Eje X
fth1=frqx1(2:620);

%Picos FFT
[pk1,lc1] = findpeaks(Pfft1,'SortStr','descend','NPeaks',8);
Pfft1peakFreqs = f1(lc1) %Eje X
%Picos Hilbert
[pk11,lc11] = findpeaks(Pth1,'SortStr','descend','NPeaks',8);
Pth1peakFreqs = fth1(lc11) %Eje x

103
% Para BPFI
%Hilbert
BPFIhx=freqbpfi(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbpfi,'String',BPFIhx);
%FFT
BPFIfftx=freqbpfi(Pfft1peakFreqs,velrpm); % Eje X
set(handles.fftbpfi,'String',BPFIfftx);

% Para BPFO
%Hilbert
BPFOhx=freqbpfo(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbpfo,'String',BPFOhx);
%FFT
BPFOfftx=freqbpfo(Pfft1peakFreqs,velrpm); %Eje X
set(handles.fftbpfo,'String',BPFOfftx);

% Para BSF
%Hilbert
BSFhx=freqbsf(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbsf,'String',BSFhx);
%FFT
BSFfftx=freqbsf(Pfft1peakFreqs,velrpm); %Eje X
set(handles.fftbsf,'String',BSFfftx);

% Para FTF
%Hilbert
FTFhx=freqftf(Pth1peakFreqs,velrpm); %Eje X
set(handles.thftf,'String',FTFhx);
%FFT
FTFfftx=freqftf(Pfft1peakFreqs,velrpm); %Eje X
set(handles.fftftf,'String',FTFfftx);

case 3, %EJE Y

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

velrpm=FullData(1,6); %Velocidad en RPM

%SeÒal en el Tiempo
plot(handles.axes1, t, y2,'r');
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Aceleracion [G]');
legend(handles.axes1,'Eje Y');
grid(handles.axes1,'on');

%FFT y
[freqy2,magy2]=metFFT(y2,fs);

plot(handles.axes2FFT, freqy2(2:920), magy2(2:920),'r');

title(handles.axes2FFT,'FFT-Eje Y');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [G]');
legend(handles.axes2FFT,'Eje y');

104
 grid(handles.axes2FFT,'on');

%Hilbert y
[frqy2,mgy2]=metTH(y2,fs);

plot(handles.axes3TH, frqy2(2:920), mgy2(2:920),'r');

title(handles.axes3TH,'Hilbert-Eje Y');
xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [G]');
legend(handles.axes3TH,'Eje Y');
grid(handles.axes3TH,'on');

%señales FFT
Pfft1=magy2(2:620); %Eje Y
f1=freqy2(2:620);

%señales Hilbert
Pth1=mgy2(2:620); %Eje Y
fth1=frqy2(2:620);

%Picos FFT
[pk1,lc1] = findpeaks(Pfft1,'SortStr','descend','NPeaks',8);
Pfft1peakFreqs = f1(lc1) %Eje Y
%Picos Hilbert
[pk11,lc11] = findpeaks(Pth1,'SortStr','descend','NPeaks',8);
Pth1peakFreqs = fth1(lc11) %Eje Y

% Para BPFI
%Hilbert
BPFIhy=freqbpfi(Pth1peakFreqs,velrpm); %Eje Y
set(handles.thbpfi,'String',BPFIhy);
%FFT
BPFIffty=freqbpfi(Pfft1peakFreqs,velrpm); % Eje Y
set(handles.fftbpfi,'String',BPFIffty);

% Para BPFO
%Hilbert
BPFOhy=freqbpfo(Pth1peakFreqs,velrpm); %Eje Y
set(handles.thbpfo,'String',BPFOhy);
%FFT
BPFOffty=freqbpfo(Pfft1peakFreqs,velrpm); %Eje Y
set(handles.fftbpfo,'String',BPFOffty);

% Para BSF
%Hilbert
BSFhy=freqbsf(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbsf,'String',BSFhy);
%FFT
BSFffty=freqbsf(Pfft1peakFreqs,velrpm); %Eje X
set(handles.fftbsf,'String',BSFffty);

% Para FTF
%Hilbert
FTFhy=freqftf(Pth1peakFreqs,velrpm); %Eje Y
set(handles.thftf,'String',FTFhy);
%FFT
FTFffty=freqftf(Pfft1peakFreqs,velrpm); %Eje Y
set(handles.fftftf,'String',FTFffty);

case 4, %EJE Z

105
 t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

velrpm=FullData(1,6); %Velocidad en RPM

%SeÒal en el Tiempo
plot(handles.axes1, t, z3,'k');
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Aceleracion [G]');
legend(handles.axes1,'Eje Z');
grid(handles.axes1,'on');

%FFT z
[freqz3,magz3]=metFFT(z3,fs);

plot(handles.axes2FFT, freqz3(2:920), magz3(2:920),'k');

title(handles.axes2FFT,'FFT-Eje Z');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [G]');
legend(handles.axes2FFT,'Eje Z');
grid(handles.axes2FFT,'on');

%Hilbert z
[frqz3,mgz3]=metTH(z3,fs);

plot(handles.axes3TH, frqz3(2:920), mgz3(2:920),'k');

title(handles.axes3TH,'Hilbert-Eje Z');
xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [G]');
legend(handles.axes3TH,'Eje Z');
grid(handles.axes3TH,'on');

%seÒales FFT
Pfft1=magz3(2:620); %Eje Z
f1=freqz3(2:620);

%seÒales Hilbert
Pth1=mgz3(2:620); %Eje Z
fth1=frqz3(2:620);

%Picos FFT
[pk1,lc1] = findpeaks(Pfft1,'SortStr','descend','NPeaks',8);
Pfft1peakFreqs = f1(lc1) %Eje Z
%Picos Hilbert
[pk11,lc11] = findpeaks(Pth1,'SortStr','descend','NPeaks',8);
Pth1peakFreqs = fth1(lc11) %Eje Z

% Para BPFI
%Hilbert
BPFIhz=freqbpfi(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thbpfi,'String',BPFIhz);
%FFT
BPFIfftz=freqbpfi(Pfft1peakFreqs,velrpm); % Eje Z
set(handles.fftbpfi,'String',BPFIfftz);

% Para BPFO

106
%Hilbert
BPFOhz=freqbpfo(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thbpfo,'String',BPFOhz);
%FFT
BPFOfftz=freqbpfo(Pfft1peakFreqs,velrpm); %Eje Z
set(handles.fftbpfo,'String',BPFOfftz);

% Para BSF
%Hilbert
BSFhz=freqbsf(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thbsf,'String',BSFhz);
%FFT
BSFfftz=freqbsf(Pfft1peakFreqs,velrpm); %Eje Z
set(handles.fftbsf,'String',BSFfftz);

% Para FTF
%Hilbert
FTFhz=freqftf(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thftf,'String',FTFhz);
%FFT
FTFfftz=freqftf(Pfft1peakFreqs,velrpm); %Eje Z
set(handles.fftftf,'String',FTFfftz);

end

guidata(hObject, handles);

function analisismenu_Callback(hObject, eventdata, handles)

data=get(hObject,'Value');
if data == 1
set(handles.analisisboton,'Enable','off');
else
set(handles.analisisboton,'Enable','on');
end

guidata(hObject,handles);

function analisismenu_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end

function analisisboton_Callback(hObject, eventdata, handles)

Analisis=get(handles.analisismenu,'Value');
FullData=handles.FullData;
datacursormode on

switch Analisis
case 2, % SeÒal en el Tiempo

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

107
 figure();
subplot (3,1,1)
plot(t,x1,'b')
grid on
xlabel('Tiempo [s]')
ylabel('Aceleracion [G]')
title('SeÒal eje x')

subplot(3,1,2)
plot(t,y2,'r')
grid on
xlabel('Tiempo [s]')
ylabel('Aceleracion [G]')
title('SeÒal eje y')

subplot(3,1,3)
plot(t,z3,'k')
grid on
xlabel('Tiempo [s]')
ylabel('Aceleracion [G]')
title('SeÒal eje z')

case 3, % FFT

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

[freqx1,magx1]=metFFT(x1,fs);
[freqy2,magy2]=metFFT(y2,fs);
[freqz3,magz3]=metFFT(z3,fs);

figure();
subplot(3,1,1)
plot(freqx1(2:end),magx1(2:end),'b');
title('FFT seÒal eje x')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,1,2)
plot(freqy2(2:end),magy2(2:end),'r');
title('FFT seÒal eje y')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,1,3)
plot(freqz3(2:end),magz3(2:end),'k');
title('FFT seÒal eje z')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

case 4, %Env Hilbert

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

108
 fs= FullData(1,5); % Frecuencia de Muestreo

[frqx1,mgx1]=metTH(x1,fs);
[frqy2,mgy2]=metTH(y2,fs);
[frqz3,mgz3]=metTH(z3,fs);

figure();
subplot(3,1,1)
plot(frqx1(2:end),mgx1(2:end),'b');
title('Env Hilbert eje x')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,1,2)
plot(frqy2(2:end),mgy2(2:end),'r');
title('Env Hilbert eje y')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,1,3)
plot(frqz3(2:end),mgz3(2:end),'k');
title('Env Hilbert seÒal eje z')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

case 5, % FFT vs Hilbert

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

[freqx1,magx1]=metFFT(x1,fs);
[freqy2,magy2]=metFFT(y2,fs);
[freqz3,magz3]=metFFT(z3,fs);

[frqx1,mgx1]=metTH(x1,fs);
[frqy2,mgy2]=metTH(y2,fs);
[frqz3,mgz3]=metTH(z3,fs);

figure();

subplot(3,2,1)
plot(freqx1(2:920),magx1(2:920),'b');
title('FFT seÒal eje x')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,2,3)
plot(freqy2(2:920),magy2(2:920),'r');
title('FFT seÒal eje y')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,2,5)
plot(freqz3(2:920),magz3(2:920),'k');
title('FFT seÒal eje z')

109
 ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,2,2)
plot(frqx1(2:920),mgx1(2:920),'b');
title('Env Hilbert eje x')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,2,4)
plot(frqy2(2:920),mgy2(2:920),'r');
title('Env Hilbert eje y')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

subplot(3,2,6)
plot(frqz3(2:920),mgz3(2:920),'k');
title('Env Hilbert seÒal eje z')
ylabel('Magnitud [G]')
xlabel('Frecuencia (Hz)')

case 6, %Esprectro

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

figure()
subplot(3,1,1)
spectrogram(x1, 256, 3/4*256, [], fs, 'yaxis');
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Tiempo [s]')
ylabel('Frecuencia [Hz]')
title('Spectrogram - Eje X')

h = colorbar;
set(h, 'FontName', 'Times New Roman', 'FontSize', 14)
ylabel(h, 'Magnitud [dB]')

subplot(3,1,2)
spectrogram(y2, 256, 3/4*256, [], fs, 'yaxis')
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Tiempo [s]')
ylabel('Frecuencia [Hz]')
title('Spectrogram - Eje Y')

h = colorbar;
set(h, 'FontName', 'Times New Roman', 'FontSize', 14)
ylabel(h, 'Magnitud [dB]')

subplot(3,1,3)
spectrogram(z3, 256, 3/4*256, [], fs, 'yaxis')
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Tiempo [s]')
ylabel('Frecuencia [Hz]')

110
 title('Spectrogram - Eje Z')

h = colorbar;
set(h, 'FontName', 'Times New Roman', 'FontSize', 14)
ylabel(h, 'Magnitud [dB]')

case 7, %Autocorrelacion

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

% autocorrelation
[Rx1, lags1] = xcorr(x1, 'coeff'); % x
d1 = lags1/fs;
[Rx2, lags2] = xcorr(y2, 'coeff'); % y
d2 = lags2/fs;
[Rx3, lags3] = xcorr(z3, 'coeff'); % z
d3 = lags3/fs;

% Grafica de la SeÒal de autocorrelation

figure()
subplot(3,1,1)
plot(d1, Rx1, 'b') % x
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Delay [s]')
ylabel('coeficiente Autocorrelacion')
title('Autocorrelacion del Eje X')

subplot(3,1,2)
plot(d2, Rx2, 'r') % y
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Delay [s]')
ylabel('coeficiente Autocorrelacion')
title('Autocorrelacion del Eje Y')

subplot(3,1,3)
plot(d3, Rx3, 'r') % z
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Delay [s]')
ylabel('coeficiente Autocorrelacion')
title('Autocorrelacion del Eje Z')

case 8, % Histograma

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

figure()
subplot(3,1,1)
histfit(x1)

111
 grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Amplitud de la seÒal')
ylabel('Numero de muestras')
title('Probability distribution of the signal')

subplot(3,1,2)
histfit(y2)
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Amplitud de la seÒal')
ylabel('Numero de muestras')
title('Probability distribution of the signal')

subplot(3,1,3)
histfit(z3)
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Amplitud de la seÒal')
ylabel('Numero de muestras')
title('Probability distribution of the signal')

case 9, %Datos estadisticos de la onda en el tiempo

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

% Max y Min de la seÒal en el tiempo

maxval1 = max(x1); % x
minval1 = min(x1);

maxval2 = max(y2); % y
minval2 = min(y2);

maxval3 = max(z3); % z
minval3 = min(z3);

% Nivel DC y valor RMS

u1 = mean(x1); % x
rms11 = sqrt(mean(x1.^2));

u2 = mean(y2); % y
rms12 = sqrt(mean(y2.^2));

u3 = mean(z3); % z
rms13 = sqrt(mean(z3.^2));

% Rango Dinamico
D1 = 20*log10(maxval1/min(abs(nonzeros(x1)))); % x

D2 = 20*log10(maxval2/min(abs(nonzeros(y2)))); % y

D3 = 20*log10(maxval3/min(abs(nonzeros(z3)))); % z

% Factor Crest
Q1 = 20*log10(maxval1/rms11); % x

112
 Q2 = 20*log10(maxval2/rms12); % y

Q3 = 20*log10(maxval3/rms13); % z

f = figure('Position',[200 200 400 150]);

dat =
{maxval1,minval1,u1,rms11,Q1,D1;maxval2,minval2,u2,rms12,Q2,D2;maxval3
,minval3,u3,rms13,Q3,D3};
cnames = {'V.max','V.min','V.medio','V.RMS','Crest','Rango
Dinamico'};
rnames = {'X','Y','Z'};
t = uitable('Parent',f,'Data',dat,'ColumnName',cnames,...
'RowName',rnames,'Position',[20 20 500 100]);
end

guidata(hObject, handles);

function mail_Callback(hObject, eventdata, handles)

web('mailto:mmmartinez@javerianacali.edu.co');

% --- Executes on button press in Basedatos.

function Basedatos_Callback(hObject, eventdata, handles)

web('http://especialistasenlaweb.com/mmm/','-browser');

function botonvel_Callback(hObject, eventdata, handles)

Ejes=get(handles.ejesmenu,'Value');
FullData=handles.FullData;
datacursormode on

switch Ejes
case 1,

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

hold on
plot(handles.axes1, t_v, xv1,'b');
plot(handles.axes1, t_v, yv2,'r');
plot(handles.axes1, t_v, zv3,'k');
title(handles.axes1,'SeÒal en el tiempo');

113
 xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Velocidad [mm/s]');
legend(handles.axes1,'Eje X','Eje Y','Eje Z');
grid(handles.axes1,'on');
hold off

% FFT Todos Los Ejes

[freqx1,magx1]=metFFT(xv1,fs);
[freqy2,magy2]=metFFT(yv2,fs);
[freqz3,magz3]=metFFT(zv3,fs);

hold on
plot(handles.axes2FFT, freqx1(2:920), magx1(2:920),'b');
plot(handles.axes2FFT, freqy2(2:920), magy2(2:920),'r');
plot(handles.axes2FFT, freqz3(2:920), magz3(2:920),'k');
title(handles.axes2FFT,'FFT');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [mm/s]');
legend(handles.axes2FFT,'Eje X','Eje Y','Eje Z');
grid(handles.axes2FFT,'on');
hold off

%Hilbert Todos Los Ejes

[frqx1,mgx1]=metTH(xv1,fs);
[frqy2,mgy2]=metTH(yv2,fs);
[frqz3,mgz3]=metTH(zv3,fs);

hold on
plot(handles.axes3TH, frqx1(2:920), mgx1(2:920),'b');
plot(handles.axes3TH, frqy2(2:920), mgy2(2:920),'r');
plot(handles.axes3TH, frqz3(2:920), mgz3(2:920),'k');
title(handles.axes3TH,'Env-Hilbert');
xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [mm/s]');
legend(handles.axes3TH,'Eje X','Eje Y','Eje Z');
grid(handles.axes3TH,'on');
hold off

case 2, % EJE X

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

velrpm=FullData(1,6); %Velocidad en RPM

xx1=x1.*(9.8*1000); % de G a mm/s^2

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
end
t_v=t(1:(end-1));

%SeÒal en el Tiempo
plot(handles.axes1, t_v, xv1,'b');
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Velocidad [mm/s]');

114
 legend(handles.axes1,'Eje X');
grid(handles.axes1,'on');

%FFT x
[freqx1,magx1]=metFFT(xv1,fs);

plot(handles.axes2FFT, freqx1(2:920), magx1(2:920),'b');

title(handles.axes2FFT,'FFT-Eje X');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [mm/s]');
legend(handles.axes2FFT,'Eje X');
grid(handles.axes2FFT,'on');

%Hilbert x
[frqx1,mgx1]=metTH(xv1,fs);

plot(handles.axes3TH, frqx1(2:920), mgx1(2:920),'b');

title(handles.axes3TH,'Hilbert-Eje X');
xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [mm/s]');
legend(handles.axes3TH,'Eje X');
grid(handles.axes3TH,'on');

%seÒales FFT
Pfft1=magx1(2:620); %Eje X
f1=freqx1(2:620);

%seÒales Hilbert
Pth1=mgx1(2:620); %Eje X
fth1=frqx1(2:620);

%Picos FFT
[pk1,lc1] = findpeaks(Pfft1,'SortStr','descend','NPeaks',8);
Pfft1peakFreqs = f1(lc1) %Eje X
%Picos Hilbert
[pk11,lc11] = findpeaks(Pth1,'SortStr','descend','NPeaks',8);
Pth1peakFreqs = fth1(lc11) %Eje x

% Para BPFI
%Hilbert
BPFIhx=freqbpfi(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbpfi,'String',BPFIhx);
%FFT
BPFIfftx=freqbpfi(Pfft1peakFreqs,velrpm); % Eje X
set(handles.fftbpfi,'String',BPFIfftx);

% Para BPFO
%Hilbert
BPFOhx=freqbpfo(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbpfo,'String',BPFOhx);
%FFT
BPFOfftx=freqbpfo(Pfft1peakFreqs,velrpm); %Eje X
set(handles.fftbpfo,'String',BPFOfftx);

% Para BSF
%Hilbert
BSFhx=freqbsf(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbsf,'String',BSFhx);
%FFT
BSFfftx=freqbsf(Pfft1peakFreqs,velrpm); %Eje X

115
 set(handles.fftbsf,'String',BSFfftx);

% Para FTF
%Hilbert
FTFhx=freqftf(Pth1peakFreqs,velrpm); %Eje X
set(handles.thftf,'String',FTFhx);
%FFT
FTFfftx=freqftf(Pfft1peakFreqs,velrpm); %Eje X
set(handles.fftftf,'String',FTFfftx);

case 3, %EJE Y

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

velrpm=FullData(1,6); %Velocidad en RPM

yy2=y2.*(9.8*1000); % de G a mm/s^2

for i= 1:(length(t)-1)
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
end
t_v=t(1:(end-1));

%SeÒal en el Tiempo
plot(handles.axes1, t_v, yv2,'r');
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Velocidad [mm/s]');
legend(handles.axes1,'Eje Y');
grid(handles.axes1,'on');

%FFT y
[freqy2,magy2]=metFFT(yv2,fs);

plot(handles.axes2FFT, freqy2(2:920), magy2(2:920),'r');

title(handles.axes2FFT,'FFT-Eje Y');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [mm/s]');
legend(handles.axes2FFT,'Eje y');
grid(handles.axes2FFT,'on');

%Hilbert y
[frqy2,mgy2]=metTH(yv2,fs);

plot(handles.axes3TH, frqy2(2:920), mgy2(2:920),'r');

title(handles.axes3TH,'Hilbert-Eje Y');
xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [mm/s]');
legend(handles.axes3TH,'Eje Y');
grid(handles.axes3TH,'on');

%seÒales FFT
Pfft1=magy2(2:620); %Eje Y
f1=freqy2(2:620);

116
%seÒales Hilbert
Pth1=mgy2(2:620); %Eje Y
fth1=frqy2(2:620);

%Picos FFT
[pk1,lc1] = findpeaks(Pfft1,'SortStr','descend','NPeaks',8);
Pfft1peakFreqs = f1(lc1) %Eje Y
%Picos Hilbert
[pk11,lc11] = findpeaks(Pth1,'SortStr','descend','NPeaks',8);
Pth1peakFreqs = fth1(lc11) %Eje Y

% Para BPFI
%Hilbert
BPFIhy=freqbpfi(Pth1peakFreqs,velrpm); %Eje Y
set(handles.thbpfi,'String',BPFIhy);
%FFT
BPFIffty=freqbpfi(Pfft1peakFreqs,velrpm); % Eje Y
set(handles.fftbpfi,'String',BPFIffty);

% Para BPFO
%Hilbert
BPFOhy=freqbpfo(Pth1peakFreqs,velrpm); %Eje Y
set(handles.thbpfo,'String',BPFOhy);
%FFT
BPFOffty=freqbpfo(Pfft1peakFreqs,velrpm); %Eje Y
set(handles.fftbpfo,'String',BPFOffty);

% Para BSF
%Hilbert
BSFhy=freqbsf(Pth1peakFreqs,velrpm); %Eje X
set(handles.thbsf,'String',BSFhy);
%FFT
BSFffty=freqbsf(Pfft1peakFreqs,velrpm); %Eje X
set(handles.fftbsf,'String',BSFffty);

% Para FTF
%Hilbert
FTFhy=freqftf(Pth1peakFreqs,velrpm); %Eje Y
set(handles.thftf,'String',FTFhy);
%FFT
FTFffty=freqftf(Pfft1peakFreqs,velrpm); %Eje Y
set(handles.fftftf,'String',FTFffty);

case 4, %EJE Z

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

velrpm=FullData(1,6); %Velocidad en RPM

zz3=z3.*(9.8*1000); % de G a mm/s^2

for i= 1:(length(t)-1)
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);

117
end
t_v=t(1:(end-1));

%SeÒal en el Tiempo
plot(handles.axes1, t_v, zv3,'k');
title(handles.axes1,'SeÒal en el tiempo');
xlabel(handles.axes1,'Tiempo [s]');
ylabel(handles.axes1,'Velocidad [mm/s]');
legend(handles.axes1,'Eje Z');
grid(handles.axes1,'on');

%FFT z
[freqz3,magz3]=metFFT(zv3,fs);

plot(handles.axes2FFT, freqz3(2:920), magz3(2:920),'k');

title(handles.axes2FFT,'FFT-Eje Z');
xlabel(handles.axes2FFT,'Frecuencia [Hz]');
ylabel(handles.axes2FFT,'Amplitud [mm/s]');
legend(handles.axes2FFT,'Eje Z');
grid(handles.axes2FFT,'on');

%Hilbert z
[frqz3,mgz3]=metTH(zv3,fs);

plot(handles.axes3TH, frqz3(2:920), mgz3(2:920),'k');

title(handles.axes3TH,'Hilbert-Eje Z');
xlabel(handles.axes3TH,'Frecuencia [Hz]');
ylabel(handles.axes3TH,'Amplitud [mm/s]');
legend(handles.axes3TH,'Eje Z');
grid(handles.axes3TH,'on');

%seÒales FFT
Pfft1=magz3(2:620); %Eje Z
f1=freqz3(2:620);

%seÒales Hilbert
Pth1=mgz3(2:620); %Eje Z
fth1=frqz3(2:620);

%Picos FFT
[pk1,lc1] = findpeaks(Pfft1,'SortStr','descend','NPeaks',8);
Pfft1peakFreqs = f1(lc1) %Eje Z
%Picos Hilbert
[pk11,lc11] = findpeaks(Pth1,'SortStr','descend','NPeaks',8);
Pth1peakFreqs = fth1(lc11) %Eje Z

% Para BPFI
%Hilbert
BPFIhz=freqbpfi(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thbpfi,'String',BPFIhz);
%FFT
BPFIfftz=freqbpfi(Pfft1peakFreqs,velrpm); % Eje Z
set(handles.fftbpfi,'String',BPFIfftz);

% Para BPFO
%Hilbert
BPFOhz=freqbpfo(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thbpfo,'String',BPFOhz);
%FFT
BPFOfftz=freqbpfo(Pfft1peakFreqs,velrpm); %Eje Z
set(handles.fftbpfo,'String',BPFOfftz);

118
% Para BSF
%Hilbert
BSFhz=freqbsf(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thbsf,'String',BSFhz);
%FFT
BSFfftz=freqbsf(Pfft1peakFreqs,velrpm); %Eje Z
set(handles.fftbsf,'String',BSFfftz);

% Para FTF
%Hilbert
FTFhz=freqftf(Pth1peakFreqs,velrpm); %Eje Z
set(handles.thftf,'String',FTFhz);
%FFT
FTFfftz=freqftf(Pfft1peakFreqs,velrpm); %Eje Z
set(handles.fftftf,'String',FTFfftz);

end

guidata(hObject, handles);

% --- Executes on button press in B_analisisVelc.

function B_analisisVelc_Callback(hObject, eventdata, handles)

Analisis=get(handles.analisismenu,'Value');
FullData=handles.FullData;
datacursormode on

switch Analisis
case 2, % SeÒal en el Tiempo

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

figure();
subplot (3,1,1)
plot(t_v,xv1,'b')
grid on
xlabel('Tiempo [s]')
ylabel('Velocidad [mm/s]')
title('SeÒal eje x')

subplot(3,1,2)

119
 plot(t_v,yv2,'r')
grid on
xlabel('Tiempo [s]')
ylabel('Velocidad [mm/s]')
title('SeÒal eje y')

subplot(3,1,3)
plot(t_v,zv3,'k')
grid on
xlabel('Tiempo [s]')
ylabel('Velocidad [mm/s]')
title('SeÒal eje z')

case 3, % FFT

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

[freqx1,magx1]=metFFT(xv1,fs);
[freqy2,magy2]=metFFT(yv2,fs);
[freqz3,magz3]=metFFT(zv3,fs);

figure();
subplot(3,1,1)
plot(freqx1(2:end),magx1(2:end),'b');
title('FFT seÒal eje x')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,1,2)
plot(freqy2(2:end),magy2(2:end),'r');
title('FFT seÒal eje y')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,1,3)
plot(freqz3(2:end),magz3(2:end),'k');
title('FFT seÒal eje z')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

case 4, %Env Hilbert

t= FullData(:,1);

120
 x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

[frqx1,mgx1]=metTH(xv1,fs);
[frqy2,mgy2]=metTH(yv2,fs);
[frqz3,mgz3]=metTH(zv3,fs);

figure();
subplot(3,1,1)
plot(frqx1(2:end),mgx1(2:end),'b');
title('Env Hilbert eje x')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,1,2)
plot(frqy2(2:end),mgy2(2:end),'r');
title('Env Hilbert eje y')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,1,3)
plot(frqz3(2:end),mgz3(2:end),'k');
title('Env Hilbert seÒal eje z')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

case 5, % FFT vs Hilbert

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

121
 [freqx1,magx1]=metFFT(xv1,fs);
[freqy2,magy2]=metFFT(yv2,fs);
[freqz3,magz3]=metFFT(zv3,fs);

[frqx1,mgx1]=metTH(xv1,fs);
[frqy2,mgy2]=metTH(yv2,fs);
[frqz3,mgz3]=metTH(zv3,fs);

figure();

subplot(3,2,1)
plot(freqx1(2:920),magx1(2:920),'b');
title('FFT seÒal eje x')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,2,3)
plot(freqy2(2:920),magy2(2:920),'r');
title('FFT seÒal eje y')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,2,5)
plot(freqz3(2:920),magz3(2:920),'k');
title('FFT seÒal eje z')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,2,2)
plot(frqx1(2:920),mgx1(2:920),'b');
title('Env Hilbert eje x')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,2,4)
plot(frqy2(2:920),mgy2(2:920),'r');
title('Env Hilbert eje y')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

subplot(3,2,6)
plot(frqz3(2:920),mgz3(2:920),'k');
title('Env Hilbert seÒal eje z')
ylabel('Velocidad [mm/s]')
xlabel('Frecuencia (Hz)')

case 6, %Esprectro

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)

122
 xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

figure()
subplot(3,1,1)
spectrogram(xv1, 256, 3/4*256, [], fs, 'yaxis');
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Tiempo [s]')
ylabel('Frecuencia [Hz]')
title('Spectrogram - Eje X')

h = colorbar;
set(h, 'FontName', 'Times New Roman', 'FontSize', 14)
ylabel(h, 'Magnitud [dB]')

subplot(3,1,2)
spectrogram(yv2, 256, 3/4*256, [], fs, 'yaxis')
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Tiempo [s]')
ylabel('Frecuencia [Hz]')
title('Spectrogram - Eje Y')

h = colorbar;
set(h, 'FontName', 'Times New Roman', 'FontSize', 14)
ylabel(h, 'Magnitud [dB]')

subplot(3,1,3)
spectrogram(zv3, 256, 3/4*256, [], fs, 'yaxis')
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Tiempo [s]')
ylabel('Frecuencia [Hz]')
title('Spectrogram - Eje Z')

h = colorbar;
set(h, 'FontName', 'Times New Roman', 'FontSize', 14)
ylabel(h, 'Magnitud [dB]')

case 7, % Autocorrelacion

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end

123
 t_v=t(1:(end-1));

% autocorrelation
[Rx1, lags1] = xcorr(xv1, 'coeff'); %Drive
d1 = lags1/fs;
[Rx2, lags2] = xcorr(yv2, 'coeff'); %Fan
d2 = lags2/fs;
[Rx3, lags3] = xcorr(zv3, 'coeff'); %Fan
d3 = lags3/fs;

% SeÒal de la funcion de autocorrelation

figure()
subplot(3,1,1)
plot(d1, Rx1, 'b') %Eje x
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Delay [s]')
ylabel('coeficiente de Autocorrelacion')
title('Autocorrelacion del Eje x')

subplot(3,1,2)
plot(d2, Rx2, 'r') %Eje y
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Delay [s]')
ylabel('coeficiente de Autocorrelacion')
title('Autocorrelacion del Eje y')

subplot(3,1,3)
plot(d3, Rx3, 'k') %Eje z
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Delay [s]')
ylabel('coeficiente de Autocorrelacion')
title('Autocorrelacion del Eje z')

case 8, % Histograma

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

figure()
subplot(3,1,1)
histfit(xv1)
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)

124
 xlabel('Amplitud de la seÒal')
ylabel('Numero de muestras')
title('Probability distribution of the signal')

subplot(3,1,2)
histfit(yv2)
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Amplitud de la seÒal')
ylabel('Numero de muestras')
title('Probability distribution of the signal')

subplot(3,1,3)
histfit(zv3)
grid on
set(gca, 'FontName', 'Times New Roman', 'FontSize', 14)
xlabel('Amplitud de la seÒal')
ylabel('Numero de muestras')
title('Probability distribution of the signal')

case 9, %Datos estadisticos de la onda en el tiempo

t= FullData(:,1);
x1= FullData(:,2); % datos x
y2= FullData(:,3); % datos y
z3= FullData(:,4); % datos z

fs= FullData(1,5); % Frecuencia de Muestreo

xx1=x1.*(9.8*1000); % de G a mm/s^2
yy2=y2.*(9.8*1000);
zz3=z3.*(9.8*1000);

for i= 1:(length(t)-1)
xv1(i) = trapz([t(i) t(i+1)],[xx1(i) xx1(i+1)]);
yv2(i) = trapz([t(i) t(i+1)],[yy2(i) yy2(i+1)]);
zv3(i) = trapz([t(i) t(i+1)],[zz3(i) zz3(i+1)]);
end
t_v=t(1:(end-1));

% Max y Min de la seÒal en el tiempo

maxval1 = max(xv1); % x
minval1 = min(xv1);

maxval2 = max(yv2); % y
minval2 = min(yv2);

maxval3 = max(zv3); % z
minval3 = min(zv3);

% Nivel DC y valor RMS

u1 = mean(xv1); % x
rms11 = sqrt(mean(xv1.^2));

u2 = mean(yv2); % y
rms12 = sqrt(mean(yv2.^2));

u3 = mean(zv3); % z
rms13 = sqrt(mean(zv3.^2));

125
% Rango Dinamico
D1 = 20*log10(maxval1/min(abs(nonzeros(xv1)))); % x

D2 = 20*log10(maxval2/min(abs(nonzeros(yv2)))); % y

D3 = 20*log10(maxval3/min(abs(nonzeros(zv3)))); % z

% Factor Crest
Q1 = 20*log10(maxval1/rms11); % x

Q2 = 20*log10(maxval2/rms12); % y

Q3 = 20*log10(maxval3/rms13); % z

f = figure('Position',[200 200 400 150]);

dat =
{maxval1,minval1,u1,rms11,Q1,D1;maxval2,minval2,u2,rms12,Q2,D2;maxval3
,minval3,u3,rms13,Q3,D3};
cnames = {'V.max','V.min','V.medio','V.RMS','Crest','Rango
Dinamico'};
rnames = {'X','Y','Z'};
t = uitable('Parent',f,'Data',dat,'ColumnName',cnames,...
'RowName',rnames,'Position',[20 20 500 100]);
end

guidata(hObject, handles);

126