TECNOLOGÍA FPGA PARA EL MONITOREO Y DIAGNÓSTICO DE · PDF fileel monitoreo y diagnóstico de maquinaria industrial, la sección 3 proporciona un panorama general de la tecnología

M E X I C O

TECNOLOGÍA FPGA PARA EL

MONITOREO Y DIAGNÓSTICO DE FALLAS EN MAQUINARIA INDUSTRIAL

ESPECIALIDAD: MECATRÓNICA

René de Jesús Romero Troncoso Doctor en Ingeniería

26 de Marzo de 2015

Tecnología FPGA para el monitoreo y diagnóstico de fallas en maquinaria industrial ═════════════════════════════════════════════════════════════════════════════

═════════════════════════════════════════════════════════════════════════════

Especialidad: Mecatrónica 2

CONTENIDO

Página

Resumen ejecutivo 3 1 Introducción 4

2 Procesamiento de señales para el diagnóstico 7 3 Tecnología FPGA para monitoreo y diagnóstico 21

4 Ejemplos de desarrollo 23 5 Conclusiones 37

Referencias 37 Agradecimientos 44

Currículum vitae 44


═════════════════════════════════════════════════════════════════════════════


RESUMEN EJECUTIVO

Con el objeto de reducir los paros e interrupciones en los procesos

industriales de manufactura, cada vez se hace más necesario el contar con sistemas automáticos que realicen el monitoreo y diagnóstico del

estado operativo de la maquinaria industrial. Es deseable que el monitoreo y diagnóstico sea realizado in situ, de manera continua sin

afectar al proceso y que se emita en un tiempo lo suficientemente corto para tomar acción preventiva, antes que correctiva, a la maquinaria en

cuestión. Lograr realizar la tarea de monitoreo y diagnóstico implica el desarrollo de algoritmos, algunos de ellos muy sofisticados, que sean

capaces de ser implementados en tecnologías electrónicas de muy alta velocidad, pero que mantengan bajos los costos del equipo adicional.

Para atender estas necesidades, el grupo de investigación liderado por el

autor con la participación de investigadores y estudiantes de posgrado de diversas Universidades nacionales y extranjeras, se ha dado a la

tarea de desarrollar líneas de investigación tendientes a la propuesta de metodologías de procesamiento de señales para el monitoreo y

diagnóstico de maquinaria industrial teniendo en mente la realización en tiempo real de los algoritmos, utilizando tecnología de arreglos de

compuertas programables en campo o FPGA (Field Programmable Gate Array, por sus siglas en inglés) que tienen la característica de una alta

velocidad de operación y mantienen costos moderados. El presente trabajo muestra una revisión de los trabajos desarrollados por este

grupo de investigación en monitoreo y diagnóstico de maquinaria industrial utilizando tecnología FPGA.

Palabras clave: FPGA, lógica programable, monitoreo y diagnóstico, fallas en maquinaria industrial


═════════════════════════════════════════════════════════════════════════════


1. INTRODUCCIÓN.

Durante los últimos años, la investigación y el desarrollo tecnológico de

maquinaria industrial se han orientado a la producción de máquinas, denominadas de nueva generación, que deben tener las características

descritas por (Mekind , 2009):

Contar con un centro de maquinado inteligente donde se realicen los diseños mediante herramientas CAD/CAM.

Realizar investigación y desarrollo de máquinas reconfigurables que fácilmente y de manera rápida incorporen procesos de

manufactura híbridos y que estén preparadas para aceptar diferentes plataformas de nuevos herramentales.

Investigar y desarrollar técnicas de inspección in situ para

compensar errores durante la operación de la maquinaria. Desarrollar nuevas metodologías tendientes a la manufactura

autónoma mediante supervisión, monitoreo, diagnóstico y reparación automáticas.

Desarrollar e integrar controladores de procesos en tiempo real mediante arquitecturas abiertas CNC (Control Numérico por

Computadora) utilizando técnicas adaptivas de control por retroalimentación de múltiples entradas.

Desarrollar técnicas CAM que sean inteligentes y adaptivas, con capacidades de auto-aprendizaje.

Para poder contar con sistemas de monitoreo y diagnóstico autónomos,

in situ, de maquinaria industrial que sean capaces de detectar fallos en alguna parte de la cadena cinemática durante las etapas iniciales del

fallo, antes de que éste resulte catastrófico; es necesario desarrollar una

metodología de procesamiento de señales que permita detectar la falla y también contar con una tecnología electrónica que realice el monitoreo y

diagnóstico en tiempo real. La metodología de procesamiento de señales es el algoritmo o procedimiento analítico que mediante la información

recolectada de uno o varios sensores que supervisan la operación de la maquinaria es capaz de inferir de una manera simple la condición

operativa del sistema indicando cuándo se encuentra en condiciones sanas o sin fallo y cuándo se encuentra presente un fallo en el sistema.

Por otro lado, la tecnología electrónica que esté dedicada a realizar esta tarea de supervisión, monitoreo y diagnóstico, debe ser capaz de


═════════════════════════════════════════════════════════════════════════════


realizarlo de manera continua, en tiempo real y cuando el sistema se

encuentra operando normalmente y no solo cuando se realice un mantenimiento preventivo. Esta condición implica que el sistema

electrónico debe operar continuamente en conjunto con la maquinaria,

por lo tanto debe ser viable económicamente; debe ser lo suficientemente rápido como para ejecutar el procesamiento de señales

en tiempo real, y debe ser flexible para incorporar mejoras en los algoritmos de monitoreo y diagnóstico, manteniendo la capacidad de

desempeño. En resumen, se necesita atender por un lado el desarrollo de la metodología de diagnóstico mediante los algoritmos de

procesamiento de señales que se aplican a la información recolectada por los sensores conectados a la maquinaria industrial; y por otro lado,

contar con una tecnología electrónica que sea capaz de ejecutar la metodología de procesamiento de señales en tiempo real para

proporcionar el diagnóstico, tal como se ilustra en el diagrama de bloques de la figura 1.

Figura 1. Diagrama de bloques de un sistema automático de monitoreo

y diagnóstico en maquinaria industrial.

Con respecto a los algoritmos de procesamiento de señales para el

monitoreo y diagnóstico de fallos en máquinas industriales, estos tienden a ser complejos puesto que se debe considerar la problemática

general del diagnóstico que no es un problema de simple solución. La primera dificultad surge con la necesidad de contar con diversos

sensores que deben ser monitoreados constantemente y de forma simultánea para poder contar con la información necesaria para realizar

el diagnóstico. El segundo problema lo constituye el ruido que se encuentra inmerso en las señales que entregan los sensores y que

requiere de técnicas especializadas para poder minimizarlo y así lograr extraer la información útil. El siguiente obstáculo a vencer es la

selección del algoritmo o conjunto de algoritmos de procesamiento de señales que sean adecuados para lograr el diagnóstico deseado,


═════════════════════════════════════════════════════════════════════════════


tomando en cuenta que dada la naturaleza no estacionaria de las

señales de falla en la maquinaria, es necesario contar con algoritmos que puedan procesar información de esta naturaleza, lo cual no es

simple. Finalmente se debe considerar que la metodología de

diagnóstico debe ser capaz de implementarse en una tecnología electrónica que pueda realizar el procesamiento en tiempo real;

entendiendo como tiempo real el periodo de tiempo tolerado desde que ocurre el fallo hasta que se detecta y se tome acción al respecto. Cabe

hacer notar que existen metodologías de diagnóstico que son muy sofisticadas, pero tienen la desventaja de requerir un poder de cómputo

muy alto, haciéndolas inadecuadas para su implementación en tiempo real en las tecnologías disponibles actualmente.

Para la implementación tecnológica de los algoritmos de procesamiento

de señales se cuenta con tres opciones posibles: las computadoras personales denominadas genéricamente como PC (Personal Computer),

los microprocesadores especializados conocidos como DSP (Digital Signal Processor, procesador digital de señales) y los arreglos de

compuertas programables en campo o FPGA (Field Programmable Gate

Array) por sus siglas en inglés. Las PC son los sistemas más simples para utilizar y se pueden realizar desarrollos rápidos debido a la gran

cantidad de paquetes de software de procesamiento de señales que se encuentran disponibles como Matlab-Simulink y National Instruments-

LabView; asimismo, diversas compañías ofrecen sistemas de adquisición de datos que se enlazan directamente entre el software y los sensores

físicos. No obstante estas facilidades que presentan las PC, se debe tomar en cuenta que las soluciones desarrolladas con estas plataformas

resultan muy costosas y puede ser que la aplicación requerida no justifique el gasto realizado. Por otro lado, estas plataformas son de fácil

desarrollo y aplicación, pero de ninguna manera son óptimas en cuanto al desempeño en velocidad de procesamiento, por lo que algunos

algoritmos de diagnóstico no pueden ser implementados para su ejecución en tiempo real en estos sistemas, además se debe recordar

que la propiedad intelectual de los desarrollos realizados en estas

plataformas pertenece a la empresa proveedora de la plataforma, no al usuario. La segunda alternativa de implementación tecnológica son los

procesadores especializados o DSP; los cuales pueden ejecutar un algoritmo de procesamiento de señales hasta 10 veces más rápido que

una PC y su costo es inferior comparado con las plataformas tipo Simulink y LabView; sin embargo, no son tan fáciles de programar y

existe una cierta dependencia tecnológica hacia los proveedores de los dispositivos, aunque la propiedad intelectual de la implementación

pertenece al desarrollador. La tercera alternativa de implementación son los FPGA que pueden ejecutar los algoritmos de procesamiento de


═════════════════════════════════════════════════════════════════════════════


señales hasta 10 veces más rápido que un DSP, y por ende hasta 100

veces más rápido que una PC, con costos realmente atractivos para su uso en aplicaciones industriales. La principal desventaja los dispositivos

FPGA es que se requiere un mayor esfuerzo para el desarrollo de las

aplicaciones, tanto la parte hardware como la parte software, ya que el diseño se realiza a nivel de compuertas básicas y bloques funcionales.

Para que un diseño sea efectivo con estos dispositivos, es necesario contar con personal altamente entrenado en diseño de circuitos

integrados digitales, generalmente de nivel de posgrado. A pesar de las desventajas que tienen las tecnologías, nótese que todas ellas pueden

ser conjuntadas en plataformas híbridas que exploten las ventajas particulares de cada tecnología y así proporcionar la solución deseada.

El principal objetivo del presente trabajo es mostrar un análisis del

estado del arte de los métodos de procesamiento de señales y las tecnologías FPGA en la aplicación y desarrollo de sistemas automáticos

de monitoreo y diagnóstico de fallos en maquinaria industrial. Asimismo, se presentan de forma resumida los principales retos teóricos y prácticos

que se tienen para el desarrollo del área, al igual que los retos en la

formación de recursos humanos que tiene nuestro país para contar con personal calificado para el diseño de sistemas de monitoreo y

diagnóstico de fallos en maquinaria industrial que cumplan con las especificaciones de los sistemas de nueva generación.

El resto del trabajo está organizado como sigue: la sección 2 hace un

análisis de las técnicas de procesamiento de señales que se utilizan para el monitoreo y diagnóstico de maquinaria industrial, la sección 3

proporciona un panorama general de la tecnología FPGA y sus herramientas de desarrollo, así como sus usos en el monitoreo y

diagnóstico de maquinaria industrial. En la sección 4 se presentan algunos ejemplos de desarrollo de sistemas y equipo para el monitoreo

y diagnóstico de fallos en maquinaria industrial, realizados por el grupo de investigación cuyo líder es el autor del presente trabajo, con la

finalidad de resolver problemas particulares de la industria y de la

academia, así como para contribuir en la formación de recursos humanos especializados a nivel posgrado en el diseño de sistemas

basados en tecnología FPGA. Finalmente, la sección 5 presenta las conclusiones del trabajo.

2. PROCESAMIENTO DE SEÑALES PARA EL DIAGNÓSTICO.

Para poder determinar la condición operativa de una máquina es necesario realizar los siguientes pasos:


═════════════════════════════════════════════════════════════════════════════


Instrumentación

Monitoreo Diagnóstico

El proceso de instrumentación consiste en medir el valor de una o varias variables físicas que contienen la información necesaria para describir el

modo operativo de la máquina bajo análisis. Para llevar a cabo esta tarea es necesario establecer una cadena de instrumentación como se

describe en el diagrama de bloques de la figura 2.

Figure 2. Sistema general de instrumentación.

La variable física a medir es sensada mediante un elemento sensor primario que en conjunto con el transductor entregan una señal eléctrica

que es proporcional a la variable física. Esta señal contiene muy poca energía y es necesario incrementar esta energía mediante una etapa de

pre-amplificación cuya finalidad es lograr un acoplamiento de impedancias y posteriormente un amplificador que proporciona los

niveles adecuados de corriente y tensión para procesar la señal. A

continuación se requiere un acondicionador de señal que se encarga de realizar tareas como la reducción del ruido, limitación en banda y

ecualización espectral. Con el objeto de obtener el valor digital de la señal es necesario colocar un filtro de anti-traslape espectral que limite

en frecuencia a la señal, de acuerdo con el teorema de Nyquist. El proceso de conversión requiere en sí tres bloques funcionales que son el

muestreador y retenedor quien discretiza la señal en tiempo, el convertidor de analógico a digital quien discretiza la señal en amplitud y

la interfaz que se encarga de enviar los datos para su posterior análisis. La cadena de instrumentación debe realizarse para cada uno de los

diferentes sensores que se tienen en el sistema.

Una vez que se cuenta con el valor digital de la señal mediante el proceso de instrumentación, el siguiente paso es el monitoreo de la


═════════════════════════════════════════════════════════════════════════════


variable o variables físicas bajo análisis que consiste en tomar conjuntos

determinados de muestras para extraer las características principales que permitan inferir la condición operativa de la máquina. Es en esta

etapa donde se realiza mayormente el procesamiento de señales,

encaminado a la extracción de estas características principales de la variable física medida. El procesamiento empleado en esta etapa puede

ser realizado en el dominio del tiempo, de la frecuencia o del espacio tiempo-frecuencia. Los procesamientos correspondientes al dominio del

tiempo analizan la señal tomando como referencia su evolución en el tiempo e incluyen al filtrado digital (reducción de ruido, selección de

banda espectral, etc.) y al análisis estadístico (media, varianza, valor pico, etc.). El procesamiento en el dominio de la frecuencia consiste en

realizar el análisis desde el punto de vista del contenido espectral de la señal y típicamente involucra transformadas de espacio como la

transformada discreta de Fourier y los métodos de estimación espectral tanto paramétricos como no paramétricos. El procesamiento en el

espacio tiempo-frecuencia trata de conjuntar las características de análisis de las técnicas del domino del tiempo y del dominio de la

frecuencia para obtener el espectro de la señal conforme evoluciona en

el tiempo. Las técnicas de análisis tiempo-frecuencia incluyen a las transformadas de ondoletas, la descomposición de modo empírico, la

transformada corta de Fourier, entre otras.

El objetivo final de la instrumentación y el monitoreo es obtener un diagnóstico del estado de la máquina bajo análisis. El proceso de

diagnóstico se puede definir como el procedimiento para inferir el estado o condición operativa de la maquinaria en cuestión en función de los

parámetros estimados por el proceso de monitoreo de la señal. Un sistema de diagnóstico, en forma general, consiste en un procedimiento

de toma de decisiones para dar un resultado sobre las condiciones operativas. Las técnicas de diagnóstico más utilizadas incluyen a los

sistemas expertos, árboles binarios, lógica difusa, redes neuronales, máquinas de soporte vectorial, algoritmos genéticos, entre otros.

Como ejemplo de este proceso, considere la operación del motor de un automóvil desde el punto de vista del usuario. Primeramente es

necesario que el motor cuente con la instrumentación adecuada que puede incluir sensores para medir la temperatura del motor, la presión

de aceite y el nivel de inyección de combustible. Esta instrumentación se concentra en un sistema de monitoreo que toma las lecturas de estas

variables y las procesa para determinar si se está operando en la región recomendada. Finalmente, mediante un sistema experto, la

computadora da un diagnóstico al usuario sobre la condición del motor en base a los parámetros estimados y le informa de manera simple si el


═════════════════════════════════════════════════════════════════════════════


motor opera correctamente, si hay necesidad de darle mantenimiento

en un corto plazo o de si hay una falla que requiere atención inmediata. Para poder generar este simple mensaje se necesita de la

instrumentación adecuada para medir las variables físicas de interés al

proceso, el monitoreo y procesamiento de las señales para extraer las características o parámetros operativos que sean indicativos de la

operación del sistema y finalmente el análisis mediante un sistema experto que interprete los valores de estos parámetros y emita el

diagnóstico.

2.1 Procesamiento de señales para el monitoreo.

Con el objeto de ejemplificar los efectos del procesamiento de señales

para el monitoreo, considere la forma de onda hipotética que se muestra en la figura 3.

Figura 3. Forma de onda hipotética de un proceso.

A simple vista se puede notar que se trata de una señal periódica con

cierto contenido armónico y un promedio diferente de cero. La señal contiene ruido y la periodicidad se ve afectada por dos eventos

transitorios que ocurren en diferentes tiempos. El reto del monitoreo es procesar la señal de tal manera que se logren extraer las características

o parámetros que son indicadores del estado del proceso en análisis.

Si la característica que se busca de la señal es la periodicidad de la componente espectral principal para eliminar armónicos y reducir el

ruido, un simple filtro de paso bajo puede cumplir con el objetivo, tal

como se muestra en la gráfica procesada de la figura 4. En este caso, el procesamiento da como resultado la extracción de una señal sinusoidal

con menor contenido armónico, ruido disminuido y que mantiene el nivel promedio original; mientras que la información de los eventos

transitorios y de los armónicos se pierde. Si por otro lado no se desea preservar la forma de onda, sino solamente conocer los valores medio,


═════════════════════════════════════════════════════════════════════════════


raíz media cuadrática o RMS (root mean square) y valores pico, basta

con realizar un procesamiento estadístico de una la muestra completa de la señal y entregar los valores numéricos, que para este ejemplo se

muestran en la tabla 1. El filtrado digital y el procesamiento estadístico

se realizan en el dominio del tiempo.

Figura 4. Resultado de la señal filtrada.

Tabla 1. Parámetros estadísticos básicos de la señal bajo análisis.

Parámetro Valor

Media 0.7503

RMS 0.7619

Valor pico máximo 9.9703

Valor pico mínimo -3.0015

Cuando los parámetros de interés se encuentran en los diferentes

componentes espectrales de la señal, es decir, en el dominio de la frecuencia; la técnica de procesamiento más utilizada es la transformada

de Fourier que cuando se aplica a la señal de ejemplo se obtiene el espectro de la figura 5, donde se puede ver el componente principal y

dos armónicos, además de cierto nivel de ruido.

Figura 5. Espectro de la señal de prueba mediante la transformada de

Fourier.


═════════════════════════════════════════════════════════════════════════════


Las técnicas de procesamiento de señales antes descritas son

consideradas como técnicas clásicas de procesamiento y tienen en común que consideran a la señal bajo análisis como una señal

estacionaria, es decir, una señal que conserva un patrón definido

durante todo el tiempo y no contiene eventos transitorios. Si las características principales que definen la condición operativa del sistema

bajo monitoreo es de naturaleza estacionaria, entonces estas técnicas clásicas son suficientes para realizar el procesamiento, pero cuando las

características de interés son de naturaleza no estacionaria o transitoria, las técnicas clásicas de procesamiento no entregan resultados

satisfactorios y es necesario utilizar otras técnicas que permitan descomponer la señal original para separar los eventos estacionarios de

los no estacionarios.

Para apreciar el efecto del análisis clásico sobre una señal no estacionaria, considere la forma de onda en el dominio del tiempo que

se muestra en la figura 6a y que consiste de una componente principal de frecuencia cuyo valor permanece invariante por un tiempo y durante

un periodo definido, el valor de la frecuencia aumenta para retornar a su

valor original. La señal contiene armónicos, cierto nivel de ruido y un evento transitorio de tipo impulsivo. El espectro de la señal se muestra

en la figura 6b, donde se puede apreciar la componente directa, la frecuencia principal, los armónicos y la frecuencia transitoria; sin

embargo, la frecuencia principal y en particular la frecuencia transitoria no se encuentran bien definidos en la gráfica del espectro, debido a la

naturaleza no estacionaria de la señal. Además, el espectro por sí solo nos proporciona información de las frecuencias presentes en la señal,

pero no nos da información del tiempo en que ocurren estas frecuencias.

Se debe tener en cuenta que la mayoría de las señales que se pueden medir en los sistemas reales son de naturaleza no estacionaria y

algunos de los parámetros de interés se pueden encontrar en la parte estacionaria, pero otros parámetros se encuentran en los componentes

transitorios. Así que en términos generales, se puede inferir que las

técnicas clásicas de procesamiento de señales pueden no ser adecuadas para extraer la información relevante en procesos de monitoreo en

máquinas industriales. La solución que se le ha dado al problema del monitoreo de señales no estacionarias consiste en la aplicación de

técnicas de análisis denominadas tiempo-frecuencia que permiten por un lado realizar el análisis de los componentes espectrales que

constituyen a la señal bajo estudio, pero conservando la información del tiempo en que estos componentes estuvieron presentes en la señal.


═════════════════════════════════════════════════════════════════════════════


Figura 6. Señal no estacionaria, a) dominio del tiempo, b) espectro de

frecuencia.

Son varias las técnicas de descomposición tiempo-frecuencia que se han

utilizado para el análisis de señales, entre las que se encuentra la

transformada corta de Fourier, las transformadas de ondoletas y la descomposición de modo empírico.

La transformada corta de Fourier consiste en segmentar en periodos de

tiempo definidos la señal original en el dominio del tiempo y aplicar la transformada de Fourier a estos segmentos para representar la señal

como un conjunto de espectros de frecuencia que evolucionan en el tiempo. La representación gráfica de la transformada corta de Fourier

puede realizarse como una gráfica tridimensional como se muestra en la figura 7a donde se aplica la técnica a la señal de la figura 6a y un eje

representa la amplitud de la componente espectral, el segundo eje representa la frecuencia y el tercer eje corresponde al tiempo. Otra

forma de representación es mediante una gráfica de dos dimensiones, pseudocoloreada, donde el eje vertical representa al tiempo, el eje

horizontal representa la frecuencia y el color denota la amplitud de los componentes espectrales, tal como se muestra en la figura 7b. La

ventaja de esta transformada sobre el procesamiento clásico es que

puede ubicar las frecuencias no solamente como componentes de la señal sino también el tiempo en que ocurren. Un problema persistente


═════════════════════════════════════════════════════════════════════════════


con esta transformada siguen siendo los eventos transitorios que aún no

es capaz de detectarlos.

Figura 7. Transformada corta de Fourier, a) vista tridimensional, b) vista

bidimensional con pseudocolor para indicar la amplitud.

Otras técnicas como las transformadas de ondoletas han sido propuestas para identificar la ocurrencia de eventos transitorios en las

señales bajo análisis. El proceso de la transformada de ondoletas consiste en descomponer la señal original en un conjunto de varias

señales conteniendo cada una de ellas una banda de frecuencias

específica, conservando la información del tiempo en que ocurren. Básicamente la transformada de ondoletas es un banco de filtros, donde

cada filtro selecciona una banda de frecuencias específica de la señal. En


═════════════════════════════════════════════════════════════════════════════


la figura 8 se muestra una descomposición por medio de las

transformadas de ondoletas para la señal de la figura 6a.

Figura 8. Transformadas de ondeletas, a) Componentes de baja frecuencia, b) componente de frecuencia media, c) frecuencia

transitoria, d) evento transitorio.


═════════════════════════════════════════════════════════════════════════════


Las transformadas de ondoletas logran obtener una buena

descomposición de la señal original, aislando los armónicos principales, las frecuencias transitorias y los eventos transitorios, todos ellos en

diferentes niveles de descomposición, lo que facilita el análisis posterior

de la señal. Una cuestión que debe ser considerada cuando se realiza la descomposición por ondoletas es el hecho de que los niveles de

descomposición no reconstruyen de manera perfecta la señal e introducen distorsiones y no linealidades.

Otro método de separación de componentes de una señal es la

descomposición de modo empírico o EMD por sus siglas en inglés (empirical mode decomposition). La EMD es una técnica no lineal,

contraria a las transformadas corta de Fourier y de ondoletas, y se basa en encontrar evolventes intrínsecas de la señal original para poder

separar sus componentes en los diferentes modos, preservando sus características de tiempo y frecuencia. La figura 9 muestra la forma en

que se descompone la señal de la figura 6a en sus diferentes modos intrínsecos.

Figura 9. Descomposición de modo empírico, a) Frecuencia principal y

señal directa, b) frecuencia media, c) frecuencia superior, d) frecuencia

transitoria, e) evento transitorio y ruido.

Como se puede apreciar en la figura 9, la técnica EMD logra una mejor separación de los componentes constitutivos de la señal original; sin

embargo, esta técnica requiere un alto poder computacional para

ejecutarse y algunas aplicaciones que tengan restricción en el tiempo de


═════════════════════════════════════════════════════════════════════════════


respuesta puede ser que no sea factible su implementación para realizar

el procesamiento en tiempo real. A este respecto, la tabla 2 resume el poder de cómputo relativo que se requiere para ejecutar las técnicas de

procesamiento de señales discutidas en este apartado.

Tabla 2. Necesidades de cómputo en las técnicas de procesamiento de

señales para el monitoreo.

Técnica Cómputo Observaciones

Filtrado digital Muy

simple

Dominio del tiempo

Pocos recursos tecnológicos

Estadística básica Muy

simple

Dominio del tiempo

Pocos recursos tecnológicos

Transformada de Fourier Simple Dominio de la frecuencia

Moderados recursos tecnológicos

Transformada de ondoletas

Complejo Dominio del tiempo-frecuencia Moderados recursos tecnológicos

Puede requerir mucho tiempo de cómputo

Descomposición de

modo empírico

Muy

complejo

Dominio del tiempo-frecuencia

Altos recursos tecnológicos La operación en tiempo real

puede no ser factible

2.2 Procesamiento de señales para el diagnóstico.

Una vez que mediante el proceso de monitoreo se lograron extraer los

parámetros y características relevantes de la operación de la máquina

bajo prueba, el siguiente paso es utilizar esta información para poder emitir un diagnóstico simple y directo sobre la condición de la máquina.

Esta tarea requiere una segunda etapa de procesamiento que implica la elaboración de un sistema clasificador de condiciones mediante alguna

técnica particular.

El método más simple para generar un sistema experto de diagnóstico consiste en un árbol de decisiones. Un árbol de decisiones consiste en

conectar de manera jerárquica un conjunto de evaluadores booleanos (Sí o No) que analiza los parámetros o características extraídas de la

señal original por medio del proceso de monitoreo y dar un diagnóstico operativo. La figura 10 muestra un árbol binario para realizar un

diagnóstico sobre un proceso hipotético con tres parámetros de análisis A, B y C, y con las siguientes reglas:

Si A sobrepasa un umbral Amax, el sistema tiene un fallo severo y

requiere detener el proceso, o:


═════════════════════════════════════════════════════════════════════════════


Si cualquiera de B o C sobrepasan un umbral Tmax, el sistema

requiere programar un mantenimiento preventivo y sino: El sistema opera en condiciones adecuadas.

Figura 10. Árbol binario para el problema de diagnóstico.

No siempre es posible poder establecer las reglas de inferencia en un sistema experto como simples decisiones binarias y por esta razón se

debe contar con otras técnicas de clasificación como por ejemplo la

lógica difusa. Un sistema clasificador difuso, en lugar de establecer umbrales para responder sí o no, pondera en diferentes grados el valor

de un parámetro bajo análisis, por ejemplo en: bajo, incipiente, medio, alto y severo. La respuesta del sistema pondera de forma conjunta

todos los parámetros involucrados y entrega un resultado. La figura 11 muestra un diagrama de bloques general de un sistema clasificador

difuso.

Cuando las reglas de inferencia en un sistema difuso no se pueden especificar de una manera precisa o cuando los sistemas son muy

complejos, ya sea por contener una gran cantidad de parámetros o cuando la interrelación entre parámetros no puede ser modelada

fácilmente, otras técnicas como las redes neuronales son más adecuadas como clasificadores. Las redes neuronales son arreglos de

operadores matemáticos adaptivos que pueden tener diversas


═════════════════════════════════════════════════════════════════════════════


configuraciones, inspiradas en la interconectividad que tienen las

neuronas en los organismos vivos y contienen dos partes: la red neuronal en sí y la parte del entrenamiento de la misma. El bloque de

entrenamiento consiste en un modelo matemático que ajusta los valores

de los coeficientes de la red neuronal de tal forma que se minimice el error de la salida ante un conjunto de estímulos o entradas cuyo

resultado se conoce a priori. Una estructura de red neuronal muy utilizada es el denominado perceptrón que se muestra en la figura 12a

que consiste de una capa de entrada, una capa oculta y otra capa de salida. El número de neuronas en cada capa se determina de forma

experimental, seleccionando aquella configuración que proporcione mejores resultados. La operación matemática que realiza una neurona

es la suma ponderada de las entradas que sirve como variable de una función de activación para proporcionar la salida, como se muestra en la

figura 12b. El entrenamiento de la red neuronal se lleva a cabo mediante la estructura mostrada en la figura 12c, utilizando como

entradas un conjunto de datos cuya respuesta se conoce de antemano, ajustando los pesos ponderados mediante una función de minimización

del error.

Figura 11. Clasificador difuso general.

Existen otros clasificadores basados en máquinas de soporte vectorial y

en algoritmos bio-inspirados como algoritmos genéticos, enjambre de

partículas, colonia de hormigas, entre otros. Todos ellos tienen como característica que requieren entrenamiento como las redes neuronales,

pero el modelo del sistema es diferente.


═════════════════════════════════════════════════════════════════════════════


Figura 12. Red neuronal, a) perceptrón, b) neurona, c) entrenamiento.

Al igual que los modelos de procesamiento de señales para el

monitoreo, los diferentes modelos de sistemas clasificadores para el diagnóstico tienen características de complejidad diferente, requiriendo

una mayor o menor cantidad de recursos y consumiendo más o menos

tiempo de cómputo, que combinados estos factores hacen viable o no su implementación tecnológica para ejecutarse en tiempo real. La tabla 3

muestra un resumen de las características generales de los modelos de clasificadores para diagnóstico.

Tabla 3. Características generales de los clasificadores para diagnóstico.

Clasificador Recursos necesarios

Características Principales

Árbol binario Bajo Fácil implementación

No requiere entrenamiento

Lógica difusa Bajo Necesario definir las reglas de

inferencia

Red neuronal Medio Requiere entrenamiento Produce respuestas rápidas

Máquina de soporte vectorial

Alto Requiere entrenamiento Procesamiento complejo

Modelo matemático determinístico

Algoritmos bio-inspirados

Medio - Alto Requiere entrenamiento Adecuado para sistemas complejos


═════════════════════════════════════════════════════════════════════════════


3. TECNOLOGÍA FPGA PARA MONITOREO Y DIAGNÓSTICO.

Toda vez que se ha desarrollado un algoritmo que realiza el monitoreo y

diagnóstico de la condición operativa de una máquina industrial, el

siguiente paso consiste en realizar la implementación tecnológico del algoritmo para su ejecución en tiempo real y a un coste adecuado. Esta

tarea no es trivial ya que requiere manejar adecuadamente el compromiso entre la velocidad de ejecución y el costo de la plataforma

tecnológica. Una tecnología que ha tomado auge para el desarrollo de soluciones algorítmicas que sean rápidas y a un costo atractivo para

aplicaciones de monitoreo y diagnóstico en maquinaria industrial son los circuitos FPGA.

Un circuito integrado FPGA es un circuito que contiene millones de

elementos lógicos básicos (compuertas lógicas y otros elementos) cuya conectividad no está fijada previamente y el usuario tiene la capacidad

de poder definir la conectividad de los elementos para lograr la realización de los algoritmos deseados, siempre con una libertad total en

cuanto a la arquitectura de procesamiento interna que puede tener un

alto paralelismo. La característica de paralelismo en un FPGA es la que le otorga la alta velocidad de procesamiento, comparado con las

tecnologías DSP y PC, donde la arquitectura de procesamiento siempre es secuencial y con un nivel de paralelismo limitado.

Un circuito FPGA moderno contiene como elementos básicos a los

bloques lógicos BL, terminales configurables de entrada/salida IO, terminales de manejo de reloj CLK, sumadores ADD, multiplicadores

MUL, memoria de acceso aleatorio RAM y unidades de procesamiento central CPU, tal como se muestra de forma simplificada en la figura 13,

tomando en cuenta que un FPGA contiene de miles a millones de estos elementos básicos en una sola pastilla. Los bloques lógicos están

formados de algunas decenas de compuertas lógicas (AND, OR, XOR, etc.) y memorias biestables síncronas, tipo flip-flop. Las terminales IO

de un FPGA pueden ser configuradas por el diseñador para operar como

entradas, salidas, terminales bidireccionales y también seleccionar los niveles de tensión e impedancia de la terminal. Las terminales dedicadas

de reloj contienen la circuitería necesaria para distribuir de manera eficiente y con retardo mínimo la señal maestra de reloj de referencia.

Los bloques sumador y multiplicador son los elementos básicos para realizar el procesamiento algorítmico en forma paralela ya que permiten

al diseñador utilizar un sumador y un multiplicador en una estructura digital denominada multiplicador-acumulador que es la estructura básica

de un DSP y al contener cientos o miles de estas unidades en un FPGA, se logra un alto grado de paralelismo. Los FPGA también contienen


═════════════════════════════════════════════════════════════════════════════


memoria interna de acceso rápido para realizar procesamiento a la

máxima velocidad posible. Finalmente, algunos modelos de FPGA ya integran microprocesadores de propósito general, prediseñados para ser

utilizados de forma inmediata en aplicaciones tales como el desarrollo de

interfaces específicas tipo USB, TCP/IP, I2C, SPI, etc.

Figura 13. Estructura general de un FPGA.

El reto del diseñador consiste en el planteamiento de una estructura

digital que realice de manera eficiente el algoritmo deseado. De esta forma el diseñador construye los procesos algorítmicos básicos como

interfaces, filtrado digital, transformadas de espacio, redes neuronales y sistemas difusos a partir de los elementos básicos del FPGA y une estos

bloques algorítmicos en la estructura digital que realiza el

procesamiento de la señal en forma completa, como se ilustra en la figura 14.

El proceso de diseño con tecnología FPGA requiere conocimientos

profundos de sistemas digitales y también el manejo de lenguajes descriptivos como el VHDL o Verilog. Además de la libertad que tiene el

diseñador para definir la arquitectura de la realización tecnológica con FPGA y de la alta velocidad de procesamiento por el paralelismo

intrínseco de los dispositivos, existe otra característica importante que hace a los dispositivos FPGA ideales para aplicaciones de monitoreo y

diagnóstico en máquinas industriales y es la reconfigurabilidad. Esta característica permite al diseñador modificar la conectividad interna del

sistema sin tener que realizar modificaciones al hardware por lo que las


═════════════════════════════════════════════════════════════════════════════


soluciones funcionales puedan ser mejoradas sin necesidad de realizar

cambios en los circuitos.

Figura 14. Proceso de diseño algorítmico en un FPGA.

4. EJEMPLOS DE DESARROLLO.

Desde 2004, el autor dirige un grupo de investigación en el área del control, monitoreo y diagnóstico de sistemas dinámicos, utilizando

tecnología FPGA. El grupo inició con la participación de investigadores y

estudiantes de posgrado de la Universidad de Guanajuato y la Universidad Autónoma de Querétaro y en los últimos años se ha

extendido con colaboraciones de la Universidad Autónoma de Sinaloa, la Universidad de Valladolid (España) y la Universidad Politécnica de

Cataluña (España). Los desarrollos del grupo han sido encaminados a cuatro áreas principales:

Máquinas-herramienta, incluyendo los motores de inducción. Robótica industrial.

Monitoreo de la calidad de la energía eléctrica. Aplicaciones en biotecnología.


═════════════════════════════════════════════════════════════════════════════


4.1 Aplicaciones en máquinas-herramienta.

Se han manejado tres líneas principales de aplicación de los FPGA para

el monitoreo y diagnóstico de máquinas herramienta que abarcan a las

plataformas de monitoreo de propósito general, las aplicaciones en maquinaria industrial y los desarrollos particulares al monitoreo y

diagnóstico de motores de inducción.

4.1.1 Plataformas de propósito general.

La característica de reconfigurabilidad de los dispositivos FPGA los hace ideales para el desarrollo de plataformas de arquitectura abierta para

aplicaciones en control, instrumentación, monitoreo y diagnóstico de máquinas-herramienta como es el caso de (Morales-Velazquez, 2010a)

donde se presenta el desarrollo de una plataforma reconfigurable para aplicaciones en maquinaria CNC. Esta plataforma de arquitectura abierta

tiene como finalidad el poder integrar las funciones de control, instrumentación, monitoreo y diagnóstico en una plataforma

reconfigurable que permita al usuario realizar cambios y expansiones del

sistema según sean las necesidades del mismo y que permita fácilmente la incorporación de nuevos algoritmos de análisis de señales sin tener

que modificar el hardware y mantener el mismo desempeño en velocidad, tal como lo muestra la figura 15 donde la plataforma de

arquitectura abierta incorpora tres módulos con dispositivos FPGA; uno conteniendo un controlador lógico programable para la reconversión a

CNC del torno, el segundo para el control del movimiento de los ejes y el tercero para realizar el monitoreo de las vibraciones durante el

maquinado. Los tres módulos FPGA se interconectan a una unidad central, también basada en tecnología FPGA, que contiene un

procesador propietario, descrito en (Morales-Velazquez, 2012) como un bloque funcional que puede ser embebido en este tipo de plataformas.

Otra aplicación de propósito general de las plataformas FPGA en

máquinas CNC es el desarrollo de sistemas de comunicación inalámbrica

entre diversos módulos de control y monitoreo a lo largo de una línea de producción que contiene varias máquinas CNC, con diferentes módulos

de control y monitoreo, tal como se desarrolla en (Moreno-Tapia, 2010). En esta aplicación se desarrolla un sistema concentrador quien coordina

el funcionamiento de un conjunto de sensores inteligentes remotos, conectados al concentrador en forma inalámbrica y donde cada módulo

sensor contiene un dispositivo FPGA para realizar procesamiento de señales sobre la variable física que se encuentre midiendo el sistema de

instrumentación del sensor.


═════════════════════════════════════════════════════════════════════════════


Figura 15. Ejemplo de aplicación de la tecnología FPGA en control y

monitoreo de maquinaria CNC.

4.1.2 Monitoreo y diagnóstico en maquinaria industrial.

Aplicaciones específicas de monitoreo y diagnóstico en maquinaria

industrial incluyen diferentes técnicas para obtener diferentes resultados. De las técnicas desarrolladas para el monitoreo en el

dominio del tiempo se puede mencionar el sistema de filtrado reconfigurable, presentado en (Franco-Gasca, 2008), donde utilizando

tecnología FPGA se logra el diseño de una plataforma para filtrado digital de señales de instrumentación en maquinaria CNC que permite

modificar las características del filtro sin necesidad de modificar el hardware. Otro ejemplo de procesamiento en el dominio del tiempo son

los trabajos de (de Santiago-Perez, 2008), (Rangel-Magdaleno, 2009a) y (Morales-Velazquez, 2009) donde se utilizan diferentes técnicas de

filtrado digital para realizar el monitoreo de la dinámica de movimiento de los ejes de una máquina CNC con el objeto de conocer la velocidad,

aceleración y jaloneo en el eje en cuestión, a partir de la información proporcionada por el codificador óptico acoplado a los servomotores o

por un acelerómetro colocado en el eje de interés. En la figura 16 se

muestra el caso del sistema de monitoreo utilizando un acelerómetro como sensor primario y una tarjeta FPGA para la realización del

procesamiento de la señal.


═════════════════════════════════════════════════════════════════════════════


Figura 16. Monitoreo de la dinámica de movimiento en un eje utilizando

acelerómetro y FPGA, a) Sensor, b) FPGA.

El monitoreo de la dinámica de movimiento en los ejes de una máquina

CNC, y su subsecuente parametrización, pueden ser utilizados para mejorar los procesos de manufactura mediante la optimización de

trayectorias que minimicen el error y mejoren los acabados de las piezas maquinadas. Ejemplos de estas mejoras se tienen en (de Santiago-

Perez, 2010) donde se optimiza la velocidad de avance en tornos y fresadoras mediante trayectorias polinomiales. Por otro lado, en (Rivera-

Guillen, 2010) se logra la reducción del error de seguimiento en ejes de máquinas CNC y en (Rivera-Guillen, 2011) se obtiene una reducción del

jaloneo mediante el uso de trayectorias polinomiales de movimiento. Un

procesador general de diferentes tipos de aproximación polinomial basado en FPGA se desarrolla en (de Santiago-Perez, 2013). La versión

que contiene múltiples ejes coordinados se realiza en (Jaen-Cuellar, 2012) como se muestra en la figura 17. El software de diseño contiene

los algoritmos para generar las trayectorias optimizadas para la reducción de las vibraciones y limitación del jaloneo durante el proceso

de maquinado de la pieza deseada y el controlador basado en FPGA se encarga de coordinar los movimientos de los tres ejes en el caso de la

fresadora mostrada, de acuerdo con las trayectorias calculadas.

Las técnicas de procesamiento en el dominio de la frecuencia y en el espacio tiempo-frecuencia han sido utilizadas ampliamente en tiempos

recientes para realizar diagnóstico de la condición operativa en máquinas-herramienta. En (Romero-Troncoso, 2004) se desarrolla un

sistema de detección de ruptura de la herramienta de corte en un

proceso de fresado por medio de la transformada de ondoletas, aplicada a la señal de corriente de los servomotores que mueven la bancada. Más

adelante, (Franco-Gasca, 2009) extiende los resultados al proceso de taladrado y (Trejo-Hernandez, 2010) lleva más allá los resultados para

llegar a estimar el grado de desgaste de la herramienta de corte


═════════════════════════════════════════════════════════════════════════════


mediante el proceso algorítmico descrito en la figura 18, utilizando

fusión de sensores tanto de vibraciones en la bancada como de corriente de los servomotores.

Figura 17. Sistema de generación de trayectorias para reducir el jaloneo

y las vibraciones en ejes múltiples de máquinas CNC.

Figura 18. Proceso algorítmico para estimar el grado de desgaste de una

herramienta de corte en un proceso de maquinado.


═════════════════════════════════════════════════════════════════════════════


Sistemas reconfigurables para el monitoreo y diagnóstico que operan en

el dominio de la frecuencia y del espacio tiempo-frecuencia han sido desarrollados por (Rangel-Magdaleno, 2010) quienes hacen uso de la

transformada de Fourier y la transformada de ondoletas a señales de

vibraciones. Más adelante (Romero-Troncoso, 2012) diseñan un sensor inteligente reconfigurable utilizando la transformada de ondoletas en

paquete como se muestra en la figura 19 en dos configuraciones posibles del instrumento.

Figura 19. Sensor inteligente con procesamiento de paquete de

ondoletas, a) desplegado en monitor VGA, b) desplegado en LCD.

Los sistemas FPGA también han sido utilizados para mejorar otros

procesos industriales. Por ejemplo, una aplicación al control y monitoreo de una máquina inyectora de plástico de la tecnología FPGA mediante un

procesador de aplicación específica se muestra en (Munoz-Barron, 2012). En (Granados-Lieberman, 2014) se analizan los efectos en la

reducción del torque del husillo ante caídas de voltaje en la alimentación y en (Granados-Lieberman, 2013a) se estudian los efectos de

interacción entre diversas máquinas que se encuentran alimentadas por la misma línea y cómo se afectan los procesos de maquinado con los

transitorios que ocurren en estas máquinas. Otra aplicación de los FPGA es en el desarrollo de sistemas de compresión de datos para almacenar

señales ultrasónicas en el monitoreo de grietas en tuberías como se muestra en (Soto-Cajiga, 2012).

Sistemas expertos para la clasificación de fallos en maquinaria industrial han sido desarrollados en (Carino-Corrales, 2014) donde se hace uso de

dos tipos de clasificadores, máquinas de soporte vectorial y análisis de componentes principales, para lograr mejorar la eficiencia en la

clasificación de fallas en maquinaria cuando se presentan zonas conflictivas de decisión. Por otro lado, (Saucedo-Gallaga, 2014)

desarrollan un sistema experto para determinar el grado de desgaste en


═════════════════════════════════════════════════════════════════════════════


cajas de engranes, utilizando señales de vibraciones, donde en la figura

20 aparece el esquema general de las pruebas experimentales.

Figura 20. Pruebas experimentales para determinar el grado de

desgaste en una caja de engranes.

4.1.3 Monitoreo y diagnóstico en motores de inducción.

Especial atención requieren los motores de inducción en el monitoreo y diagnóstico de fallos, debido a su importancia en la maquinaria

industrial al ser los principales proveedores de la potencia mecánica al

sistema. Las últimas tres décadas se han caracterizado por una gran cantidad de investigaciones internacionales encaminadas a mejorar las

técnicas de monitoreo y diagnóstico de los motores de inducción.

Investigaciones realizadas en el dominio del tiempo para el monitoreo y diagnóstico de fallos en motores de inducción incluyen a (Rangel-

Magdaleno, 2009b) para detectar barras parcialmente rotas en el rotor y (Garcia-Ramirez, 2013) donde se muestra el desarrollo de un sensor

inteligente para la detección automática de fallas. Con respecto al procesamiento en el dominio de la frecuencia, en (Contreras-Medina,

2010) se presenta el desarrollo de un sistema analizador de vibraciones para tres ejes, utilizando la transformada de Fourier como técnica de

procesamiento digital para el análisis y diagnóstico de motores de inducción. Por otro lado, la técnica de análisis espectral de alta

resolución por clasificación de señales múltiples se reporta en (Garcia-

Perez, 2011) para señales eléctricas y en (Garcia-Perez, 2012) para señales acústicas, encaminadas a la detección de fallas en motores de

inducción. Por su parte, en (Valtierra-Rodriguez, 2013a) se utiliza la


═════════════════════════════════════════════════════════════════════════════


transformada de Hilbert como técnica de análisis en frecuencia para la

detección de fallas. Técnicas combinadas de análisis espectral de alta resolución se emplean en (Romero-Troncoso, 2013) y en (Romero-

Troncoso, 2014) para la detección temprana de fallas en motores de

inducción, cuando la alimentación es proporcionada por un inversor, el cual introduce armónicos indeseables a la señal de corriente eléctrica y

hace más difícil el proceso de detección de fallas tal como se muestra en los espectrogramas de la figura 21. En esta figura se muestran los casos

de un motor sano en comparación con un motor que tiene una barra rota en el rotor y cómo ésta afecta el patrón del espectro; también se

aprecian los armónicos que introduce el inversor.

Figura 21. Espectrograma de un motor de inducción alimentado por

inversor, a) sano, b) con una barra rota.

Técnicas de descomposición tiempo-frecuencia también han sido

utilizadas para el monitoreo y diagnóstico de fallas en motores de inducción, siendo pionero el trabajo de (Ordaz-Moreno, 2008) donde se

utiliza la transformada de ondolotas para señales de corriente eléctrica, mientras que en (Rodriguez-Donate, 2011a) la transformada de

ondoletas se aplica a señales de vibraciones, mientras que en (Millan-Almaraz, 2011) se aplica el análisis bajo condiciones de alimentación por

inversor. Por otro lado, en (Camarena-Martinez, 2014) se realiza el monitoreo y diagnóstico de la condición del motor de inducción mediante

la descomposición en modo empírico. En la figura 22 se muestra la descomposición de la señal de corriente eléctrica para los casos de un

motor sano y de un motor con una barra rota y se observa la presencia


═════════════════════════════════════════════════════════════════════════════


de un patrón diferenciado entre los diferentes niveles de

descomposición, marcados como IMFi, para el motor con falla.

Figura 22. Descomposición de modo empírico de la señal de corriente

eléctrica de un motor de inducción bajo la condición, a) sano, b) con una barra rota.

Los sistemas expertos de clasificación han sido muy utilizados en la

investigación del diagnóstico de fallas en motores de inducción. En (Romero-Troncoso, 2011a) se desarrolla un sistema clasificador de fallas

múltiples utilizando lógica difusa. Por otro lado, (Garcia-Ramirez, 2012)

presentan el desarrollo de un sensor inteligente basado en FPGA, utilizando técnicas mixtas y redes neuronales para la clasificación de

fallas en motores de inducción. Finalmente, la investigación se ha extendido a la identificación no solamente de fallas en el motor de

inducción, sino en los diferentes componentes que conforman la cadena cinemática completa, como el sistema de diagnóstico por termografía

diseñado por (Garcia-Ramirez, 2014), tal como se muestra en la figura 23, donde aparecen diversos termogramas que indican patrones

diferenciados para diversas fallas presentes en los motores de inducción y la cadena cinemática asociada. En estos termogramas se han

segmentado diferentes regiones donde se produce la diferencial térmica más pronunciada entre el estado sano y la condición de falla.


═════════════════════════════════════════════════════════════════════════════


Figura 23. Termogramas de la condición del motor y la cadena

cinemática asociada, a) Motor sano, b) barra parcialmente rota, c) una barra rota, d) dos barras rotas, e) balero dañado, f) polea

desbalanceada, g) carga desalineada, h) desbalance de voltaje, i) otra

perspectiva de la carga desalineada mostrando la cadena cinemática.

4.2 Aplicaciones en robótica industrial.

En el campo de la robótica industrial, el grupo de investigación ha

estudiado el problema de sintonía e identificación de parámetros de los servosistemas para el control de los ejes del robot. En (Milosawlewitsch-

Aliaga, 2010) se hace un análisis de técnicas de control de servosistemas con aplicación a los servomotores. En (Morales-

Velazquez, 2010b) se diseña en forma completa un microprocesador de aplicación específica para la identificación de parámetros en sistemas de

control con implementación en FPGA. Este microprocesador es modificado y expandido en (Jaen-Cuellar, 2013) para incluir funciones

orientadas a realizar algoritmos genéticos para la identificación, sintonía

y control de servomotores con aplicaciones en robótica. Por otro lado, la optimización de trayectorias para reducir las vibraciones y el jaloneo en

robots manipuladores es tratada en (Osornio-Rios, 2007) y en (Osornio-Rios, 2009).


═════════════════════════════════════════════════════════════════════════════


Sistemas de sensores colaborativos para monitorear las vibraciones y

mejorar las trayectorias de robots manipuladores son desarrollados en (Rodriguez-Donate, 2010) y (Rodriguez-Donate, 2011b). La figura 24

muestra la instrumentación mediante acelerómetros (Ai) y codificadores

ópticos (Ej) de un robot industrial tipo PUMA de seis grados de libertad para obtener la cinemática directa y monitorear las vibraciones y la

dinámica de movimiento.

Figura 24. Instrumentación de un robot industrial tipo PUMA, a)

localización de los acelerómetros (Ai) y codificadores ópticos (Ej), b) interconectividad del sistema.


═════════════════════════════════════════════════════════════════════════════


4.3 Aplicaciones en la calidad de la energía eléctrica.

El monitoreo de la línea de alimentación eléctrica en los diferentes

procesos industriales ha cobrado gran importancia en los últimos años,

debido a la creciente demanda en el suministro y a la interconexión de diversas fuentes generadoras a la red común. Un análisis del estado del

arte de las técnicas utilizadas para el monitoreo de disturbios eléctricos y calidad de la energía se presenta en (Granados-Lieberman, 2011). La

investigación alrededor del monitoreo de la calidad de la energía ha tomado diversas vertientes, siendo una de ellas el monitoreo preciso de

la frecuencia de la línea, como el sensor inteligente desarrollado en (Granados-Lieberman, 2009) y las técnicas de alta resolución

presentadas en (Romero-Troncoso, 2011b).

Otra de las vertientes de investigación y desarrollo tecnológico sobre el monitoreo de la calidad de la energía se tiene en el diseño y

construcción de equipos especializados para el monitoreo y análisis de disturbios eléctricos contenidos en la línea de suministro. Una técnica

que permite distinguir y clasificar los diferentes disturbios eléctricos que

aparecen en la línea, definidos por las normas internacionales, ha sido desarrollado en (Valtierra-Rodriguez, 2014). Instrumentos específicos

para el monitoreo de la calidad de la energía eléctrica y la detección y clasificación de disturbios han sido diseñados en (Granados-Lieberman,

2013b) donde se utiliza la transforma Hilbert y redes neuronales para desarrollar un sensor inteligente que permite monitorear la calidad de la

energía y detectar, cuantificar y clasificar diversos disturbios eléctricos en tiempo real como se muestra en la figura 25..

Figura 25. Sensor inteligente para el monitoreo de la calidad de la

energía y clasificación de disturbios eléctricos, a) aspecto general de las pruebas, b) componentes del sensor inteligente.


═════════════════════════════════════════════════════════════════════════════


Por otra parte, un sistema de monitoreo en tiempo real de armónicos de

la línea se presenta en (Valtierra-Rodriguez, 2013b) donde se han utilizado técnicas de redes neuronales como se puede ver en la figura

26, donde el sistema presenta el monitoreo del contenido armónico en

el espacio tiempo-frecuencia. En esta figura se muestra la variación del contenido armónico para tres condiciones de operación de un sistema

eléctrico. Finalmente, en (Valtierra-Rodriguez, 2013c) se muestra el desarrollo de un instrumento de monitoreo de la calidad de la energía,

considerando los disturbios eléctricos definidos en las normas internacionales, extendiendo el análisis a sistemas trifásicos.

Figura 26. Monitoreo en tiempo real de armónicos de la señal de

corriente, a) arranque suave de un motor, b) operación de cargas con inversor, c) incremento instantáneo en el contenido armónico por

interacción de varias cargas.

4.4 Aplicaciones en biotecnología.

Otra de las áreas industriales que se han visto beneficiadas con el

desarrollo de instrumentos de medición basados en tecnología FPGA es el área biotecnológica. Ejemplos del desarrollo de instrumentos para

aplicaciones biotecnológicas se encuentra en (Millan-Alamaraz, 2010) donde se desarrolla un sensor inteligente que estima de manera

dinámica la actividad de transpiración en plantas bajo condiciones de invernadero. Por otro lado, en (Contreras-Medina, 2012) se presenta un

instrumento que utiliza procesamiento de imágenes basado en

tecnología FPGA para cuantificar diversos síntomas que presentan las


═════════════════════════════════════════════════════════════════════════════


hojas de las plantas, como se muestra en el diagrama de bloques de la

figura 27. Otro instrumento, en este caso para la estimación cuantitativa in situ de la actividad fotosintética de una planta se desarrolla en

(Millan-Almaraz, 2013). Como ejemplo final se muestra el sensor

inteligente para cuantificar el estrés hídrico al que está sometida una planta en condiciones de invernadero, presentado en (Duarte-Galvan,

2014) y que se ilustra en la figura 28.

Figura 27. Diagrama de bloques del instrumento para la cuantificación

de síntomas comunes en hojas de plantas.

Figura 28. Sensor inteligente para estimar el estrés hídrico de una

planta.


═════════════════════════════════════════════════════════════════════════════


5. CONCLUSIONES.

El monitoreo y diagnóstico en maquinaria industrial es un problema

importante para atender en la industria moderna y es necesario contar

con recursos humanos especializados en el desarrollo y aplicación de técnicas avanzadas para realizar esta tarea. Es responsabilidad de los

profesionales dedicados a la educación superior e investigación el formar las nuevas generaciones de ingenieros que sean capaces de

incorporarse a la industria nacional para atender los problemas de productividad mediante la correcta aplicación de las metodologías de

monitoreo y diagnóstico, utilizando las herramientas tecnológicas más adecuadas, como por ejemplo los dispositivos FPGA.

Las aplicaciones de la tecnología FPGA no se restringe al desarrollo de

sistemas de monitoreo y diagnóstico, sino que es una tecnología que puede ser aplicada a diversos campos industriales como el control y la

instrumentación. Las Universidades mexicanas deberán incorporar el estudio de esta tecnología en su currículum para las carreras de

ingeniería en mecatrónica, electrónica, electromecánica y afines, para

poder contar con recursos humanos que resuelvan problemas industriales con las tecnologías de punta.

Asimismo es importante contar con grupos de investigación que

contribuyan con la generación del conocimiento en el área del monitoreo y diagnóstico industrial mediante el desarrollo de nuevas metodologías

de procesamiento de señales, sistemas expertos y diseño de equipo especializado. A la par, estos grupos de investigación deberán

comprometerse en la formación de recursos humanos que conformarán las generaciones de reemplazo dentro de la especialidad.

REFERENCIAS.

Camarena-Martinez, D., et al., “Empirical mode decomposition and

neural networks on FPGA for fault diagnosis in induction motors”, Hindawi, The Scientific World Journal, Vol. 2014, Article ID 908140.

Estados Unidos. 2014.

Carino, J. A., et al., “Hierarchical classification scheme based on identification, isolation and analysis of conflictive regions”, IEEE,

Proceedings of the 19th Conference on Emerging Technology and Factory Automation ETFA, pp 1-8. Barcelona, Spain. 2014.


═════════════════════════════════════════════════════════════════════════════


Contreras-Medina, L. M., et al., “FPGA based multiple-channel vibration

analyzer for industrial applications in induction motor failure detection”, IEEE, Transactions on Instrumentation and Measurement, Vol. 59, No.

1, pp 63-72. Estados Unidos. 2010.

Contreras-Medina, L. M., et al., “Smart sensor for real-time

quantification of common symptoms present in unhealthy plants”, MDPI, Sensors, Vol. 12, pp 784-805. Suiza. 2012.

de Santiago-Perez, J. J., et al., “DSP algorithm for the extraction of

dynamics parameters in CNC machine tool servomechanisms from an optical incremental encoder”, Elsevier, International Journal of Machine

Tools & Manufacture, Vol. 48, No. 12-13, pp 1318-1334. Holanda. 2008.

de Santiago-Perez, J. J., et al., “Feedrate optimization by polynomial interpolation for CNC machines based on a reconfigurable FPGA

controller”, NISCAIR, Journal of Scientific and Industrial Research, Vol. 69, No. 5, pp 342-349. India. 2010.

de Santiago-Perez, J. J., et al., “FPGA-based hardware CNC interpolator of Bezier, Splines, B-Splines and NURBS curves for industrial

applications”, Elsevier, Computers & Industrial Engineering, Vol. 66, No. 4, pp 925-932. Holanda. 2013.

Duarte-Galvan, C., et al., “FPGA-based smart sensor for drought stress

detection in tomato plants using novel physiological variables and discrete wavelet transform”, MDPI, Sensors, Vol. 14, pp 18650-18669.

Suiza. 2014.

Franco-Gasca, L. A., et al., “Reconfigurable filtering system for sensorless signal acquisition in machining processes”, Springer, The

International Journal of Advanced Manufacturing Technology, Vol. 38, No. 1-2, pp 102-109. Alemania. 2008.

Franco-Gasca, L. A., et al., “FPGA based failure monitoring system for machining processes”, Springer, The International Journal of Advanced

Manufacturing Technology, Vol 40, No. 7-8, pp 676-686. Alemania. 2009.

Garcia-Perez, A., et al., “The application of high-resolution spectral-

analysis for identifying multiple combined faults in induction motors”, IEEE, Transactions on Industrial Electronics, Vol. 58, No. 5, pp 2002-

2010. Estados Unidos. 2011


═════════════════════════════════════════════════════════════════════════════


Garcia-Perez, A., et al., “Application of high-resolution spectral-analysis

for identifying faults in induction motors by means of sound”, SAGE, Journal of Vibration and Control, Vol. 18, No. 11, pp 1585-1592. Estados

Unidos. 2012

Garcia-Ramirez, A. G., et al., “Smart sensor for online detection of

multiple-combined faults in VSD-fed induction motors”, MDPI, Sensors, Vol. 12, pp 11989-12005. Suiza. 2012.

Garcia-Ramirez, A., et al., “FPGA-based smart-sensor for fault detection

in VSD-fed induction motors”, IEEE, Proceedings of the 9th IEEE International Simposium on Diagnostics of Electrical Machines, Power

Electronics & Drives SDEMPED, pp 313-320. Valencia, España. 2013.

Garcia-Ramirez, A. G., et al., “Fault detection in induction motors and the impact on the kinematic chain through thermographic analysis”,

Elsevier, Electric Power Systems Research, Vol. 114, pp 1-9. Holanda. 2014.

Granados-Lieberman, D., et al., “A real-time smart sensor for high-resolution frequency estimation in power systems”, MDPI, Sensors, Vol.

9, No. 9, pp 7412-7429. Suiza. 2009.

Granados-Lieberman, D., et al., “Techniques and methodologies for power quality analysis and disturbances classification in power systems:

a review”, IET, Generation, Transmission and Distribution, Vol. 5, No. 4, pp 519-529. Reino Unido. 2011.

Granados-Lieberman, D., et al., “Voltage drop repercussions in torque

spindle for turning processes due to the interaction of several industrial machines in a manufacturing cell”, NISCAIR, Journal of Scientific and

Industrial Research, Vol. 72, No. 12, pp 746-753. India. 2013a.

Granados-Lieberman, D., et al., “A Hilbert transform-based smart

sensor for detection, classification, and quantification of power quality disturbances”, MDPI, Sensors, Vol. 13, pp 5507-5527. Suiza. 2013b.

Granados-Lieberman, D., et al., “Torque reduction and workpiece

finishing effects due to voltage sags in turning processes”, SAGE, Proceedings of the Institution of Mechanical Engineers, Part B: Journal of

Engineering Manufacture, Vol. 228, No. 1, pp 140-148. Estados Unidos. 2014.


═════════════════════════════════════════════════════════════════════════════


Jaen-Cuellar, A. Y., et al., “A hardware–software system for coordinated

multi-axis control based on a non uniform rational B-splines interpolator applied to industrial computer numerically controlled machines”, SAGE,

Proceedings of the Institution of Mechanical Engineers, Part I, Journal of

Systems and Control Engineering, Vol. 226, No. 6, pp 831-840. Estados Unidos. 2012.

Jaen-Cuellar, A. Y., et al., “PID-controller tuning optimization with

genetic algorithms in servo systems”, InTech, International Journal of Advanced Robotics Systems, Vol. 10, No. 324, pp 1-14. Croacia. 2013.

Mekid, S., et al., “Beyond intelligent manufacturing: A new generation of

flexible intelligent NC machines”, Elsevier, Mechanism and Machine Theory, Vol. 44, pp. 466-476. Holanda. 2009.

Millan-Almaraz, J. R., et al., “FPGA-based fused smart sensor for real-

time plant-transpiration dynamic estimation”, MDPI, Sensors, Vol. 10, No. 9, pp 8316-8331. Suiza. 2010.

Millan-Almaraz, J. R., et al., “Wavelet based methodology for broken bar detection in induction motors with variable speed drive”, Taylor and

Francis, Electric Power Components and Systems, Vol. 39, No. 3, pp 271-287. Estados Unidos. 2011.

Millan-Almaraz, J. R., et al., “FPGA-based wireless smart sensor for real-

time photosynthesis monitoring”, Elsevier, Computers and Electronics in Agriculture, Vol. 95, pp 58-69. Holanda. 2013.

Milosawlewitsch-Aliaga, M., et al., “Model-based iterative feedback

tuning for industrial PID controllers”, NISCAIR, Journal of Scientific and Industrial Research, Vol. 69, No. 12, pp 930-936. India. 2010

Morales-Velazquez, L., et al., Sensorless jerk monitoring using an

adaptive antisymmetric high-order FIR filter, Elsevier, Mechanical

Systems and Signal Processing, Vol. 23, No. 7, pp 2383-2394. Holanda. 2009.

Morales-Velazquez, L., et al., “Open-architecture system based on a

reconfigurable hardware-software multi-agent platform for CNC machines”, Elsevier, Journal of Systems Architecture, Vol. 56, No. 9, pp

407-418. Holanda. 2010a.

Morales-Velazquez, L., et al., “Special purpose processor for parameter identification of CNC second order servo systems on a low-cost FPGA


═════════════════════════════════════════════════════════════════════════════


platform”, Elsevier, Mechatronics, Vol. 20, No. 2, pp 265-272. Holanda.

2010b.

Morales-Velazquez, et al., “FPGA embedded single-cycle 16-bit

microprocessor and tools”, IEEE, Proceedings of the International Conference on Reconfigurable Computing and FPGAs RECONFIG, pp 1-6,

Cancún, México. 2012.

Moreno-Tapia, S. V., et al., “A field programmable gate array-based reconfigurable smart-sensor network for wireless monitoring of new

generation computer numerically controlled machines”, MDPI, Sensors, Vol. 10, No. 8, pp 7263-7286. Suiza. 2010.

Munoz-Barron, B., et al., “FPGA-based multiprocessor system for

injection molding control”, MDPI, Sensors, Vol. 12, No. 10, pp 14068-14083. Suiza. 2012.

Ordaz-Moreno, A., et al., “Automatic online diagnosis algorithm for

broken-bar detection on induction motors based on discrete wavelet

transform for FPGA implementation”, IEEE, Transactions on Industrial Electronics, Vol. 55, No. 5, pp 2193-2201. Estados Unidos. 2008.

Osornio-Rios, R. A., et al., “Computationally efficient parametric analysis

of discrete-time polynomial based acceleration–deceleration profile generation for industrial robotics and CNC machinery”, Elsevier,

Mechatronics, Vol. 17, No. 9, pp 511-523. Holanda. 2007.

Osornio-Rios, R. A., et al., “FPGA implementation of higher degree polynomial acceleration profiles for peak jerk reduction in servomotors”,

Elsevier, Robotics and Computer-Integrated Manufacturing, Vol. 25, No. 2, pp 379-392. Holanda. 2009.

Rangel-Magdaleno, J. J., et al., “Novel oversampling technique for

improving signal-to-quantization noise ratio on accelerometer-based

smart jerk sensor in CNC applications”, MDPI, Sensors, Vol. 9, No. 5, pp 3767-3789. Suiza. 2009a.

Rangel-Magdaleno, J. J., et al., “Novel methodology for online half-

broken-bar detection on induction motors”, IEEE, Transactions on Instrumentation and Measurement, Vol. 58, No. 5, pp 1690-1698.

Estados Unidos. 2009b.

Rangel-Magdaleno, et al., “FPGA-based vibration analyzer for continuous CNC machinery monitoring with fused FFT-DWT signal processing”,


═════════════════════════════════════════════════════════════════════════════


IEEE, Transactions on Instrumentation and Measurement, Vol. 59, No.

12, pp 3184-3194. Estados Unidos. 2010.

Rivera-Guillen, J. R., et al., “Design methodology for fully dynamic-

controlled polynomial profiles and reduced tracking error in CNC machines”, Springer, The International Journal of Advanced

Manufacturing Technology, Vol. 51, No. 5-8, pp 723-737. Alemania. 2010.

Rivera-Guillen, J. R., et al., “Methodology for obtaining C3 continuity on

tool trajectory featuring acceleration and jerk constraint on computer numerical control machine”, SAGE, Proceedings of the Institution of

Mechanical Engineers, Part C, Journal of Mechanical Engineering Science, Vol. 225, pp 2206-2215. Estados Unidos. 2011.

Rodriguez-Donate, C., et al., “FPGA-based fused smart sensor for

dynamic and vibration parameter extraction in industrial robot links”, MDPI, Sensors, Vol. 10, No. 4, pp 4114-4129. Suiza. 2010.

Rodriguez-Donate, C., et al., “Wavelet-based general methodology for multiple fault detection on induction motors at the startup vibration

transient”, SAGE, Journal of Vibration and Control, Vol. 17, No. 9, pp 1299-1309. Estados Unidos. 2011a.

Rodriguez-Donate, C., et al., “Fused smart sensor network for multi-axis

forward kinematics estimation in industrial robots”, MDPI, Sensors, Vol. 11, No. 4, pp 4335-4357. Suiza. 2011b.

Romero-Troncoso, R. J., et al., “FPGA based on-line tool breakage

detection system for CNC milling machines”, Elsevier, Mechatronics, Vol. 14, No. 4, pp 439-454. Holanda. 2004.

Romero-Troncoso, R. J., et al., “FPGA-based online detection of multiple

combined faults in induction motors through information entropy and

fuzzy inference”, IEEE, Transactions on Industrial Electronics, Vol. 58, No. 11, pp 5263-5270. Estados Unidos. 2011a.

Romero-Troncoso, R. J., et al., “Real-time high-resolution frequency

estimation of electric signals in industrial applications”, NISCAIR, Journal of Scientific and Industrial Research, Vol. 70, No. 5, pp 327-331. India.

2011b.

Romero-Troncoso, R. J., et al., “Reconfigurable SoC-based smart sensor for wavelet and wavelet packet analysis”, IEEE, Transactions on


═════════════════════════════════════════════════════════════════════════════


Instrumentation and Measurement, Vol. 61, No. 9, pp 2458-2468.


Romero-Troncoso, R. J., et al., “Early broken rotor bar detection

techniques in VSD-fed induction motors at steady-state”, IEEE, Proceedings of the 9th International Simposium on Diagnostics of

Electrical Machines, Power Electronics & Drives SDEMPED, pp 173-181. Valencia, España. 2013.

Romero-Troncoso, R. J., et al., “Broken rotor bar detection in VSD-fed

induction motors at startup by high-resolution spectral analysis”, IEEE, Proceedings of the XXI International Conference on Electrical Machines

ICEM, pp 1848-1854. Berlin, Alemania. 2014.

Saucedo-Dorantes, J. J., et al., “Reliable methodology for gearbox wear monitoring based on vibration analysis”, IEEE, Proceedings of the 40th

Annual Conference of the IEEE Industrial Electronics Society IECON, pp 3381-3385. Dallas, Estados Unidos. 2014.

Soto-Cajiga, J. A., et al., “FPGA-based architecture for real-time data reduction of ultrasound signals”, Elsevier, Ultrasonics, Vol. 52, No. 2, pp

230-237. Holanda. 2012.

Trejo-Hernandez, M., et al., “FPGA-based fused smart-sensor for tool-wear area quantitative estimation in CNC machine inserts”, MDPI,

Sensors, Vol. 10, No. 4, pp 3373-3388. Suiza. 2010.

Valtierra-Rodriguez, M., et al., “FPGA-based instantaneous estimation of unbalance/symmetrical components through the Hilbert transform”,

IEEE, Proceedings of the 39th Annual Conference of the IEEE Industrial Electronics Society IECON, pp 2277-2282. Viena, Austria. 2013a.

Valtierra-Rodriguez, M., et al., “FPGA-based neural network harmonic

estimation for continuous monitoring of the power line in industrial

applications”, Elsevier, Electric Power Systems Research, Vol. 98, pp 51-57. Holanda. 2013b.

Valtierra-Rodriguez, M., et al., “Reconfigurable instrument for neural-

network-based power-quality monitoring in 3-phase power systems”, IET, Generation, Transmission & Distribution, Vol. 7, No. 12, pp 1498-

1507. Reino Unido. 2013c.

Valtierra-Rodriguez, M., et al., “Detection and classification of single and combined power quality disturbances using neural networks”, IEEE,


═════════════════════════════════════════════════════════════════════════════


Transactions on Industrial Electronics, Vol. 61, No. 5, pp 2473-2482.


AGRADECIMIENTOS.

Agradezco a todos mis colaboradores y estudiantes, con una particular mención al Dr. Roque Alfredo Osornio Ríos y al Dr. Arturo García Pérez,

con quienes conformamos el grupo de investigación HSPdigital con presencia en la Universidad de Guanajuato, la Universidad Autónoma de

Querétaro, la Universidad Autónoma de Sinaloa, en México; y las Universidades de Valladolid y Politécnica de Cataluña, en España. Un

agradecimiento personal al Dr. Gilberto Herrera Ruiz, quien me enseñó y orientó en el camino de la investigación. También agradezco al Dr. Juan

Carlos Jáuregui Correa y al Dr. Irineo Torres Pacheco por sus atinados consejos durante mi desarrollo y consolidación como investigador.

CURRÍCULUM VITAE.

El Dr. Romero Troncoso obtuvo el título de Ingeniero en Comunicaciones

y Electrónica en 1987 por parte de la Universidad de Guanajuato; el grado de Maestro en Ingeniería Eléctrica (Instrumentación y Sistemas

Digitales) por parte de la misma Universidad en 1991 y el grado de Doctor en Ingeniería por parte de la Universidad Autónoma de

Querétaro en 2004. Ha realizado estancias de investigación en la Universidad Politécnica de Cataluña, España, en 2013 y en la

Universidad de Valladolid, España, en 2014.

El Dr. Romero Troncoso recibió el premio ADIAT de innovación tecnológica 2004. Es miembro del Sistema Nacional de Investigadores

desde 2005, actualmente Nivel II. Es Senior Member del IEEE (Institute of Electrical and Electronics Engineers), Estados Unidos, desde 2012.

Desde 1987, el Dr. Romero Troncoso ingresó como profesor adscrito al Departamento de Ingeniería Electrónica de la Universidad de

Guanajuato, donde actualmente es profesor titular. Desde 2004 es profesor investigador invitado de la Facultad de Ingeniería de la

Universidad Autónoma de Querétaro.

Documents

TECNOLOGÍA FPGA PARA EL MONITOREO Y DIAGNÓSTICO DE · PDF fileel monitoreo y diagnóstico de maquinaria industrial, la sección 3 proporciona un panorama general de la tecnología