TECNOLOGÍA FPGA PARA EL MONITOREO Y DIAGNÓSTICO DE FALLAS EN MAQUINARIA INDUSTRIAL

MEXICO

TECNOLOGÍA FPGA PARA EL MONITOREO Y DIAGNÓSTICO DE

FALLAS EN MAQUINARIA INDUSTRIAL

ESPECIALIDAD: MECATRÓNICA

René de Jesús Romero Troncoso Doctor en Ingeníería

26 de Marzo de 2015

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

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

Especialidad: Mecatrónica 2


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.

Diagnóstico:

Algoffirnos Sistema de monitoreo Sano

y diagnóstic Fallo incipiente

Fallo avanzado

Maquinaria Industrial

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.

Variable física Serisor primario Transductor Pre-amplificador

Filtro I-I Acondicionador Ll anti-traslape de señal Amplificador

Muestreador Convertidor y retenedor Hanalógico a digitalF

lnterfaz Valor digital

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 diag nóstico.

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.

20W JUUU 40W 5wQ 8000 7800 8000 9000 10000

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,


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


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.

..: T. T T ....

UU 4UUU 5UJU bWU /LBJU so 9000 00000

Figura 4. Resultado de la señal filtrada.

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.

09

08

07

0.6

0.5

04

0.3

0.2

CI

O 50 100 150 200 250

Figura S. Espectro de la señal de prueba mediante la transformada de Fourier.

Especialidad: Mecatróriica 11


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.

Amplitud

• Componentes estacionarios -

IM

u : - jjj

uenciatransitoria : ola

u ' 1

u' -• dr

es

recuenc.a

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.

b)

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 ¡ ntrín secos.

lO 10

• a) b) 5- 8

6 6

4 4

2 2

0 0-

2° 10 2000 30100 4000 50100 0000 7000 0000 9001) 10000 2

1000 -- 4500 5520 50 7000 a50o--------- 000 ioóoo 10 10

c) d) 8 8

6r 8

4- 4

- - :i_ 1000 2000 3000 4000 5 0 7200 8 9000 10090 0 1900 2000 3990 4000 5 0 70 8000 0 10000

1:

O

-2° 1030 2000 3000 4000 5020 8000 7000 8502 9000 18000

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 nara el mnnitnrn

Técnica Cómputo Observaciones Filtrado digital Muy Dominio del tiempo

simple Pocos recursos tecnológicos Estadística básica Muy Dominio del tiempo

simple Pocos recursos tecnológicos Transformada de Fourier Simple Dominio de la frecuencia

Moderados recursos tecnológicos Transformada de Complejo Dominio del tiempo-frecuencia ondoletas Moderados recursos tecnológicos

Puede requerir mucho tiempo de cómputo

Descomposición de Muy Dominio del tiempo-frecuencia modo empírico complejo 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 Al B y C, y con las siguientes reglas: • Si A sobrepasa un umbral Am ax, 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.

Procesador difuso 1

M- Procesador

Parámetro 1

Modelo difuso Ponderación

dor difuso 2

Reglas de inferencia Parám Clasificador Diagnóstico

difuso

Procesador difuso n 1

metro n odeIo difuso

Reglas de inferencia Pará

1

Inferencia difusa

Ponderación

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.


c)

Entrada

s = w x 1

Y=t(S)

Capa de Capa Capa de entrada oculta salida

a)

x das

x


Respuesta Respuesta conocida lError de la red

Función de minimización del error

IIwi Excitaciones conocidas Perceptrón

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 neneraIs t1p. lnç cIaçificrInrp n;;rA r1ini - ic

Clasificador Recursos Características necesarios Principales

Arbol 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 Alto Requiere entrenamiento vectorial Procesamiento complejo

Modelo matemático determinístico Algoritmos bio- Medio - Alto Requiere entrenamiento inspirados 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 JO, 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 JO 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, 1 2C, SPI, etc.

nVO E _ E HDD] K K _ M FBLI BL lIO

I/O E E K nMU K BL FB IL MUL F 1 EL F 1 [110

I/O BL FBL] FBLI FRAMI [BL] BL BL AM FBLI FBL] FBLI I

I/O BL nBL B CPU [BL] FB~LBL CPU FBLI FBLI FBIL v01 I/O FBLI FBL] FBL]HD7D FBLI FBLI FBLI H°

_ BL BL1

BL BL BL MUL BL BL BL LMUL BL FEBL]

BL] FBLI _nVO CLK ML [ BLI [BLI RAM [BL I [BLI [BLI RAM SL EL [~LI l~

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.

Procesos algorítmicos Adquisición / de datos

Filtro digital

Bloques básicos

Solución completa

Q TO VGA

T FD TF RN

ADQ TO \\ Sistema difuso

/

USIB

Transformada de Fourier

1/

Interfaz tJS5

Interfaz VGA

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.


Procesamiento central

"11` 1

Torno reconvertido aCNC

Controlador lógico programable


Control de movimiento de! torno

Monitoreo de vibraciones

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.



Li

PGA b)'

rArometro Del 4 aceIerómetro

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.

Software de diseño de trayectorias

USB

SL1'

FPGA Ala maquina

MIL CNC

Fresadora reconvertida a CNC

Controlador central basado en FPGA

Figura 17. Sistema de generación de trayectorias para reducir el jaloneo y las vibraciones en ejes múltiples de máquinas CNC.

Señales de aceleracón II,, .1, and ,1 1

A. .4, A

j

Señal con ventana Ventana temporal Resultante de la aceleración

Parámetros , .1

drpe':O ," J Estimación del área de desgaste de la herramienta

1 Señal con ventana

Ventana temporal Señal filtrada

It

JL _ Seltaide corriente ib

FIltro pasa bajas

Figura 18. Proceso algorítmico para estimar el grado de desgaste de una herramienta de corte en un proceso de maquinado.


r) b)

c /1


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.

- Pantalla VGA FPdA

FPGA ________

rma ro

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


Tecnología FPGA para el monítoreo y diagnóstico de fallas en maquinaria industrial

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.

N 1

o

o o 2 u-

Indicadores de la presenc -

de barras rc

N 1

o

a.) = o 2 u-

Tiempo (s) Armónicos / indeseables

Tiempo (s)

Componente principal

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 (Mi/lan-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 IMF, para el motor con falla.

a) IMF i . b) IMFI

LIIMHiT' : . !

21)0 100 60)) 40)) ioo 200 400 0(8) 800 11)00

11IF, (II 1ME2

'H 1 1 0.1 0 200 400 (0(I 1(00 1001)

1 0 1,00 * 14(j1) 000

Evolución de la taPia 0.1

- 0.1

-0.1 0 200 lOO (00 (40)) 1000 Ci 2(4) 400 ((00 400 00))

- 1II 0.1 • < 41.1

() II ,---.--•----_------._-.-, --

4) 201)0 .11)11 1,00 1(0() 1000 CI 2(0 40)) 600 8(1(1 II(0)) Muestras Muestras

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.



a)

1:1 11 . (e) (b) (d)

73 .0

u :uIt (f) h)

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, 1) 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 (E1) 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.

a)

11

4

Figura 24. Instrumentación de un robot industrial tipo PUMA, a) localización de los acelerómetros (A 1) y codificadores ópticos (E1), b)

interconectividad del sistema.


ba

Motor de inducción

!i:L± para carga

__ JI - Sensor inteIige PC opcional

1 Pantalla táctil I

1 Tarjeta con FPGA

Adquisición

Acondiciona-


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-Líeberman, 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, 201 ib).

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 (Va/tierra-Rodríguez, 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-Líeberman, 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..

b) distijrhins pIirtrir.n

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.

Especialidad: Mecatróriica 34


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.

a) Componente principal /3er armónico

Arnónico40 E

Frecuencia (Hz) 3000 0 TIempo (s)

c) Incremento instantáneo

del armónico

ca.1 E <0

b) Componente principal

er armónico

. ;1 1000 2000

0.8

ónic 40

Frecuencia (Hz) 3000 0 02 Tiempo (s)

Componente principal

/3er armónico

40

1000 2000

Frecuencia (Hz) o 02 Tiempo (s)

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 (MilIan-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 (MilIan-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.

Monitor LCD Sensar inteligente 1 Periféricos

A una PC ojas infectadas

opcIonal H por alguna

LL Pueo 1 1 1 RS-232

LEO

patologia

1 qGA

LED Puerto2 j 1

Unidad de / 1 •

procesamiento,' . 11

/ . /

/

IAlgontmos: l-

-

- Deformación Puntos blanco

- Clorosis

1 L- Necrosis Panel Panel Panel de Itraslúcido transparente iluminación

ii °------Cámarafotografica

Figura 27. Diagrama de bloques del instrumento para la cuantificación de síntomas comunes en hojas de plantas.

Servomotor

IIJ l Sensor de luz

Entrada de la

-

muestra de aire

humedad

amaba^ Entrada de ref&ena

Planta de tomate

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



S. 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, 3. 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 Industria 1 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 gth 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", JET, 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 celI", 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 1, 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, 5., 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, 3. 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. y., 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, 3. 3., et al., "Novel methodology for online haif-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, 3. 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. 3., 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 327-33 1. India. 20 lib.

Romero-Troncoso, R. J., et al., "Reconfigurable S0C-based smart sensor for wavelet and wavelet packet analysis", IEEE, Transactions on



Instrumentation and Measurement, Vol. 61, No. 9, pp 2458-2468. Estados Unidos. 2012.

Romero-Troncoso, R. J., et al., "Early broken rotor bar detection techniques in VSD-fed induction motors at steady-state", IEEE, Proceedings of the gth 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", JET, 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. Estados Unidos. 2014.

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 Juregui 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 Electronícs 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.
