TESIS RNA Version Final

8/17/2019 TESIS RNA Version Final

1/85

CLASIFICACIÓN AUTOMÁTICA DE PATRONES DE VIBRACIÓN MECÁNICA

EN MÁQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y

DESALINEAMIENTO USANDO REDES NEURONALES ARTIFICIALES

EDWIN GUTIERREZ ARRIETA

ALEXANDER CARRILLO SANDOVAL

UNIVERSIDAD ANTONIO NARIÑO

FACULTAD DE INGENIERÍA ELECTROMECÁNICA

BUCARAMANGA

2015


2/85

CLASIFICACIÓN AUTOMATICAS DE PATRONES DE VIBRACIÓN MECÁNICA

EN MÁQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y

DESALINEAMIENTO USANDO REDES NEURONALES ARTIFICALES



Trabajo de grado para optar al título de:

Ingeniero Electromecánico

Director:

CAMILO LEONARDO SANDOVAL RODRIGUEZ

M.Sc. Electrónica

UNIVERSIDAD ANTONIO NARIÑO

FACULTAD DE INGENIERÍA ELECTROMECÁNICA

BUCARAMANGA

2015


3/85

3

DEDICATORIA

Gracias a Dios por permitir alcanzar esta meta por darme la fuerza y dejar acercarpersonas que me apoyan y me acompañan.

Gracias Padre y Madre por los consejos y la guía que siempre me ofrecieron yme forjaron para alcanzar todos mis logros. A mi esposa por la comprensión y el amor que siempre está dispuesta darincondicionalmente.

A mis hijos por convertirse en la luz de mis ojos.


Gracias al todo Poderoso, y aquellas personas que nos colaboraron en alcanzareste objetivo.Gracias a mis familiares a mi Padre y Madre por los consejos y la guía que siempre

me ofrecieron y me forjaron para alcanzar todos mis logros. A mi esposa por su comprensión y las largas jornadas de estudio que siempreestuvo dispuesta a colaborarme



4/85

4

AGRADECIMIENTOS

El logro de este objetivo no hubiese sido posible sin la colaboración incondicionalde nuestras familias las cuales eran testigos y acompañantes del trabajo arduo

durante el transcurrir de nuestros estudios.

También extendemos nuestros sinceros agradecimientos y reconocimiento, a laIngeniera Indira Cassaleth por todo su apoyo, entrega y compromiso con laInstitución y cada uno de sus estudiantes.

A nuestro director de proyecto y maestro, al Ingeniero y M.sc. Camilo LeonardoSandoval por su orientación, aportes y direccionamiento efectivo; mil y mil graciasCamilo.


5/85

5

CONTENIDO

Pág.

INTRODUCCIÓN ................................................................................................. 145

1 PLANTEAMIENTO DEL PROBLEMA ......................................................... 16

2 JUSTIFICACION ......................................................................................... 17

3 OBJETIVOS DEL PROYECTO ................................................................... 18

3.1 GENERAL ................................................................................................... 18

3.2 ESPECÍFICOS ............................................................................................ 18

4 MARCO CONCEPTUAL .............................................................................. 19

4.1 MANTENIMIENTO PREDICTIVO ............................................................... 19

4.2 VIBRACIONES MECÁNICAS ...................................................................... 20

4.2.1 Clasificación de las vibraciones ................................................................... 20

4.3 ANALISIS DE VIBRACIONES PARA EL MANTENIMIENTO PREDICTIVODE MÁQUINAS ........................................................................................... 22

4.4 MEDICIÓN DE LA VIBRACIÓN .................................................................. 23

4.4.1 CARACTERÍSTICAS, PARÁMETROS Y NIVELES DE VIBRACIÓN .......... 23

4.5 FALLAS EN MÁQUINAS ROTATIVAS ........................................................ 26

4.5.1 Desbalanceo ............................................................................................... 27

4.5.2 Desalineamiento .......................................................................................... 29

4.6 MANTENIMIENTO PREDICTIVO BASADO EN REDES NEURONALES ... 32

4.6.1 Red Neuronal Artificial ................................................................................. 32

4.6.2 Arquitecturas ............................................................................................... 35

4.6.3 Entrenamiento de las redes neuronales Artificiales ..................................... 37

4.6.4 Simulación en computadora de redes neuronales artificiales...................... 38

4.6.5 Modelos de redes neuronales artificiales .................................................... 39

4.7 USO DE REDES NEURONALES EN EL MANTENIMIENTO DEMÁQUINAS ................................................................................................. 42

5 DESARROLLO METODOLÓGICO ............................................................. 45

5.1 DESCRIPCIÓN ........................................................................................... 45

5.2 FASE 1- ESTUDIO BIBLIOGRÁFICO ......................................................... 46


6/85

6

5.3 FASE 2- EJECUCIÓN ................................................................................. 46

5.3.1 Análisis de los datos adquiridos en el banco ............................................... 47

5.3.2 Creación de la red neuronal ........................................................................ 52

5.3.3 Construcción Arreglo de ejemplos ............................................................... 53 5.3.4 Estructura de la red neuronal ...................................................................... 55

5.3.5 Configurar la Red Neuronal Artificial .......................................................... 56

5.3.6 Función de transferencia ............................................................................. 56

5.3.7 Función de entrenamiento Backpropagation ............................................... 57

5.3.8 Inicialización de los Pesos y Bias Red Neuronal Artificial .......................... 58

5.3.9 Entrenamiento de la Red Neuronal Artificial ................................................ 58

5.4 FASE 3: EXPERIMENTACIÓN ................................................................... 60

5.4.1 Entrenamiento para la clasificación de señales vibratorias ......................... 60

5.5 FASE 4: ANÁLISIS Y RESULTADOS ......................................................... 61

5.5.1 Configuración caso1 entrenamiento: ........................................................... 61

5.5.2 Configuración Caso2 de entrenamiento ...................................................... 64

5.5.3 Configuración del entrenamiento Caso3 ..................................................... 66

5.5.4 Configuración del Caso4 entrenamiento: .................................................... 68

5.5.5 Test de validación ....................................................................................... 69

5.5.6 Interfaz de RNAVibraAnalisis en Matlab ..................................................... 72

6 CONCLUSIONES ........................................................................................ 74

7 RECOMENDACIONES ............................................................................... 76

8 REFERENCIAS BIBLIOGRÁFICAS ............................................................ 77


7/85

7

LISTA DE TABLAS

Pág.

Tabla 1. Relación entre valores o niveles de vibración .......................................... 26

Tabla 1. Resultados representativos para cada caso de estudio ........................... 51

Tabla 2. Nombre de los archivos utilizados en el test de validación ...................... 70


8/85

8

LISTA DE FIGURAS

Pág.

Figura 1. Clasificación de la vibraciones mecánicas .............................................. 21

Figura 2. Parámetros de una onda ........................................................................ 24

Figura 3. Valores de vibración ............................................................................... 25

Figura 4. Forma de onda de desbalanceo ............................................................. 27

Figura 5. Desbalanceo estático .............................................................................. 28

Figura 6. Desbalanceo dinámico ............................................................................ 29

Figura 7. Rotor colgante ........................................................................................ 29

Figura 8. Desalineamiento paralelo ....................................................................... 31

Figura 9. Desalineamiento angular ........................................................................ 31

Figura 10. Estructura general de una neurona biológica ....................................... 32

Figura 11. Funcionamiento general de una neurona artificial ................................ 33

Figura 12. Principales funciones de activación utilizadas ...................................... 34

Figura 13. Esquema del modelo organizativo de las neuronas.............................. 36

Figura 14. Arquitectura Perceptrón de una sola capa ............................................ 40

Figura 15. Neuronas Tipo Backpropagation .......................................................... 41 Figura 16. Banco de pruebas para análisis de vibraciones mecánicas. ................. 46

Figura 17. Archivo .lvm obtenido de PROVIDES LabView .................................... 47

Figura 18. Curva de respuesta del sistema transductor de proximidad ................. 48

Figura 19. Oscilograma del banco normal a 1200 rpm ....................................... 49

Figura 20. Espectro del banco normal a 1200 rpm ............................................... 49

Figura 21. Oscilograma de desalineamiento angular 1.5° a 720 rpm .................... 49

Figura 22.Espectro de desalineamiento angular 1.5° a 720 rpm ........................... 50

Figura 23. Oscilograma banco con desbalance a 3000 rpm ................................. 50

Figura 24. Espectro banco con desbalance a 3000 rpm ........................................ 50

Figura 25. Severidad de vibración por ISO 10816 ................................................. 51

Figura 26. Arreglo usado en la RNA ...................................................................... 53


9/85

9

Figura 27. Ingreso de los archivos Input y Target .................................................. 54

Figura 28. Archivo Inputs ....................................................................................... 54

Figura 29. Archivo Targets ..................................................................................... 54

Figura 30. Esquema simplificado de la red neuronal ............................................. 55 Figura 31. Capas de la red neuronal ...................................................................... 56

Figura 32. Configuración de la red neuronal .......................................................... 56

Figura 33. Función de transferencia Log-Sigmoide ............................................... 57

Figura 34. Script de entrenamiento ........................................................................ 59

Figura 35. Ventana de proceso de entrenamiento ................................................. 60

Figura 36. Red neuronal artificial, una capa oculta de [243] neuronas ................. 62

Figura 37. Desempeño de entrenamiento de la red neuronal caso 1 .................... 63

Figura 38. Confusión de entrenamiento de la red neuronal caso 1........................ 63



Figura 41. Red neuronal artificial, dos capas oculta de [243, 27] neuronas .......... 66





Figura 46. Matriz de confusión validación de la RNA ............................................. 71

Figura 47. Interfaz de RNAVibraAnalisis ................................................................ 72

Figura 48. Interfaz Caracterización RNAVibraAnalisis ........................................... 73


10/85

10

LISTA DE ANEXOS

Pág.

Anexo A. Código Macro Excel Análisis de Fourier ................................................. 80

Anexo B. Código Macros datos de entrada RNA ................................................... 82


11/85

11

GLOSARIO

ACOPLAMIENTO: Forma de conexión semipermanente, entre dos ejes o árboles.

ALINEACIÓN: Máxima colinealidad posible entre las líneas de centro de dos ejes.

ANÁLISIS DE LA FORMA DE ONDA: Es el análisis de la vibración en el dominio

del tiempo, la cual extrae información útil para el diagnóstico del gráfico dela amplitud vibratoria versus el tiempo.

ASIMETRÍA TÉRMICA: Dilatación de las partes de manera no uniforme y desigual,debido a la falta de entrada de aire en el motor, produciendo un recalentamiento

G’s: Unidades de aceleración de la gravedad.

GESTIÓN DE FALLAS: Conjunto de facilidades que permite la detección,identificación y corrección de las fallas

HANNING: Es la representación gráfica de la transformada rápida de Fourier

dentro de una ventana de trabajo, la cual muestra el resultado en función de unaonda cosenoidal

HORIZONTAL: Posición que va perpendicular al sentido de la gravedad.

ONDA: Es una propagación de una perturbación de alguna propiedad de un medio.

PICO: cada una de las líneas que componen el espectro.

PRECISIÓN: Es la capacidad de un instrumento para producir mediciones dentrode un rango.

PROGRAMA DE MANTENIMIENTO PREDICTIVO: Es el programa que contemplade modo eficaz tres etapas indispensables: detección, identificación y corrección,además de contribuir a detectar el comienzo de una nueva avería.

RED NEURONAL: Son elementos, que utilizan similitudes biológicas con laestructura de nuestro cerebro y del cerebro de los animales, para crear unidades deprocesamiento similares por medio de simulación de software o por medio dehardware especializado.

REPORTE: Es un Documento, generado por el Sistema, que nos presenta demanera Estructurada y/o Resumida, datos relevantes guardados o generados porla misma aplicación de tal manera que se vuelvan útiles para los fines quela aplicación fue creada.

RESONANCIA: se presenta cuando la frecuencia natural de un componentees excitada por un agente externo.

RODAMIENTO: Es un elemento mecánico que reduce la fricción entre un eje y laspiezas conectadas a éste, que le sirve de apoyo y facilita su desplazamiento

ROTOR: Parte giratoria de una máquina.

RPM: Otra de las unidades de la frecuencia, que equivale al número de ciclos porminuto que presenta la máquina.


12/85

12

RPS: Otra de las unidades de frecuencia. Equivale a 1 Hz (ciclos por segundo).

RUIDO: Es una contaminación de la señal medida, por lo general es informaciónde la señal que no representa importancia.

SENSIBILIDAD: Mínimo cambio de la entrada capaz de originar un cambio en la

salida con una característica deseada.SENSOR: Es un dispositivo de medición que transforma una variable física en unaseñal eléctrica.

SEÑAL: Es toda información de magnitud física variable que se convierte amagnitud eléctrica mediante un transductor.

SERIE DE FOURIER: Representación de una señal compleja en el dominiodel tiempo, por medio de las curvas sinusoidal es con valores de amplitud yfrecuencia específicos.

SISTEMA EXPERTO: Es una aplicación informática capaz de solucionar unconjunto de problemas que exigen un gran conocimiento sobre un determinado

tema.TRANSFORMADA RÁPIDA DE FOURIER: Técnica que se utiliza por medio de uncomputador para calcular la frecuencia de las series que conforman la onda en eldominio del tiempo.


13/85

13

RESUMEN

TITULO

CLASIFICACIÓN AUTOMATICA DE PATRONES DE VIBRACIÓN MECÁNICA ENMÁQUINAS ROTATIVAS AFECTADA POR DESBALANCEO Y DESALINEAMIENTOUSANDO REDES NEURONALES ARTIFICALES*

AUTORES

GUTIERREZ ARRIETA, EdwinCARRILLO SANDOVAL, Alexander**

PALABRAS CLAVES

RNA Redes Neuronales Artificiales, Vibraciones Mecánicas, Mantenimiento Predictivo,

Desbalance, Desalineamiento

DESCRIPCIÓN

Las redes neuronales artificiales (RNA) son eficientes técnicas computacionales, usadas

ampliamente para solucionar problemas complejos en muchos campos del conocimiento.

En este proyecto fueron usadas las redes neuronales backpropagation para identificar dos

problemas presentes en las máquinas rotativas, los cuales son el desbalance y el

desalineamiento angular, continuando así, la línea de investigación desarrollada por la

universidad Antonio Nariño en ingeniería de mantenimiento, explorando el potencial de los

procedimientos para la detección de daño usando redes neuronales a partir de ciertas

características vibracionales de los sistemas rotativos. Se entrenaron redes neuronales

backpropagation para identificar y clasificar los patrones vibracionales obtenidos en varios

casos de desplazamiento angular vertical y desbalance causado por diferentes masas

excéntricas. Los datos necesarios para el entrenamiento de las redes fueron obtenidos

mediante el banco de pruebas y el software PROVIDES realizado en LabView. Los

resultados demostraron que esos parámetros y las redes neuronales artificiales pueden ser

usados como una herramienta en la identificación de problemas presentes en las máquinas

rotativas.

* Trabajo de Grado.** Facultad de Ingeniería Electromecánica. Director: Camilo Sandoval, Ingeniero Electrónico


14/85

14

ABSTRACT

TITLE

AUTOMATIC CLASSIFICATION OF PATTERNS OF MECHANICAL VIBRATION INROTATING MACHINES AFFECTED BY UNBALANCE AND MISALIGNMENT USING ARTIFICIAL NEURAL NETWORKS*

AUTHORS

GUTIERREZ ARRIETA, EdwinCARRILLO SANDOVAL, Alexander**

KAYWORDS

Artificial Neural Networks (ANN), Mechanical Vibrations, Predictive Maintenance,

unbalance, misalignment

DESCRIPTION

Artificial neural networks (ANN) are efficient computational techniques widely used to solve

complex problems in many fields of knowledge. In this project they were used neural

networks backpropagation to identify two problems present in rotating machines, which are

the imbalance and the angular misalignment, continuing the line of research developed by

the University Antonio Nariño in maintenance engineering, exploring the potential

procedures for detecting damage using neural networks from certain vibrationalcharacteristics of the rotors. backpropagation neural networks were trained to identify and

classify the vibrational patterns obtained in several cases of anguar displacement and

unbalance causing by different eccentric masses. The data needed to train networks were

obtained by the test and PROVIDES made in LabView software. The results showed that

these parameters and artificial neural networks can be used as a tool in identifying problems

present in rotating machines.

* Work of Degree.** Faculty of Electromechanical Engineering. Director: Camilo Sandoval, Electronic Engineer


15/85

15

INTRODUCCIÓN

El mundo empresarial en los últimos años se ha desarrollado a un ritmo acelerado,

influenciado por la competitividad, esto hace importante implementar un programa

de mantenimiento con el objetivo de proteger los equipos y máquinas para aumentar

su tiempo de servicio y alargar su vida útil.

El análisis de vibraciones mecánicas se utiliza como una herramienta de monitoreo

y diagnóstico de fallas, y hace parte del programa de mantenimiento predictivo;

estas técnicas permiten evaluar las condiciones externas de una máquina sin

necesidad de desarmarla y sin afectar su funcionamiento normal, las señales devibración se van captando en tiempo real con la máquina funcionando de tal forma

que se pueda predecir a través del monitoreo cuando esta va a fallar, logrando así

grandes ventajas en la competitividad de las empresas.

El propósito de este proyecto es continuar con la línea de investigación desarrollada

por la universidad Antonio Nariño, para crear soluciones inteligentes y eficaces, que

informen al usuario el estado de las máquinas para así minimizar costos demantenimiento correctivo e evitar paradas imprevistas que afectan el buen

funcionamiento del proceso productivo de la empresa.

Según las necesidades anteriormente mencionadas se requieren conocer nuevos

sistemas de análisis de la señal vibratoria que ofrezcan mayor información en el

procesamiento de la señal para obtener diagnósticos precisos del estado actual de

equipos y máquinas que tengan elementos rotativos. Unas de esas técnicas de

análisis son las redes neuronales artificiales (RNA) que han demostrado ser de gran

utilidad en la solución de muchos problemas complejos, en este trabajo se estudia

y se implementan redes neuronales backpropagation como un paso inicial en el


16/85

16

avance del desarrollo de un sistema más robusto en el diagnóstico e identificación

temprana de fallas en máquinas rotativas.

1 PLANTEAMIENTO DEL PROBLEMA

El análisis de vibraciones mecánicas es una metodología utilizada en las rutinas de

mantenimientos predictivos industriales de las máquinas, para que tenga un alto

grado de confiabilidad se debe usar instrumentos de medición de precisión, para

detectar fallas comunes como desbalanceo, des alineamiento angular entre otras

fallas. Así mismo, hay que tener en cuenta que los equipos de medición de alta

confiabilidad no son asequibles para todas las empresas industriales.

La UNIVERSIDAD ANTONIO NARIÑO Sede Bucaramanga a través de un proyecto

de grado ya posee un banco de pruebas experimental [1] para la detección de

análisis de falla y obtener señales características de desbalanceo y desalineamiento

angular a través del procesamiento de señales utilizando el análisis de fases [2],

que siendo no práctica para señales complejas no lineales y no estacionarias, se

elaboró en otros proyecto de grado el estudio, la simulación y la implementación

del análisis de la señal de vibración a través de la transformada wavelet [3] [4] [5].

Debido a la necesidad de seguir avanzando en tecnología en el análisis de

vibraciones en la UNIVERSIDAD ANTONIO NARIÑO, el objetivo de este proyecto

es dar a conocer un nuevo sistema de clasificación basado en redes neuronales

que ofrecen mayor capacidad para obtener información escondida en la señal.


17/85

17

2 JUSTIFICACIÓN

En la industria es de vital importancia el estudio y análisis de las vibraciones

mecánicas en el área de mantenimiento predictivo, ya que es una herramienta para

la detección y diagnóstico de fallas, que evita que una máquina falle durante su

funcionamiento ocasionando paradas en la producción y en el peor de los casos

perdidas de vida humana; a su vez optimiza los recursos económicos de cualquier

empresa industrial.

La UNIVERSIDAD ANTONIO NARIÑO con el fin de avanzar en tecnología e

investigación ha desarrollado varios proyectos anteriores el primero fue el del bancode pruebas para análisis de vibraciones [1] para estudiar las características de la

señal obtenida a través de la implementación de análisis de fases [2] y la

Transformada Wavelet [3] [4] [5]. Seguido a eso este proyecto aportara un nuevo

método de detección y diagnóstico de fallas más confiable implementando redes

neuronales que permitirá seguir incursionando en el campo investigativo.

Es importante tener en cuenta que la proyección del laboratorio de vibraciones sirvapara el estudio y la enseñanza de la misma, fortaleciendo los conocimientos vistos

en clase del estudiante de ingeniería a través de herramientas pedagógicas como

la línea de investigación que se lleva con este banco de vibraciones.


18/85

18

3 OBJETIVOS DEL PROYECTO

3.1 GENERAL

Obtener las características dinámicas de desbalanceo y desalineamiento angular

en una máquina rotativa implementando redes neuronales artificiales como nuevo

método de detección y diagnóstico de fallas.

3.2 ESPECÍFICOS

Calcular las características (RMS, valor pico y energía) en el fenómeno de

desbalanceo y des-alineamiento angular en una maquina

Diseñar una red neuronal artificial basada en una arquitectura tipo

Backpropagation para ser desarrollada, programada y entrenada con la

herramienta computacional MATLAB en la clasificación de las características

obtenidas en los estados de fallo considerados.

Determinar el comportamiento de las características (RMS, valor pico yenergía) en el fenómeno de desbalanceo y des-alineamiento angular en una

maquina rotativa, aplicando redes neuronales artificiales.


19/85

19

4 MARCO CONCEPTUAL

4.1 MANTENIMIENTO PREDICTIVO

Es el conjunto de actividades de seguimiento y diagnóstico continuo

(monitorización) de un sistema, que permiten una intervención correctora inmediata

como consecuencia de la detección de algún síntoma de fallo.

El mantenimiento predictivo1 se basa en el hecho de que la mayoría de los fallos se

producen lentamente y previamente, en algunos casos, arrojan indicios evidentes

de un futuro fallo, bien a simple vista, o bien mediante la monitorización, es decir,

mediante la elección, medición y de algunos parámetros relevantes que representenel buen funcionamiento del equipo analizado.

Este sistema tiene la ventaja de que el seguimiento nos permite contar con un

registro de la historia de la característica en análisis, sumamente útil ante fallos

repetitivos; puede programarse la reparación en algunos casos, junto con la parada

programada del equipo y existen menos intervenciones de la mano de obra en

mantenimiento.

El objetivo final del mantenimiento es:

Evitar, reducir, y en su caso, reparar, las fallos sobre los bienes

Disminuir la gravedad de las fallos que no se lleguen a evitar

Evitar detenciones inútiles o paros de máquinas.

Evitar accidentes y reducir costos.

Evitar incidentes y aumentar la seguridad para las personas.

Alcanzar o prolongar la vida útil de los bienes.

1 MUÑOZ ABELLA, Maria Belen.MANTENIMIENTO INDUSTRIAL. Universidad Carlos III de Madrid. Área de

Ingeniería Mecánica. [En línea]. [Citado en 12 de Febrero de 2015].


20/85

20

4.2 VIBRACIONES MECÁNICAS

En términos simples, una vibración es un movimiento oscilatorio de pequeña

amplitud, todos los cuerpos presentan una señal de vibración en la cual se plasman

algunas de sus características. De acuerdo a esto, las máquinas presentan su

propia señal de vibración y en ella se encuentra la información de cada uno de sus

componentes relacionados con el movimiento, como son: rotores, ejes y cojinetes.

Por tanto, la señal de vibración capturada de una máquina significa la suma vectorial

de la vibración de cada uno de sus componentes. La base principal de las señales

de vibración en el dominio del tiempo son las ondas sinusoidales, este tipo de ondas

son las más simples y son la representación de las oscilaciones puras.

La amplitud desde el punto de vista de las vibraciones es la cantidad de movimiento

que puede tener una masa desde una posición neutral. La amplitud se mide

generalmente en valores pico-pico para desplazamiento y valores cero-pico y RMS

para velocidad y aceleración.

4.2.1 Clasificación de las vibraciones2

Existen diferentes puntos de vista para clasificar las vibraciones mecánicas, la

Figura 47 muestra los diferentes puntos de vista para clasificación de las vibraciones

mecánicas. Se reconocen cinco formas diferentes de asociar las vibraciones

mecánicas; La primera es dependiendo del tipo de señal, se refiere a como es la

descripción matemática de las vibraciones, se dividen en determinísticas y

probabilísticas. En las determinísticas asociamos a todas aquellas vibraciones que

se puedan expresar matemáticamente entre ellas está la periódicas armónicas, lasperiódicas no armónicas, y las no periódicas.

2 ARDILA, Johan et. Al. Seminario de investigación en vibraciones torsionales en máquinas rotativas yreciprocantes. Tesis de grado. Universidad Industrial de Santander. Bucaramanga. 2013.


21/85

21

Figura 1. Clasificación de la vibraciones mecánicas

Fuente: ARDILA, Johan et. Al. Seminario de investigación en vibraciones torsionales enmáquinas rotativas y reciprocantes. Tesis de grado. UIS. 2013

El segundo, es el tipo de vibración, se refiere a como se observa el fenómeno

vibratorio en el sistema, entre ellas encontramos la vibración axial, lateral, torsional

y rotacional. El tercer punto de vista es dependiendo de la excitación; la respuesta

que tiene un sistemas es diferente si el sistema está siendo forzado a vibrar

(vibración forzada) o si por el contrario vibra libremente (vibración libre). El cuarto

enfoque clasifica las vibraciones dependiendo de la linealidad de sus elementos,

esta se debe a que podemos encontrar elementos que tienen un comportamiento

lineal y otros con comportamiento no lineal, por lo tanto su respuesta vibratoria será

lineal o no lineal. En el quinto enfoque tenemos la vibraciones amortiguadas y no

amortiguadas, estas depende de sí disipan energía o no.


22/85

22

4.3 ANÁLISIS DE VIBRACIONES PARA EL MANTENIMIENTO PREDICTIVO DE MÁQUINAS3

Hay que tener en cuenta que todas las máquinas vibran debido a las tolerancias

inherentes a cada uno de sus elementos constructivos. Estas tolerancias

proporcionan a una máquina nueva una vibración característica básica respecto a

la cual se pueden comparar futuras vibraciones. Máquinas similares funcionando en

buenas condiciones tendrán vibraciones características similares que diferirán unas

de otras principalmente por sus tolerancias de construcción.

Un cambio en la vibración básica de una máquina, suponiendo que está

funcionando en condiciones normales, será indicativo de que algún defectoincipiente se está dando en alguno de sus elementos, provocando un cambio en las

condiciones de funcionamiento de la misma. Diferentes tipos de fallos dan lugar a

diferentes tipos de cambios de la vibración característica de la máquina, pudiendo

ayudar a determinar tanto la fuente del problema, como advirtiendo de su presencia.

El análisis de vibraciones es ampliamente utilizado especialmente en el

mantenimiento predictivo, su objetivo principal es extraer el máximo la información

que permita la identificación de fallas tales como desbalance, desalineamiento,

desgastes, etc. Antes de realizar un análisis de vibraciones el analista debe tener

en cuenta las características típicas de los equipos:

• Componentes principales.

• Principios básicos de operación.

• Velocidades típicas de operación.

• Principales tipos de fallas que presentan.

• Frecuencias a las cuales estas se presentan.

3 NAVARRENSIS, UNIVERSITAS.Vibraciones Mecánicas Mantenimiento Predictivo. Departamento de

ingeniería mecánica, energética y de materiales.[En línea].. [Citado en 12 de Febrero de 2015].


23/85

23

Las señales que describen la vibración se puede representar en dominio de tiempo

o en dominio de frecuencia dependiendo de la información y el análisis que se

requiera, las técnicas de análisis más frecuentes son:

• El análisis espectral.

• El análisis en forma de onda.

• Análisis de Fase de Vibraciones.

• Análisis de Orbitas.

• Análisis de Vibraciones en arranques y paradas de una máquina.

4.4 MEDICIÓN DE LA VIBRACIÓN

La medición de la vibración se obtiene a partir de un registro del desplazamiento, la

velocidad o de la aceleración en puntos estratégicos, utilizando un conjunto de

instrumentos y dispositivos de almacenamiento y registro para su posterior análisis

y así conocer las condiciones reales a las que se encuentran los componentes. Este

proceso de medición y registro es a lo que se denomina, de manera genérica

adquisición de datos y los componentes necesarios para llevar a cabo este procesobásicamente son: un equipo de cómputo, el cual debe satisfacer los requerimientos

mínimos para la labor; una tarjeta de adquisición de datos y un acondicionador y

amplificador de señales o en su defecto estos dos elementos pueden ser

reemplazados por los modernos sistemas de adquisición de datos que cumplen las

funciones de estos dos elementos. Adicionalmente se deberá contar con

transductores de vibraciones y por supuesto un sistema mecánico.

4.4.1 CARACTERÍSTICAS, PARÁMETROS Y NIVELES DE VIBRACIÓN

Las características de una vibración (o parámetros característicos) son las

magnitudes mediante las cuales la vibración queda definida o determinada. Para


24/85

24

una vibración simple, las características son:

Amplitud - Indica la intensidad de la vibración.

Frecuencia - Indica el ritmo de la vibración Fase - Indica la posición relativa a otra señal de referencia.

Los parámetros o funciones de una vibración son los parámetros cinemáticos

usados para denotar la amplitud de dicha vibración. Los parámetros (cinemáticos)

usados normalmente son: Aceleración, velocidad y desplazamiento.

Figura 2. Parámetros de una onda

Fuente: Tomado de: http://rabfis15.uco.es/proyectovibracion/ [En línea, citado 10/05/2015]

Desplazamiento,

= sin = (1)

Velocidad,

= = cos = = 2

(2)

http://rabfis15.uco.es/proyectovibracion/http://rabfis15.uco.es/proyectovibracion/http://rabfis15.uco.es/proyectovibracion/


25/85

25

Aceleración,

= = sin

= = 4 (3)

Los niveles o valores de vibración son las diferentes formas en que se puede valorar

la intensidad o amplitud de una vibración (Ver Figura 47).

Figura 3. Valores de vibración

Fuente: Tomado de: http://rabfis15.uco.es/proyectovibracion/ [En línea, citado 10/05/2015]

Valor Pico-Pico: Indica el recorrido o desplazamiento total de la pieza. Es útilcuando el desplazamiento es crítico por los esfuerzos generados o por el

espacio disponible.

− = 2 ∗ (4) Valor Pico: Es la amplitud máxima de la vibración a partir de la posición de

equilibrio. Es útil para indicar niveles de choque de corta duración, pero no

considera la historia de la vibración en el tiempo.

= á−í (5) Valor medio: (Rectificado) Hace intervenir la historia de la vibración en el

http://rabfis15.uco.es/proyectovibracion/http://rabfis15.uco.es/proyectovibracion/http://rabfis15.uco.es/proyectovibracion/


26/85

26

tiempo, pero es de poco interés práctico porque no está relacionado

directamente con alguna magnitud física.

() = 1 ∫ () (6) Valor eficaz: RMS (Root Mean Square). Es el valor más significativo de la

amplitud de vibración porque además de tener en cuenta la historia de la

vibración en el tiempo da un valor de amplitud relacionado directamente con

la energía, es decir, con la capacidad destructora de la vibración.

= √ 1 ∫ () (7)La siguiente tabla muestra los factores de conversión entre los valores de vibración

Tabla 1. Relación entre valores o niveles de vibración

Para obtenerMultiplicar valor de x

Pico-Pico Pico RMS Valor medioPico-Pico 1 2 2.828 3.142

Pico 0.5 1 1.414 1.571RMS 0.354 0.707 1 1.111

Valor medio 0.318 0.637 0.9 1

Fuente: Los autores

4.5 FALLAS EN MÁQUINAS ROTATIVAS

El principal objetivo de la aplicación de prácticas proactivas de mantenimiento estáen optimizar la confiabilidad de los equipos de forma costo-efectiva. Es por ello que

la mayor parte en este tipo de programas de mantenimiento se enfoca en el análisis

de las causas raíces de falla de los equipos. Atendiendo estas causas, se podrán ir

eliminando los modos de falla, aumentando la vida útil y disminuyendo costos de


27/85

27

mantenimiento sobre los equipos. A continuación se presentan las fallas a estudiar

en este proyecto.

4.5.1 Desbalanceo

Fenómeno presentado cuando se crea una fuerza por un cuerpo que se encuentra

en rotación debido la excentricidad de su centro de masa respecto al eje de rotación.

Este tipo de falla presenta unas características en el análisis de vibraciones que

permiten su identificación. De manera genérica se sabe que se presenta al 1X y

describe un movimiento sinusoidal.

Figura 4. Forma de onda de desbalanceo

Fuente: ARANGO FLOREZ, Gustavo Adolfo.Clasificación de fallas en motores eléctricosutilizando señales de vibración. Trabajo de grado título de Magister en Ingeniería Electríca.Universidad Tecnologica de Pereire. 2007. p.11

Algunas de las principales causas de desbalanceo en máquinas se debengeneralmente a los siguientes problemas:

Aglomeración desigual de polvo en los rotores.

Falta de homogeneidad en partes coladas. Pueden ser desde burbujas,

agujeros de soplado o partes porosas.

Errores propios de la máquina.

Distribución desigual en las barras del rotor de motores eléctricos o en el

enrollado.

Amp

t [seg]ONDA EN EL TIEMPO


28/85

28

Erosión y corrosión desigual de los impulsores de una bomba.

Pesos de balanceo faltantes o flecha flectada.

Por otra parte, esta falla puede darse de dos maneras, ya sea de carácter estático

o dinámico, dependiendo las características del rotor y de la falla.

4.5.1.1 Desbalanceo estático

Se presenta principalmente en rotores rígidos (cuya relación diámetro/longitud D/L

> 3), debido al desgaste superficial no uniforme que se da en dirección radial, de

ahí que su espectro sea más claro en esta dirección marcando el característico pico

en 1X.

Figura 5. Desbalanceo estático

Fuente: A-MAQ S.A. ANÁLISIS DE MAQUINARIA. 2005 www.a-maq.com

4.5.1.2 Desbalanceo dinámico

Este tipo de desbalance se da en rotores flexibles (D/L < 3), es decir, en aquellosdonde la longitud del rotor es significativa respecto a su diámetro. Se debe

generalmente a desgastes simultáneos superficiales tanto en dirección radial como

en dirección axial. El espectro evidencia vibración dominante con vaivén simultáneo

al 1X.

FRECUENCIA

A M P L I T U D

1x RADIAL


29/85

29

Figura 6. Desbalanceo dinámico

Fuente: WHITE, Glen. Introducción al análisis de vibraciones. Azima DLI. 2010. p. 106

Rotor Colgante

Ocurre en rotores que se encuentran en el extremo de un eje. Es producido por

desgaste en la superficie del rotor y doblamiento del eje. El espectro presenta

vibración dominante a 1X del rotor, muy notoria en dirección axial y radial.

Figura 7. Rotor colgante


4.5.2 Desalineamiento

La falta de colinealidad entre ejes acoplados induce fuerzas tanto en dirección radial

como en dirección axial, aun cuando se empleen acoples flexibles provocando altas

vibraciones en ambas direcciones. La amplitud de la vibración depende de la

gravedad del desalineamiento y se presenta a frecuencias de 1X, 2X y 3X en los

FRECUENCIA

A M P L I T U D 1X AXIAL

FRECUENCIA

A M P L I T U

D 1x RADIAL


30/85

30

casos donde el grado de desalineación es severo. Genéricamente se sospecha de

problemas de desalineamiento cuando la amplitud de la vibración en dirección axial

es mayor que la mitad (1/2) de la medición más alta hecha en dirección radial.

Entre las principales causas de desalineación en la maquinaria se encuentran los

siguientes factores:

Ensamble impreciso de los componentes.

Alteración de la posición relativa de los componentes luego del montaje

Distorsión debido a fuerzas en tuberías.

Distorsión en soportes flexibles debido a torque Expansión de la estructura de la maquina debido a incrementos en la

temperatura. Alteración de la maquina cuando los pernos de fijación son

puestos bajo fuerzas de torque.

Debe tenerse en cuenta que esta falla puede darse de tres formas, ya sea

desalineación paralela, angular o combinación de las dos.

4.5.2.1 Desalineamiento paralelo

Esta patología se debe a que los ejes se encuentran paralelos pero no están

colineales, lo cual produce una fuerza de cizallamiento y un momento de flexión en

la extremidad acoplada de cada flecha. Espectralmente esto se evidenciara con

niveles altos al 1X y 2X. En la mayoría de los casos, los componentes que se

presentan al 2X son de mayor amplitud que los del 1X, lo cual se nota principalmente

con mediciones en dirección radial. Cuando aumenta la severidad, genera picos en

armónicos superiores (4X , 8X).


31/85

31

Figura 8. Desalineamiento paralelo


4.5.2.2 Desalineamiento angular

Este caso se da cuando las flechas no se encuentran paralelas, produciendo como

consecuencia un momento de flexión en cada eje lo cual genera alta vibración al 1X

y en menor amplitud en el 2X; esto podrá notarse en la dirección axial en ambos

rodamientos. También se presenta 3X.

Figura 9. Desalineamiento angular


4.5.2.3 Desalineación combinada

Por lo general, cuando se evidencia desalineación en un montaje, esta se presenta

como la combinación de los casos descritos anteriormente. Al tenerse desalineación

FRECUENCIA

A M P L I T

U D

2x

AXIAL

1x

4x

FRECUENCIA

A M P L I T U D

2x

AXIAL

1x

3x


32/85

32

combinada se podrán evidenciar picos al 2X de mayor amplitud que los que se

presentan al 1X y habrá picos axiales en 1X y 2X.

4.6 MANTENIMIENTO PREDICTIVO BASADO EN REDES NEURONALES

4.6.1 Red Neuronal Artificial

Las redes neuronales artificiales (RNA) son una representación del cerebro humano

que intenta simular su proceso de aprendizaje. El término artificial indica que las

redes neuronales se implementan en un ordenador capaz de realizar el gran número

de operaciones que conlleva el proceso de aprendizaje [6].

Figura 10. Estructura general de una neurona biológica

Fuente: PALMER POL, A. y MONTAÑO MORENO, J.J. ¿Qué son las redes neuronalesartificiales? Aplicaciones realizadas en el ámbito de las adicciones. EN: ADICCIONES. 1999, Vol.11 No. 3, 245 p.

Las neuronas biológicas (Figura 4710) se caracterizan por su capacidad de

comunicarse. Las dendritas y el cuerpo celular de la neurona reciben señales de

entradas excitatorias e inhibitorias de las neuronas vecinas; el cuerpo celular las

combina e integra y emite señales de salida. El axón transporta esas señales a los

terminales axónicos, que se encargan de distribuir información a un nuevo conjunto


33/85

33

de neuronas. Por lo general, una neurona recibe información de miles de otras

neuronas y, a su vez, envía información a miles de neuronas más.

Por su parte, la neurona artificial pretende mimetizar las características másimportantes de la neurona biológica. En general, recibe las señales de entrada de

las neuronas vecinas ponderadas por los pesos de las conexiones. La suma de

estas señales ponderadas proporciona la entrada total o neta de la neurona y,

mediante la aplicación de una función matemática denominada función de salida,

sobre la entrada neta, se calcula un valor de salida, el cual es enviado a otras

neuronas (Figura 47. Tanto los valores de entrada a la neurona como su salida

pueden ser señales excitatorias (cuando el valor es positivo) o inhibitorias (cuando

el valor es negativo) [10].

Figura 11. Funcionamiento general de una neurona artificial

Fuente: PALMER POL, A. y MONTAÑO MORENO, J.J. ¿Qué son las redes neuronales

artificiales? Aplicaciones realizadas en el ámbito de las adicciones. EN: ADICCIONES. 1999, Vol.11 No. 3, 245 p

Las partes que constituyen la neurona artificial (Figura 11) son las siguientes:

1 Entrada

Peso

Función Salida

2 Entrada neta de salida

(entrada neta)

N Neuronas j

Neuronas i


34/85

34

Vector de entradas: formado por la señal de excitación.

Pesos sinápticos: Indican el grado de intensidad o excitación de las neuronas

presinápticas ‘i’ en su interacción con la neurona post-sináptica ‘j’, se

representan como ‘wij’.

Regla de propagación: Determinan el valor del potencial postsináptico, en

función de las señales de entrada y de los pesos.

Función de activación o función de transferencia: Establece el grado de

activación de cada neurona en función del estado anterior y del potencialpostsináptico actual y establece el valor de la señal de salida (excepto en

algunos casos como la máquina de Boltzmann donde a esta función se le

aplica otra función estocástica).

Existen numerosos tipos de función de transferencia entre los que caben destacar,

por su uso, las funciones de identidad, las funciones sigmoideas y las funciones

Gaussianas [11].

Figura 12. Principales funciones de activación utilizadas

a) Escalón b) Lineal c) Sigmoidea d) Tanh e) Gaussiana

Fuente: SANZ CORRETGE, JAVIER. Diagnosis de modos de fallo en máquinas rotativasmediante técnicas basadas en redes neuronales artificiales y en la transformación con ondículas.Tesis Doctoral. Madrid, España: Universidad Nacional de Educación a Distancia. Escuela TécnicaSuperior de Ingenieros Industriales. 2007. 185 p.


35/85

35

4.6.2 Arquitecturas4

Se denomina arquitectura a la topología, estructura o patrón de conexionado de una

red neuronal. En una red neuronal los nodos se conectan por medio de sinapsis,

esta estructura de conexiones sinápticas determina el comportamiento de la red. En

general, las neuronas se suelen agrupar en unidades estructurales que se

denominan capas. Finalmente, el conjunto de una o más capas constituye la red

neuronal.

Se distinguen tres tipos de capas:

De entrada: Una capa de entrada o sensorial es compuesta por neuronas

que reciben datos o señales precedentes del entorno.

Oculta: Es aquella que no tiene conexión directa con el entorno.

Salida: Es aquella cuyas neuronas proporcionan la respuesta de la red

neuronal.

Las conexiones entre las neuronas pueden ser ex citatorias o inhibitorias: un peso

sináptico negativo define una conexión inhibitoria, mientras que uno positivodetermina una conexión excitatoria. Las conexiones intra-capa, también

denominadas laterales, tienen lugar entre las neuronas pertenecientes a una misma

capa, mientras que las conexiones inter-capa se produce entre las neuronas de las

diferentes capas. Existen además conexiones realimentadas, que tienen un sentido

contrario al de entrada-salida. En algunos casos puede existir realimentación incluso

de una neurona consigo misma.

4 ARANGO FLOREZ, Gustavo Adolfo. Clasificación de fallas en motores eléctricos utilizando señalesde vibración. Trabajo de grado título de Magister en Ingeniería Eléctrica. Universidad Tecnológica dePereira. 2007. p. 39


36/85

36

Atendiendo a todos estos conceptos, se puede establecer distintos tipos de

arquitecturas neuronales:

Redes mono capa: son aquellas compuestas por una única capa deneuronas.

Redes multicapa (layered networks): son aquellas cuyas neuronas se

organizan en varias capas.

Atendiendo al flujo de datos en la red neuronal, podemos hablar de:

Redes unidireccionales (feedforward): la información circula en un único

sentido desde las neuronas de entrada a las de salida

Redes recurrentes o realimentadas (feedback): la información puede circular

entre las capas en cualquier sentido.

Figura 13. Esquema del modelo organizativo de las neuronas

Fuente: SANZ CORRETGE, JAVIER.Diagnosis de modos de fallo en máquinas rotativasmediante técnicas basadas en redes neuronales artificiales y en la transformación con ondículas.Tesis Doctoral. Madrid, España: Universidad Nacional de Educación a Distancia. Escuela Técnica

Superior de Ingenieros Industriales. 2007. p. 90


37/85

37

4.6.3 Entrenamiento de las redes neuronales Artificiales

Una de las principales características de las RNA es su capacidad de aprendizaje.

El entrenamiento de las RNA muestra algunos paralelismos con el desarrollo

intelectual delos seres humanos. No obstante aun cuando parece que se ha

conseguido entender el proceso de aprendizaje conviene ser moderado porque el

aprendizaje de las RNA está limitado.

El objetivo del entrenamiento de una RNA es conseguir que una aplicación

determinada, para un conjunto de entradas produzca el conjunto de salidas

deseadas o mínimamente consistentes. El proceso de entrenamiento consiste en la

aplicación secuencial de diferentes conjuntos o vectores de entrada para que se

ajusten los pesos de las interconexiones según un procedimiento predeterminado.

Durante la sesión de entrenamiento los pesos convergen gradualmente hacia los

valores que hacen que cada entrada produzca el vector de salida deseado. Los

algoritmos de entrenamiento o los procedimientos de ajuste de los valores de las

conexiones de las RNA se pueden clasificar en dos grupos: Supervisado y No

Supervisado [12].

4.6.3.1 Aprendizaje supervisado

El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se

realiza mediante un entrenamiento controlado por un agente externo (supervisor,

maestro) que determina la respuesta que debería generar la red a partir de una

entrada determinada. El supervisor controla la salida de la red y en caso de que ésta

no coincida con la deseada, se procederá a modificar los pesos de las conexiones,con el fin de conseguir que la salida obtenida se aproxime a la deseada.


38/85

38

4.6.3.2 Aprendizaje no supervisado

Las redes con aprendizaje no supervisado (también conocido como auto-

supervisado) no requieren influencia externa para ajustar los pesos de las

conexiones entre sus neuronas. La red no recibe ninguna información por parte del

entorno que le indique si la salida generada en respuesta a una determinada entrada

es o no correcta. Estas redes deben encontrar las características, regularidades,

correlaciones o categorías que se puedan establecer entre los datos que se

presenten en su entrada. Existen varias posibilidades en cuanto a la interpretación

de la salida de estas redes, que dependen de su estructura y del algoritmo de

aprendizaje empleado.

En algunos casos, la salida representa el grado de familiaridad o similitud entre la

información que se le está presentando en la entrada y las informaciones que se le

han mostrado hasta entonces (en el pasado). En otro caso, podría realizar una

clusterización (clustering) o establecimiento de categorías, indicando la red a la

salida a qué categoría pertenece la información presentada a la entrada, siendo la

propia red quien debe encontrar las categorías apropiadas a partir de las

correlaciones entre las informaciones presentadas [13].

4.6.4 Simulación en computadora de redes neuronales artificiales

Las investigaciones en el campo de redes neuronales usualmente se hacen por

medio de simulación en computadoras. Considerando el hecho de que hay varios

paquetes de software tanto comercial como libre para la simulación de redes

neuronales, se debe escoger dichos paquetes por medio de algunos criterios.

Un buen paquete de simulación debe tener:

Simulación de todas las características de las redes neuronales.


39/85

39

Facilidad de programación para adoptar, algunas tareas particulares de

simulación.

Ser eficiente simulando tareas a pequeña y gran escala.

Tener una interface amigable.

Ser populares en el campo para tener una comunicación sencilla y para

realizar intercambio de ideas.

La simulación de redes neuronales por computadora no es difícil, y es preferible en

la mayoría de investigaciones. Programando se puede ganar flexibilidad y eficiencia.

Se hace más recomendable cuando es necesario simular, redes neuronales muy

complejas, a gran escala, o cuando la entrada necesita un procesamiento especialo métodos de presentación.

4.6.5 Modelos de redes neuronales artificiales5

4.6.5.1 Perceptrón

Rosenblatt6 creó muchas variaciones del perceptrón. Una de las más simples fue

una red de sólo una capa cuyos pesos y conexiones podían ser entrenados para

producir el vector correcto cuando se le presentaba un vector de entrada. Esta

técnica de entrenamiento se llama la regla de aprendizaje del perceptrón. El

perceptrón generó gran interés debido a su habilidad de generalizar a través de sus

vectores de entrenamiento y de aprender empezando por conexiones distribuidas

aleatoriamente, los perceptrónes son utilizados para problemas simples de

clasificación de patrones. Son rápidos y confiables para los problemas que puedan

5 MUNEVAR, Juan Andrés y CANAL, Andrés Iván. Diseño y simulación de un sistema de diagnóstico de fallas

para máquinas rotativas. Trabajo de grado Ingeniero Macarrónico. Bogotá D.C.: Universidad de San

Buenaventura. 2010. p. 56-60

6 Frank Rosenblatt (Julio 11, 1928 – Julio 11, 1971) fue un psicólogo estadounidense notable en el campo de la

inteligencia artificial.


40/85

40

resolver. Además, el entendimiento de las operaciones del perceptrón provee bases

para entender redes más complejas.

Una neurona tipo perceptrón, usa una función de transferencia tipo escalón (Figura12 a). Cada entrada externa es pesada y la suma de las entradas con cada peso,

es enviada a la función de transferencia escalón, que también tiene una entrada de

uno trasmitida hacia ella por medio de una entrada de sesgo. La función de

transferencia de esa neurona produce un 1 si la entrada neta de la función de

transferencia es igual o mayor a cero; y si no produce un 0. La función de

transferencia escalón da al perceptrón la habilidad de clasificar los vectores de

entrada dividiendo el espacio en dos regiones. Específicamente, las salidas serán

cero si la entrada neta es menor que cero o uno si la entrada neta de cero o más.

Figura 14. Arquitectura Perceptrón de una sola capa

Fuente: MUNEVAR, Juan Andrés y CANAL, Andrés Iván. Diseño y simulación de un sistema dediagnóstico de fallas para máquinas rotativas. Trabajo de grado Ingeniero Mecatrónico. BogotáD.C.: Universidad de San Buenaventura. 2010. p. 57

Una red de perceptrónes consiste en una sola capa de neuronas conectadas a un

número determinado de salidas, a través de unos pesos. La regla del perceptrón


41/85

41

para aprender es capaz de entregar sólo una capa. Por lo tanto sólo las redes de

una sola capa son consideradas aquí. Esta restricción pone limitaciones en las

tareas que puede resolver un perceptrón.

4.6.5.2 Backpropagation

La red Backpropagation es una red de aprendizaje supervisado en dos fases. En la

primera fase se propaga un estímulo desde la primera capa hasta la salida. La

diferencia entre la salida obtenida y la salida deseada es el error. En la segunda

fase se hace una propagación hacia atrás del error partiendo de la capa de salida

hasta la capa de entrada. Este proceso se repite hasta que se alcance el grado de

aproximación deseado.

Figura 15. Neuronas Tipo Backpropagation

Fuente: MUNEVAR, Juan Andrés y CANAL, Andrés Iván. Diseño y simulación de un sistema dediagnóstico de fallas para máquinas rotativas. Trabajo de grado Ingeniero Mecatrónico. BogotáD.C.: Universidad de San Buenaventura. 2010. p. 57

Ese tipo de neuronas es la generalización de la regla de aprendizaje Widrow-Hoffpara redes de varias capas y funciones de transferencia no lineales. Los vectores

de entrada y sus correspondientes detectores de salida son usados para entrenar

este tipo de redes hasta que puedan aproximar una función, asociar vectores de

entrada con vectores de salida, o clasificar vectores de entrada en una forma


42/85

42

apropiada definida por usted. Las redes con sesgos, capas sigmoidales, y una

tapada de salida lineal son capaces de aproximar cualquier función con un número

finito de discontinuidades.

Las redes estándar de ese tipo tienen un algoritmo de gradiente descendiente, así

como en la regla de entrenamiento Widrow-Huff, en la cual los presos de la red son

movidos a través del gradiente negativo de la función. El término de propagación

hacia atrás, Backpropagation en inglés, se refiere a la manera en el que el gradiente

se computa por las redes no lineales multicapa. Hay un número de variaciones en

el algoritmo básico que se basan en otras técnicas de optimización estándar así

como el gradiente conjugado y los métodos de Newton.

Cuando las redes de propagación hacia atrás están bien entrenadas tienden a dar

respuestas razonables cuando se enfrentan a entradas que nunca han visto.

Típicamente, una nueva entrada hace que la red presente salidas similares a las

salidas correctas de los vectores de entrada usados para entrenar. Esta propiedad

de generalización hace posible entrenar redes con un número representativo de

entrada y salida y obtener buenos resultados sin entrenar la red con todas las

entradas o salidas posibles.

4.7 USO DE REDES NEURONALES EN EL MANTENIMIENTO DE MÁQUINAS

La implementación de herramientas de monitoreo y diagnóstico de fallas requiere

una adecuada selección de los sensores de la lectura de la señal (el tipo de

instrumentación), realizar un sistema de adquisición de datos que permite muestrear

la señal en cuestión, y el procesamiento de la señal. La mayoría de los sistemas de

detección actuales no con capaces de realizar un monitoreo en tiempo real del

funcionamiento de la maquina; y generalmente las medidas registradas necesitan

un post-proceso de procesamiento e interpretación de la señal [21]. Además el


43/85

43

cambio de las condiciones operativas de las maquinas afectan el diagnóstico de

fallas ya que en repetidas ocasiones se han detectado falsas alarmas con estos

sistemas [15].

Actualmente se utilizan tres alternativas de análisis para realizar un diagnóstico

sobre el estado de la máquina; están los análisis acústicas, las dinámicas (análisis

de vibraciones) y el análisis de partículas.

Hay que tener en cuenta que la implementación del análisis de vibraciones para la

detección de fallas ha tenido durante los últimos años un crecimiento en el ámbito

comercial e industrial, se debe a que es de fácil aplicación y menor costo; aunque

los análisis acústico y los basados en el control de partículas se han empleado y sesiguen empleando aún [15].

La ventaja de implementar análisis de vibraciones radica en que los análisis

acústicos con más sensibles al ruido de fondo del entorno de la maquinaria; y el

análisis de partículas solo muestra resultados satisfactorios cuando hay arranque

de materia [11].

En la última década se han realizado grandes avances para desarrollar técnicas dedetección y sistemas de diagnóstico basado en el análisis de vibraciones [16] [17].

Las técnicas de procesamiento de señales se puede dividir en transformaciones en

el dominio temporal, en el dominio de la frecuencia o en el domino tiempo-

frecuencia. La elección del tipo de procesamiento depende de la naturaleza de la

señal y de la información que se quiere obtener de ella [18].

Los análisis más simples son basados en el dominio temporal. Estos sistemas

emplean habitualmente medidas estadísticas efectuadas sobre las historias

temporales, con el fin de establecer parámetros de tendencia que permitan de

detectar la presencia de un modo de fallo. Entre estas técnicas temporales se debe

destacar, dado su éxito, el promediado síncrono [11].


44/85

44

Las técnicas basadas en el análisis de la frecuencia (transformada rápida de Fourier

(FFT), que representa una señal compleja en el dominio del tiempo por medio de

series de curvas sinusoidales con valores de amplitud y frecuencia específicos.

Entonces lo que hace un analizador de espectros que trabaja con la transformadarápida de Fourier es capturar una señal de una máquina, calcular todas las series

de señales sinusoidales que contiene la señal compleja y por último mostrarlas de

forma individual en una gráfica de espectro [19].

Se debe considerar que el análisis de la transformada rápida de Fourier ha

dominado el campo del análisis de la señal debido a su destreza y simplicidad,

aunque tiene sus respectivas limitaciones ya que no es práctica para señales

complejas, y la mayoría de las maquinas industriales contiene señales no lineales y

no estacionarias [18]. A partir de estas desventajas se han propuesto nuevos

métodos en el análisis basado en el dominio tiempo-frecuencia de este tipo de

señales entre los cuales se destaca la Transformada Wavelet [20].

Aunque la Transformada Wavelet es capaz de analizar ese tipo de señales para el

diagnóstico de fallas en máquinas muchas deficiencias se han presentado como la

generación de picos indeseados en las escalas de frecuencias que hace que los

resultados sean confusos y difíciles de interpretar. La transformada wavelet continua

es computacionalmente intensiva, por otro lado aunque la transformada wavelet

discreta es muy eficiente para trabajar en el computador, la resolución a alta

frecuencia es pobre [21].

Para el análisis de la frecuencia se pueden implementar redes neuronales artificiales

para la identificación de diversas fallas que se podrían presentar en las maquinas

rotativas, ya que debido a la complejidad de las señales de vibración no es suficienteentregar la información de las frecuencias, sino que es necesario analizar de nuevo

este tipo de señales para obtener resultados concretos y simples para el usuario

[14].


45/85

45

El sistema de análisis de fallas de una red neuronal se escogió ya que ofrecen

numerosas ventajas entre las que están aprendizaje adaptativo, auto-organización,

tolerancias a fallos, operación en tiempo real y fácil inserción dentro de la tecnología

existente [22].

En el mantenimiento predictivo las redes neuronales pueden ser empleadas para

modelar el sistema en cuestión, de modo que pueda hacerse una comparación entre

las salidas del sistema y las de la red neuronal. Las discrepancias pueden ser un

indicativo de un funcionamiento anómalo del sistema. También puede usarse su

capacidad para discernir la pertenencia a una clase u otra de los datos que llegan a

la red. Otra manera de emplear las redes neuronales es predecir las salidas futuras

de una serie determinada, de manera que sea posible anticiparse a los fenómenos

que pudieran ocurrir en el sistema7.

La combinación entre este sistema experto (basado en redes neuronales) y bases

de datos de máquinas ya que puede generalizar la información que fue registrada

por reportes escritos, en un futuro permitirá analizar cualquier tipo de máquina

rotativa.

5 DESARROLLO METODOLÓGICO

5.1 DESCRIPCIÓN

La metodología que se usó para obtener las características de desbalanceo y

desalineamiento angular en una máquina rotativa implementando redes neuronales

artificiales se divide en cuatro fases, las cuales permitió cumplir con los objetivos

propuestos.

7MUÑOZ ABELLA, Maria Belen.MANTENIMIENTO INDUSTRIAL. Universidad Carlos III de Madrid. Área de Ingeniería Mecánica. [En línea]. [Citado en 12 de Febrero de 2015].


46/85

46

5.2 FASE 1- ESTUDIO BIBLIOGRÁFICO

Esta fase consistió en hacer una recopilación del material bibliográfico que se usó

para fundamentar el proyecto y proporcionar conocimientos previos sobre el tema y

durante su desarrollo.

5.3 FASE 2- EJECUCIÓN

Se realizó la adquisición de datos de la vibración causada por el efecto del

desbalance y el efecto de desalineamiento angular en el banco de pruebas (ver

Figura 47) existente en la UNIVERSIDAD ANTONIO NARIÑO SEDE

BUCARAMANGA para el respectivo procesamiento de la señal y análisis de

vibraciones.

Figura 16. Banco de pruebas para análisis de vibraciones mecánicas.

Fuente: ERASMO, Joaquín; DIAZ, Julio. Implementación de un banco de pruebas para análisisde vibraciones mecánicas en maquinaria rotativa afectada por desbalanceo. Tesis de grado.Universidad Antonio Nariño facultad de ingeniería electromecánica. 2012

A través del programa PROVIDES desarrollado en software de LabView [1], se

tomaron cinco muestras de cada una de las siguientes velocidades de rotación del

motor; 600rpm, 1200rpm, 1800rpm, 2400rpm, 3000rpm y 3600rpm, para cada caso

de estudio, banco sin defecto aplicado (estado normal), en desbalance y en

desalineamiento angular. El archivo de datos .lvm obtenido para cada una de la

pruebas (ver Figura 47) consta de 1000 datos en un tiempo de muestreo de 1

segundo.


47/85

47

Figura 17. Archivo .lvm obtenido de PROVIDES LabView

Fuente: Los autores

5.3.1 Análisis de los datos adquiridos en el banco

Se elaboró un reconocimiento de patrones representativos de los rasgos

característicos de las fallas ocasionadas por desbalance y desalineamiento con laayuda de una macro realizada en Excel para el análisis de Fourier (FFT Transforma

da rápida de Fourier), en el Anexo A., se muestra el código realizado.


48/85

48

En la macro se considera la curva característica de respuesta del sistema

transductor (Figura 47) de la señal de los sensores inductivos 3300 XL de 8mm de

Bently Nevada usados en el banco de vibraciones para obtener la amplitud del

espectro de vibración en velocidad en unidades mm/s mediante la ecuación (5) y .

() = 5[()] + 5 (8)(/) = [() ∗ 0.0254(/)]∗ 2() (9)

Donde es la frecuencia de rotación del motor en la pruebaFigura 18. Curva de respuesta del sistema transductor de proximidad

Fuente: Bently Nevada. 3300 XL 8mm Proximity Transducer System Asset Condition Monitoring.2013

5.3.1.1 Resultados de la macro de Excel

Las siguientes figuras muestran los espectros y los oscilogramas obtenidos por

medio de la macros a una velocidad de rotación representativa que muestra los

patrones característicos de cada condición de estudio.

-24

-22

-20

-18

-16

-14

-12

-10

-8

-6

-4

-2

0

Gap (mils) 0 10 20 30 40 50 60 70 80 90 100

O u t p u t ( V o l t s )

Th=+25 C (+77 F) Th=+260 C (+500 F)


49/85

49

a) Prueba Normal sin defecto introducido

Figura 19. Oscilograma del banco normal a 1200 rpm

Fuente: Los autores

Figura 20. Espectro del banco normal a 1200 rpm

Fuente: Los autores

b) Prueba de desalineamiento con una inclinación de 1.5° a 720 rpm

Figura 21. Oscilograma de desalineamiento angular 1.5° a 720 rpm

Fuente: Los autores

-9,2

-9

-8,8

-8,6

-8,4

-8,2

-8

-7,8

-7,6

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

ONDA Voltaje

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

ESPECTRO V mm/s

9

9,5

10

10,5

11

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

ONDA Voltaje


50/85

50

Figura 22.Espectro de desalineamiento angular 1.5° a 720 rpm

Fuente: Los autores

c) Prueba de desbalanceo 1 disco y una masa de 20 gramos

Figura 23. Oscilograma banco con desbalance a 3000 rpm

Fuente: Los autores

Figura 24. Espectro banco con desbalance a 3000 rpm

Fuente: Los autores

0

0,5

1

1,5

2

2,5

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

ESPECTRO V mm/s

-9,3

-9,1

-8,9

-8,7

-8,5

-8,3

-8,1

-7,9

-7,7

-7,5

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

ONDA Voltaje

0

0,5

1

1,5

2

2,5

3

0 50 100 150 200 250

ESPECTRO V mm/s


51/85

51

5.3.1.2 Comparación de los datos con estándares internacionales.

La ISO “International Estándar Organization” sobre la severidad de vibraciones de

máquinas tiene una extensa gama de normas, pero para el análisis de este trabajose utilizó la norma ISO 10816.

En la Figura 25 se relaciona la tabla de severidad de vibración según la norma ISO

10816 “Vibración mecánica de máquinas con velocidades de operación entre 10 y

200 rev/s. Bases para la especificación de estándares de evaluación”.

Figura 25. Severidad de vibración por ISO 10816

Fuente: Tomado de: www.reliabilitydirectstore.com [On-line, citado 07/05/2015]http://www.reliabilitydirectstore.com/v/vspfiles/assets/images/iso%20standard.jpg

Tabla 2. Resultados representativos para cada caso de estudio

Fuente: Los autores

La Tabla 2 muestra el valor de la amplitud de la velocidad de vibración para cada

caso, comparando estos resultados con el criterio de severidad para máquinas clase

Prueba Normal desbalanceo desalineamiento

Velocidad (RPM) 1200 3000 720

Amplitud V(mm/s) 0,91 3,25 2,2

Picos significativos 1X 1X 1X 2X 3X

http://www.reliabilitydirectstore.com/http://www.reliabilitydirectstore.com/


52/85

52

I de la Figura 25, se concluye que los datos tomados son válidos para el

entrenamiento de la red neuronal.

5.3.2 Creación de la red neuronal

La red neuronal se creó Mediante el software MatLab R2011 usando la herramienta

de Neuronal Network.

5.3.2.1 Datos de entrada (Inputs)

Para el entrenamiento de la red neuronal se usaron 50 pruebas de desbalanceo,

12 pruebas de desalineamiento y 39 pruebas Normales, a estos datos los

llamaremos ejemplos los cuales permitirán el entrenamiento, validación y test de la

red neuronal backpropagation para el reconocimiento y clasificación de la señal

vibratoria de fallos por desbalance, desalineamiento y normales (sin fallas). El

archivo mostrado en la Figura 17 nos muestra diversos datos de los cuales los de

interés son las columnas de tiempo y voltaje para cada uno de los ejemplos.

El toolbox Neuronal Network Backpropagation, requiere que los datos de entrada

(impust) se organicen como un arreglo N_ejem X N_elem (N_ejem = Número de

ejemplos, N_elem=Número de elementos). Entonces se define que cada columna

representa un ejemplo con 1000 elementos, donde los 1000 elementos son la

columna de voltajes de cada una de las pruebas realizadas (desbalance,

desalineamiento, normal).

5.3.2.2 Datos de salida (Targets)

Los targets son los datos deseados de salida de la RNA (Red Neuronal Artificial)

para cada uno de los ejemplos de los datos de entrada (inputs). Los valores de

salida de las neuronas de salida toman valores de 0 o 1, lo que representa inactiva

o Activa respectivamente, por consiguiente los targets tomaran dichos valores, para


53/85

53

el caso en particular que queremos que la red neuronal backpropagation clasifique

entre señales de desbalance, desalineamiento y normales (sin falla). La afirmación

anterior da como resultado que los targets sean un arreglo de 3xN_ejem, donde

esta será la capa de salidas, que constar de 3 neuronas las cuales tomaran valores0 o 1, la Figura 47 representa la capa de salidas, en la parte izquierda se observa

un arreglo de tres neuronas donde sus variables en salida se nombran con un sub

índice que va de 1 a 3 y cuya salida es un vector de tres elementos, donde el vector

[1;0;0] representa desbalance, [0;1;0] representa desalineamiento y [0;0;1]

representa señales sin falla (normales).

Figura 26. Arreglo usado en la RNA

Fuente: Los autores

5.3.3 Construcción Arreglo de ejemplos

Para construir el arreglo de datos se generó una macros “Dat_Entrada RNA” en

Excel la cual selecciona y copia la columna de voltajes para cada archivo de

ejemplos en un archivo único con 1000 filas y N_ejem columnas en la hoja 1 y un

arreglo de salidas Target en la hoja 2 con tres filas y N_ejem columnas. Con este

archivo Excel guardamos la hoja1 como Inputs y la hoja dos Target como archivos

“.Txt”.


54/85

54

Estos archivos serán ingresados a la interfaz de MATLAB (Workspace) con el

siguiente comando o manualmente:

>>Input_Dat=importdata('NombreArchivo_Input'); >>Target_Dat=importdata('NombreArchivo_Target'; (10)

Figura 27. Ingreso de los archivos Input y Target

Fuente: Los autores

Después de tener los datos gualdados en Worskspace, creamos las variables

“inputs” y “targets” para que el código “RNA_VibraAnalisis.m” lea los datos así:

inputs = Input_Dat; targets = Target_Dat; (11)

Las siguientes figuras muestran como ejemplo los arreglos en los archivos:

Figura 28. Archivo Inputs

Fuente: Los autores

Figura 29. Archivo Targets

Fuente: Los autores


55/85

55

5.3.4 Estructura de la red neuronal

La red neuronal está compuesta por una capa de entradas (inputs), una capa oculta

compuesta por 100 neuronas, una capa de salida compuesta por 3 neuronas; la

siguiente grafica muestra el esquema simplificado.

Figura 30. Esquema simplificado de la red neuronal

Fuente: Los autores

El siguiente código MATLAB crea un objeto llamado “net” el cual es nuestra red

neuronal artificial de una capa oculta con 100 neuronas, los valores predefinidos de

esta red se pueden cambiar usando los siguientes comandos.

% Create a Pattern Recognition Network

hiddenLayerSize = 100; net = patternnet(hiddenLayerSize); (12)

En el caso en que se requiera hacer una red neuronal con más de una capa oculta

se le debe ingresar un vector fila en Patternnet ( ) con el número de neuronas que

contiene cada capa; el siguiente es un ejemplo.

>>hiddenLayerSize = [100 50]; >>net = patternnet(hiddenLayerSize) (13)

Se genera una red neuronal de dos capas ocultas, la primera con 100 y la segunda

con 50 neuronas, se muestra en la Figura 47.


56/85

56

Figura 31. Capas de la red neuronal

Fuente: Los autores

5.3.5 Configurar la Red Neuronal Artificial

Pero aun la red neuronal artificial (RNA) no está terminada ha de ser configurar,

para ello se usa el comando (5), para esto debemos indicarle las entradas y las

salidas.

net=configure(net,inputs,targets) (14)

Figura 32. Configuración de la red neuronal

Fuente:

La función (5) inicializa los pesos y las Bias para la red acabada de crear (ver Figura

47).

5.3.6 Función de transferencia

Los textos recomiendan para una red de clasificación de patrones backpropagationse deba usar la función sigmoidea, esta función entrega valores entre 0 y 1.


57/85

57

Figura 33. Función de transferencia Log-Sigmoide

Fuente: MatLab Ayuda.

5.3.7 Función de entrenamiento Backpropagation

Las siguientes son funciones de optimización numérica de funciones para nuestrocaso el gradiente de entrenamiento de la red neuronal artificial, algunas funciones

aumentan los tiempos de entrenamiento y otras lo hacen más corto, algunas de

estas entregan unos mejores resultados para nuestro caso como la traincgp, es un

método de optimización no lineal el cual es un método que conjuga el gradiente para

una función cuadrática.

trainbfg - BFGS quasi-Newton backpropagation.

trainbr - Bayesian Regulation backpropagation.traincgb - Conjugate gradient backpropagation with Powell-Beale restarts.

traincgf - Conjugate gradient backpropagation with Fletcher-Reeves updates.

traincgp - Conjugate gradient backpropagation with Polak-Ribiere updates.

traingd - Gradient descent backpropagation.

traingda - Gradient descent with adaptive lr backpropagation.

traingdm - Gradient descent with momentum.

traingdx - Gradient descent w/momentum & adaptive lr backpropagation.

trainlm - Levenberg-Marquardt backpropagation.

trainoss - One step secant backpropagation.


58/85

58

trainrp - RPROP backpropagation.

trainscg - Scaled conjugate gradient backpropagation.

Para seleccionar la función que se desea se utiliza el siguiente comando.

(15)

Esta línea guarda el nombre de la función de entrenamiento en el interior del objeto

llamado “net”.

5.3.8 Inicialización de los Pesos y Bias Red Neuronal Artificial

Como se mencionó en la sección 5.3.5, al usar la función (14) se inicializan los pesosy las Bias de acuerdo a las dimensiones de los datos de entrada y salidas así como

del número de capas y de neuronas.

5.3.9 Entrenamiento de la Red Neuronal Artificial

Después de tener creada y configurada la red con las funciones de transferencia,

entradas, salidas y todos estos parámetros que nos interesan, se procede al

entrenamiento. Para facilitar este proceso y la de la creación de la RNA se creó unarchivo script en el cual está contenido todos los comandos y funciones necesarias

para la configuración optima de una red neuronal que permita el reconocimiento de

señalas vibratorias de fallas por desbalance, desalineamiento y señales sin falla

“normales”. La Figura 47 muestra como es el aspecto del script, en primer lugar en

este se puede configurar el número de capas ocultas y neuronas en cada capa, y

todas las otras funciones descritas anterior mente. La línea netamente encargada

del entrenamiento de la red RNA ya configurada e iniciada es la siguiente:

(16)


59/85

59

Posterior mente se corre el código (Run) después de haber seleccionados los datos

de entrada y salida empieza el entrenamiento de la red, este despliega una ventana

donde muestra este proceso datos de configuración y resultados obtenidos para el

entrenamiento, validación y test (ver Figura 47).

Figura 34. Script de entrenamiento

Fuente: Los autores


60/85

60

Figura 35. Ventana de proceso de entrenamiento

Fuente: Los autores

5.4 FASE 3: EXPERIMENTACIÓN

5.4.1 Entrenamiento para la clasificación de señales vibratorias

Las señales recogidas para el proceso de entrenamiento fueron 50 pruebas de

desbalance con diferentes grados de desbalance y a diferentes velocidades de

rotación, 39 pruebas sin ninguna falla a diferentes velocidades de rotación, y 12


61/85

61

pruebas de desalineamiento. Estas pruebas están repartidas en 101 archivos “*.txt”

los cuales los procesamos con la macros Excel (ver Anexo B) para que las organice

como un arreglo de columnas [1000x#pruebas] donde cada columna representa las

amplitudes para cada una de la 101 pruebas. Este mismo macros crea los vectoresde salida para cada prueba como un arreglo de [3x#pruebas]. Los datos se guardan

como:

Dat_Inputs .txt como datos de Entrada 1000x#pruebas

Dat_Targets.txtComo datos de salida requeridos 3x#pruebas

Se planeó hacer el entrenamiento de dos formas, una fue con los datos ordenados

según el caso de estudio (desbalance, desalineamiento, Normal), en otra con losdatos al azar pero con conocimiento de que falla se trataba.

Se desarrollaron dos pruebas cambiando la función de entrenamiento por:

traincgp - Conjugate gradient backpropagation with Polak-Ribiere updates

trainbfg - BFGS quasi-Newton backpropagation.

En la siguiente sección se mostrara el cambio entre una red neuronal de una capa

oculta de 243 neuronas y dos capas ocultas de 243 y 27 neuronas respectivamente.

5.5 FASE 4: ANÁLISIS Y RESULTADOS

5.5.1 Configuración caso1 entrenamiento:

Datos de entrada”Dat_Inpusts”: 101 ejemplos 1000x101 ordenados por tipo

de falla

Datos de salida “Dat_targets”:

Documents

TESIS RNA Version Final