Análisis estocástico de señales vibratorias de motores de inducción para la detección de fallas usando descomposición de modo empírico

• Rivera Roldán, Alejandro ^[1] ; Becerra Botero, Miguel Alberto ^[1] ; Guzmán Luna, Jaime Alberto ^[2]
  1. [1] Institución Universitaria Salazar y Herrera

     Institución Universitaria Salazar y Herrera

     Colombia

     
  2. [2] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: Tecnura: Tecnología y Cultura Afirmando el Conocimiento, ISSN-e 2248-7638, ISSN 0123-921X, Vol. 19, Nº. 44, 2015, págs. 83-92
• Idioma: español
• Títulos paralelos:
  • Vibration signals stochastic analysis of induction motors for fault detection using empirical mode decomposition
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este artículo se presenta un análisis de vibraciones en motores de inducción por medio de Modelos Ocultos de Markov (Hidden Markov Model - HMM) aplicado a características obtenidas de la Descomposición de Modo Empírico (Empirical Mode Decomposition - EMD) y transformada de Hilbert-Huang de señales de vibración obtenidas en las coordenadas x y y, con el fin de detectar fallas de funcionamiento en rodamientos y barras.  Además se presenta un análisis comparativo de la capacidad de las señales de vibración en dirección x y en dirección y, para aportar información en la detección de fallas. Así, un HMM ergódico inicializado y entrenado por medio del algoritmo de máxima esperanza, con convergencia en 10e-7 y un máximo de iteraciones de 100, se aplicó sobre el espacio de características y su desempeño fue determinado mediante validación cruzada 80-20 con 30 fold, obteniendo un alto desempeño para la detección de fallas en términos de exactitud.

  • English

    This paper presents a vibration analysis on induction motors using Hidden Markov Models (HMM) applied to features obtained from the Empirical Mode Decomposition (EMD) and Hilbert-Huang transform to vibration signals obtained in the coordinates x and y, in order to detect malfunctions in bearings and bars. Additionally, a comparative analysis of the ability of the vibration signals in the x and y directions to provide information for failures detection is presented. Thus, an ergodic HMM initialized and trained by expectation maximization algorithm with convergence at 10e-7  and maximum iterations of 100 was applied to the feature space and its performance was determined by cross-validation with 80-20 with 30 fold for obtaining high performance fault detection in terms of accuracy.