Diagnóstico de Fallos en Cajas de Engranajes Con......

DIAGNÓSTICO DE FALLOS EN CAJAS DE ENGRANAJES CON
BASE EN LA FUSIÓN DE DATOS DE SEÑALES DE VIBRACIÓN,

CORRIENTE Y EMISIÓN ACÚSTICA
RENÉ VINICIO SÁNCHEZ LOJA
UNIVERSIDAD PONTIFICIA BOLIVARIANA

ESCUELA DE INGENIERÍAS
DOCTORADO EN INGENIERÍA
MEDELLÍN
2018
DIAGNÓSTICO DE FALLOS EN CAJAS DE ENGRANAJES CON
BASE EN LA FUSIÓN DE DATOS DE SEÑALES DE VIBRACIÓN,
CORRIENTE Y EMISIÓN ACÚSTICA
RENÉ VINICIO SÁNCHEZ LOJA
Tesis para optar al título de Doctor en Ingeniería
Director
Rafael Esteban Vásquez Moncayo
Doctor of Philosophy
UNIVERSIDAD PONTIFICIA BOLIVARIANA

ESCUELA DE INGENIERÍAS
DOCTORADO EN INGENIERÍA
MEDELLÍN
2018
DECLARACIÓN DE ORIGINALIDAD
“Declaro que esta tesis (o trabajo de grado) no ha sido presentada para optar a un
título, ya sea en igual forma o con variaciones, en esta o cualquier otra universidad”.
Art. 82 Régimen Discente de Formación Avanzada, Universidad Pontificia Bolivariana.
Firma Autor:
DEDICATORIA
A mi familia...
AGRADECIMIENTOS
A mi director de tesis Profesor Rafael por sus consejos y amistad para hacer más
llevadero este proceso. A los miembros del GIDTEC de la UPS, Pablo, Jean Carlo,
Mariela, Diego, Cristian, Franco; a Christian, Iván, Edison, y David por realizar la parte
experimental mediante sus trabajos de titulación. Al grupo de investigación A+D de la
UPB por su acogida y siempre estar atentos en todo sentido, en especial a Santiago y
David. A la Universidad Politécnica Salesiana por su soporte económico para cursar los
estudios en la Universidad Pontificia Bolivariana, de manera especial al Vicerrector de la
Universidad Politécnica Salesiana sede Cuenca Eco. César Vásquez. A los proyectos de
investigación: 002-002-2016-03-03, 003-002-2016-03-03, y 007-008-2016-12-15 que fueron
parte de esta tesis.
ÍNDICE
Pág.
1.. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1.. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2.. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5.. Alcances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6.. Productos obtenidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.. Organización de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.. Marco teórico y estado del arte . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.. Introducción al mantenimiento basado en la condición . . . . . . . . . . 10
2.2.. Adquisición de las señales de monitoreo de la condición . . . . . . . . . . 12
2.2.1.. Monitoreo de la condición . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2.. Monitoreo de las vibraciones . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.3.. Monitoreo de las emisiones acústicas . . . . . . . . . . . . . . . . . . . 14
i
2.2.4.. Monitoreo de la corriente eléctrica del motor . . . . . . . . . . . . . . 19
2.3.. Extracción de indicadores de condición . . . . . . . . . . . . . . . . . . . 21
2.3.1.. Análisis en el dominio del tiempo . . . . . . . . . . . . . . . . . . . . . 22
2.3.2.. Análisis en el dominio de la frecuencia . . . . . . . . . . . . . . . . . . 30
2.3.3.. Análisis en el dominio tiempo-frecuencia . . . . . . . . . . . . . . . . . 34
2.4.. Selección de indicadores de condición . . . . . . . . . . . . . . . . . . . . 35
2.4.1.. Enfoques para la selección de indicadores . . . . . . . . . . . . . . . . 36
2.4.2.. Métodos de selección por ranqueo . . . . . . . . . . . . . . . . . . . . . 37
2.4.2.1.. ReliefF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2.2.. Chi-cuadrado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2.3.. Ganancia de información. . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.3.. Escalamiento de atributos . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.3.1.. Estandarización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.3.2.. Normalización Min-Max. . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.. Clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1.. Clasificador KNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.2.. Métricas de evalúa ción de clasificadores . . . . . . . . . . . . . . . . . 42
2.5.2.1.. Matriz de confusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5.2.2.. Exactitud. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5.2.3.. Exactitud promediada. . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5.3.. Entrenamiento de clasificadores por validación cruzada de K interacciones 43
ii
2.6.. Fusión de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.6.1.. Estructuras de la fusión de datos . . . . . . . . . . . . . . . . . . . . . 44
2.6.1.1.. Fusión de datos a nivel de señal. . . . . . . . . . . . . . . . . . . . . 45
2.6.1.2.. Fusión de datos a nivel de indicadores de condición. . . . . . . . . . 45
2.6.1.3.. Fusión de datos a nivel de decisión. . . . . . . . . . . . . . . . . . . 46
3.. Experimentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.. Descripción del funcionamiento del banco . . . . . . . . . . . . . . . . . 48
3.2.. Adquisición de las señales de monitoreo de la condición . . . . . . . . . . 49
3.3.. Configuración de la experimentación . . . . . . . . . . . . . . . . . . . . 53
3.3.1.. Configuración del banco para pruebas con engranajes . . . . . . . . . . 53
3.3.2.. Configuración de los parámetros del banco . . . . . . . . . . . . . . . . 53
3.4.. Planes experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.. Plan experimental uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.1.. Descripción de la configuración . . . . . . . . . . . . . . . . . . . . . . 55
3.5.2.. Bases de datos plan experimental uno . . . . . . . . . . . . . . . . . . 57
3.5.2.1.. Fallos simulados para severidad. . . . . . . . . . . . . . . . . . . . . 57
3.5.2.2.. Bases de datos adquiridas plan experimental uno . . . . . . . . . . . 61
3.6.. Plan experimental dos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.6.1.. Descripción de la configuración . . . . . . . . . . . . . . . . . . . . . . 63
3.6.2.. Bases de datos plan experimental dos . . . . . . . . . . . . . . . . . . 65
3.6.2.1.. Fallos y multifallos simulados. . . . . . . . . . . . . . . . . . . . . . 65
iii
3.6.2.2.. Bases de datos adquiridas plan experimental dos. . . . . . . . . . . . 69
4.. Implementación y evalúa ción de los sistemas de diagnóstico de fallos en

cajas de engranajes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1.. Descripción de los sistemas de diagnóstico . . . . . . . . . . . . . . . . . 71
4.2.. Adquisición y acondicionamiento de la señal . . . . . . . . . . . . . . . . 72
4.3.. Extracción de los indicadores de condición de las señales monitoreadas . 73
4.4.. Sistema de diagnóstico uno (SD1) . . . . . . . . . . . . . . . . . . . . . . 77
4.5.. Resultados del sistema de diagnóstico uno . . . . . . . . . . . . . . . . . 79
4.5.1.. Resultados del SD1 para la base de datos del fallo de rotura . . . . . . 80
4.5.1.1.. Resultados del SD1 para la base de datos del fallo de rotura en el
dominio del tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.5.1.2.. Resultados del SD1 para base de datos del fallo de rotura en el dominio
de la frecuencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.1.3.. Resultados del SD1 para la base de datos del fallo de rotura en el
dominio del tiempo y frecuencia. . . . . . . . . . . . . . . . . . . . . 86
4.5.2.. Resultados del SD1 para la base de datos del fallo de gripado . . . . . 91
4.5.2.1.. Resultados del SD1 para la base de datos del fallo de gripado en el
4.5.2.2.. Resultados del SD1 para base de datos del fallo de gripado en el do-
minio de la frecuencia. . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.5.2.3.. Resultados del SD1 para la base de datos del fallo de gripado en el
4.5.3.. Resultados del SD1 para la base de datos del fallo de picadura . . . . . 101
iv
4.5.3.1.. Resultados del SD1 para la base de datos del fallo de picadura en el
4.5.3.2.. Resultados del SD1 para base de datos del fallo de picadura en el
dominio de la frecuencia. . . . . . . . . . . . . . . . . . . . . . . . . 104
4.5.3.3.. Resultados del SD1 para la base de datos del fallo de picadura en el
4.5.4.. Resultados del SD1 para la base de datos del fallo de agrietamiento . . 110
4.5.4.1.. Resultados del SD1 para la base de datos del fallo de agrietamiento
en el dominio del tiempo. . . . . . . . . . . . . . . . . . . . . . . . . 110
4.5.4.2.. Resultados del SD1 para base de datos del fallo de agrietamiento en
el dominio de la frecuencia. . . . . . . . . . . . . . . . . . . . . . . . 114
4.5.4.3.. Resultados del SD1 para la base de datos del fallo de agrietamiento
en el dominio del tiempo y frecuencia. . . . . . . . . . . . . . . . . . 116
4.5.5.. Resumen de resultados del SD1 para la severidad de los fallos para los
sensores de vibración y emisión acústica . . . . . . . . . . . . . . . . . 120
4.5.6.. Resultados del SD1 para la base de datos de 31 condiciones . . . . . . 124
4.5.6.1.. Resultados del SD1 para la base de datos de 31 condiciones en el


dominio de la frecuencia. . . . . . . . . . . . . . . . . . . . . . . . . 129

4.6.. Sistema de diagnóstico dos (SD2) . . . . . . . . . . . . . . . . . . . . . . 135
4.7.. Resultados del sistema de diagnóstico dos . . . . . . . . . . . . . . . . . 137
4.7.1.. Resultados del SD2 para la base de datos del fallo de rotura . . . . . . 138
v
4.7.2.. Resultados del SD2 para la base de datos del fallo de gripado . . . . . 143
4.7.3.. Resultados del SD2 para la base de datos del fallo de picadura . . . . . 148
4.7.4.. Resultados del SD2 para la base de datos del fallo de agrietamiento . . 153
4.7.5.. Resultados del SD1 para la base de datos del fallo de 31 condiciones . 159
4.8.. Comparación de los resultados de los SD1 y SD2 . . . . . . . . . . . . . 164
4.8.1.. Comparación de los resultados para el fallo de rotura . . . . . . . . . . 164
4.8.2.. Comparación de los resultados para el fallo de gripado . . . . . . . . . 167
4.8.3.. Comparación de los resultados para el fallo de picadura . . . . . . . . 170
4.8.4.. Comparación de los resultados para el fallo de agrietamiento . . . . . . 173
4.8.5.. Comparación de los resultados para para la base de datos de 31 condiciones176
4.8.6.. evalúa ción de SD1 con otras bases de datos . . . . . . . . . . . . . . . 179
5.. Conclusiones y trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . 181
5.1.. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
5.2.. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
BIBLIOGRAFíA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
ANEXOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
A.. Resultados del SD1 para la base de datos del fallo de rotura . . . . . . . . 214
A.1.. Resultados del SD1 para el fallo de rotura en el dominio del tiempo . . . 214
A.2.. Resultados del SD1 para el fallo de rotura en el dominio de la frecuencia 219
A.3.. Resultados del SD1 para el fallo de rotura en el dominio del tiempo y
frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
vi
B.. Resultados del SD1 para la base de datos del fallo de gripado . . . . . . . 226
B.1.. Resultados del SD1 para el fallo de gripado en el dominio del tiempo . . 226
B.2.. Resultados del SD1 para el fallo de gripado en el dominio de la frecuencia 231
B.3.. Resultados del SD1 para el fallo de gripado en el dominio del tiempo y
frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
C.. Resultados del SD1 para la base de datos del fallo de picadura . . . . . . . 239
C.1.. Resultados del SD1 para el fallo de picadura en el dominio del tiempo . . 239
C.2.. Resultados del SD1 para el fallo de picadura en el dominio de la frecuencia 243
C.3.. Resultados del SD1 para el fallo de picadura en el dominio del tiempo y
frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
D.. Resultados del SD1 para la base de datos del fallo de agrietamiento . . . . 252
D.1.. Resultados del SD1 para el fallo de agrietamiento en el dominio del tiempo 252
D.2.. Resultados del SD1 para el fallo de agrietamiento en el dominio de la

frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
D.3.. Resultados del SD1 para el fallo de agrietamiento en el dominio del tiempo
y frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
E.. Resultados del SD1 para la base de datos de 31 condiciones . . . . . . . . . 267
E.1.. Resultados del SD1 para la base de datos de 31 condiciones en el dominio

del tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267

de la frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272

del tiempo y de la frecuencia . . . . . . . . . . . . . . . . . . . . . . . . 276
F.. Resultados del SD2 para la base de datos del fallo de rotura . . . . . . . . 280
vii
G.. Resultados del SD2 para la base de datos del fallo de gripado . . . . . . . 282
H.. Resultados del SD2 para la base de datos del fallo de picadura . . . . . . . 284
I.. Resultados del SD2 para la base de datos del fallo de agrietamiento . . . . 286
J.. Resultados del SD2 para la base de datos de 31 condiciones . . . . . . . . . 288
viii
ÍNDICE DE FIGURAS
Pág.
1. Enfoque de diagnóstico de fallos basado en modelos . . . . . . . . . . . . . 11
2. Esquema del proceso de diagnóstico de fallos basado en datos para el MBC 11
3. Fusión a nivel de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4. Fusión de datos a nivel de indicadores . . . . . . . . . . . . . . . . . . . . 46
5. Fusión de datos a nivel de decisión . . . . . . . . . . . . . . . . . . . . . . 47
6. Configuración del banco para pruebas con engranajes . . . . . . . . . . . . 49
7. Sistema de adquisición de señales de MC . . . . . . . . . . . . . . . . . . . 50
8. Configuración de la caja de en engranajes. . . . . . . . . . . . . . . . . . . 53
9. Configuración de la caja de engranes para el plan experimental uno . . . . 56
10. Configuración de la caja de engranajes para el plan experimental dos . . . 64
11. Esquema del proceso de diagnóstico de fallos basado en datos para el MBC 71
14. Proceso de extracción de indicadores de condición . . . . . . . . . . . . . . 74
16. Proceso metodológico implementado en el SD1 para la clasificación de fallos

en cajas de engranajes mediante el ranqueo de los indicadores de condición 79
17. Exactitud de clasificación para los sensores A4, EA2, y C1 para el fallo de
rotura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
ix
18. Exactitud de clasificación para los IC en el dominio de la frecuencia para los
sensores A4, EA1, y C1 para el fallo de rotura . . . . . . . . . . . . . . . . 86
19. Exactitud de clasificación para los IC en el dominio del tiempo y de la

frecuencia para los sensores A4, EA2, y C1 para el fallo de rotura . . . . . 88
20. Exactitud de clasificación para los IC en el dominio del tiempo para los
sensores A4, EA2, y C1 para el fallo de gripado . . . . . . . . . . . . . . . 92

sensores A2, EA1, y C1 para el fallo de gripado . . . . . . . . . . . . . . . 96
22. Exactitud de clasificación para los IC en los dominios de tiempo y frecuencia

para los sensores A4, EA2, y C1 para el fallo de gripado . . . . . . . . . . 98
sensores A1, EA2, y C1 para el fallo de picadura . . . . . . . . . . . . . . . 102

sensores A3, EA1, y C1 para el fallo de picadura . . . . . . . . . . . . . . . 106
25. Exactitud de clasificación para los IC en el dominio de tiempo y de la fre-

cuencia para los sensores A3, EA2, y C1 para el fallo de picadura . . . . . 108
sensores A2, EA1, y C1 para el fallo de agrietamiento . . . . . . . . . . . . 112

sensores A4, EA1, y C1 para fallo de agrietamiento . . . . . . . . . . . . . 116
28. Exactitud de clasificación para los IC en el dominio del tiempo y de la

frecuencia para los sensores A3, EA1, y C1 para fallo de agrietamiento . . 118
29. Localización de los sensores de vibración y emisión acústica para el plan

experimental uno de severidad de fallos . . . . . . . . . . . . . . . . . . . . 121
30. Resultados que superan el umbral de 96 % exactitud de clasificación en el

dominio del tiempo de cada sensor para los diferentes fallos . . . . . . . . . 122
x
31. Resultados que superan el umbral de 96 % exactitud de clasificación fusio-
nando los IC del dominio de tiempo y de la frecuencia de cada sensor para
los diferentes fallos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
32. Variación del número de veces que superan el umbral de exactitud, al fusionar
los IC del dominio de tiempo y de la frecuencia de cada sensor para los
diferentes fallos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
33. Exactitud de clasificación de los IC en el dominio del tiempo para los sensores
A4, EA1, y C1 para 31 condiciones . . . . . . . . . . . . . . . . . . . . . . 126
34. Exactitud de clasificación de los IC en el dominio de la frecuencia para los

sensores A1, EA2, y C1 para 31 condiciones . . . . . . . . . . . . . . . . . 130
35. Exactitud de clasificación de los IC en el dominio de tiempo y de la frecuencia

para los sensores A4, EA1, y C1 para 31 condiciones . . . . . . . . . . . . 132
36. Esquema del sistema de diagnóstico de fallos para engranajes mediante el

enfoque de fusión a nivel de indicadores . . . . . . . . . . . . . . . . . . . . 137
37. Exactitud de clasificación con los indicadores fusionados y ranqueados para

el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

31 condiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
xi
ÍNDICE DE TABLAS
Pág.
1. Indicadores de condición en el dominio del tiempo . . . . . . . . . . . . . . 23
2. Indicadores de condición en el dominio de la frecuencia . . . . . . . . . . . 31
3. Matriz de confusión de clasificación binaria . . . . . . . . . . . . . . . . . . 43
4. Características del sensor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5. Características cDAQ-9205 . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6. Características del acelerómetro . . . . . . . . . . . . . . . . . . . . . . . . 51
7. Características de la tarjeta NI cDAQ-9234 . . . . . . . . . . . . . . . . . . 51
8. Características del sensor de EA . . . . . . . . . . . . . . . . . . . . . . . . 52
9. Características del preamplificador MITRAS . . . . . . . . . . . . . . . . . 52
10. Características de la tarjeta 9223 . . . . . . . . . . . . . . . . . . . . . . . 52
11. Características del chasis NI 9188 . . . . . . . . . . . . . . . . . . . . . . . 52
12. Características de los engranajes . . . . . . . . . . . . . . . . . . . . . . . . 54
13. Datos de sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
14. Especificaciones de los engranajes . . . . . . . . . . . . . . . . . . . . . . . 57
15. Localización y descripción de fallo de agrietamiento . . . . . . . . . . . . . 58
16. Localización y descripción de fallo de picadura . . . . . . . . . . . . . . . . 59
xii
17. Localización y descripción de fallo de gripado . . . . . . . . . . . . . . . . 60
18. Localización y descripción de fallo de rotura . . . . . . . . . . . . . . . . . 61
19. Condiciones de carga velocidad y repeticiones . . . . . . . . . . . . . . . . 62
20. Bases de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
21. Subconjuntos de las bases de datos del plan experimental uno . . . . . . . 63
22. Datos de sensores plan experimental dos . . . . . . . . . . . . . . . . . . . 65
23. Características de los engranajes plan experimental dos . . . . . . . . . . . 65
24. Localización de los fallos en la configuración de la caja de engranajes . . . 67
25. Descripción de los fallos en engranajes rectos . . . . . . . . . . . . . . . . . 68
26. Descripción de los fallos en engranajes helicoidales . . . . . . . . . . . . . . 69
27. Condiciones de carga velocidad y repeticiones . . . . . . . . . . . . . . . . 70
28. Subconjuntos de las bases de datos por tipo de señal y sensor . . . . . . . 74
29. Indicadores en el dominio de tiempo (Wt) de las bases de datos por tipo de
señal y sensor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
30. Indicadores en el dominio de la frecuencia (Wf) de las bases de datos por

tipo de señal y sensor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
31. Indicadores extraídos en el dominio del tiempo y de la frecuencia (WtWf)

de las bases de datos por tipo de señal y sensor . . . . . . . . . . . . . . . 76
32. Resultados que superan el umbral de 96 % y la máxima exactitud de clasifi-

cación en el dominio del tiempo de cada sensor para el fallo de rotura . . . 81
33. Repeticiones de los IC en el dominio del tiempo para la señal del sensor A4
para el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
xiii
34. Repeticiones de los IC en el dominio del tiempo para la señal del sensor EA2
35. Máxima exactitud de clasificación de cada sensor en el dominio de la fre-

cuencia para el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . . . . 85
36. Resultados que superan el umbral de 96 % y la máxima exactitud de clasi-

ficación fusionando el dominio de tiempo y de la frecuencia de cada sensor
37. Repeticiones de los IC para la señal de A4 en el dominio del tiempo y de la

frecuencia para el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . . 89
38. Repeticiones de los IC para la señal de EA2 en el dominio del tiempo y de

la frecuencia para el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . 90

cación de cada sensor en el dominio del tiempo para el fallo de gripado . . 91
40. Repeticiones de los IC en el dominio del tiempo para la señal del sensor A4
para el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
41. Repeticiones de los IC en el dominio del tiempo para la señal del sensor EA2

cuencia para el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . . 95

ficación fusionando el dominio de tiempo y de la frecuencia para el fallo de
gripado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
44. Repeticiones de los IC para la señal del sensor A4 en el dominio del tiempo
y de la frecuencia para el fallo de gripado . . . . . . . . . . . . . . . . . . . 99
45. Repeticiones de los IC para la señal del sensor EA2 en el dominio del tiempo
y de la frecuencia para el fallo de gripado . . . . . . . . . . . . . . . . . . . 100
xiv
cación de cada sensor en el dominio del tiempo para el fallo de picadura . . 101
para el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

cuencia para el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . . . 105

ficación fusionando el dominio de tiempo y de la frecuencia para el fallo de
picadura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
y de la frecuencia para el fallo de picadura . . . . . . . . . . . . . . . . . . 109
y de la frecuencia para el fallo de picadura . . . . . . . . . . . . . . . . . . 110

cación de cada sensor en el dominio del tiempo para el fallo de agrietamiento 111
para fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
para fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

cuencia para fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . . 115
57. Resultados que superan el umbral de 96 % y la máxima exactitud de cla-

sificación fusionando el dominio de tiempo y de la frecuencia para fallo de
agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
xv
y de la frecuencia para fallo de agrietamiento . . . . . . . . . . . . . . . . 119
y de la frecuencia para fallo de agrietamiento . . . . . . . . . . . . . . . . 120

cación de cada sensor en el dominio del tiempo para 31 condiciones . . . . 125
para 31 condiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
para 31 condiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

cación de cada sensor en el dominio de la frecuencia para 31 condiciones . 129

cación fusionando el dominio de tiempo y de la frecuencia para 31 condiciones131
y de la frecuencia para 31 condiciones . . . . . . . . . . . . . . . . . . . . . 133
y de la frecuencia para 31 condiciones . . . . . . . . . . . . . . . . . . . . . 134
67. Resultados del SD2 que superan el umbral de 96 % y la máxima exactitud

de clasificación para los vectores fusionados ranqueados del fallo de rotura 139
68. Repeticiones de los IC para la base de datos del fallo de rotura con la fusión
de indicadores en el dominio del tiempo . . . . . . . . . . . . . . . . . . . 141
69. Resultados del SD2 para la base de datos del fallo de rotura con la fusión
de indicadores en el dominio de la frecuencia . . . . . . . . . . . . . . . . . 142
70. Resultados del SD2 para la base de datos del fallo de rotura on la fusión de
indicadores en el dominio del tiempo y de la frecuencia . . . . . . . . . . . 143
xvi
de clasificación para los vectores fusionados ranqueados del fallo de gripado 144
72. Repeticiones de los IC para la base de datos del fallo de gripado con la fusión
73. Resultados del SD2 para la base de datos del fallo de gripado con la fusión
74. Resultados del SD2 para la base de datos del fallo de gripado con la fusión
de indicadores en el dominio del tiempo y de la frecuencia . . . . . . . . . 148

de clasificación para los vectores fusionados ranqueados del fallo de picadura 149
76. Repeticiones de los IC para la base de datos del fallo de picadura con la
fusión de indicadores en el dominio del tiempo . . . . . . . . . . . . . . . . 151
77. Resultados del SD2 para la base de datos del fallo de picadura con la fusión
78. Resultados del SD2 para la base de datos del fallo de picadura con la fusión
de indicadores en el dominio del tiempo y de la frecuencia . . . . . . . . . 153
79. Resultados del SD2 que superan el umbral de 96 % y la máxima exacti-

tud de clasificación para los vectores fusionados ranqueados para el fallo de
agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
80. Repeticiones de los IC para la base de datos del fallo de agrietamiento con
la fusión de indicadores en el dominio del tiempo . . . . . . . . . . . . . . 156
81. Resultados del SD2 para la base del fallo de agrietamiento con la fusión de
indicadores en el dominio de la frecuencia . . . . . . . . . . . . . . . . . . 157
82. Resultados del SD2 para la base de datos del fallo de agrietamiento con la
fusión de indicadores en el dominio del tiempo y de la frecuencia . . . . . . 158
xvii
83. Resultados del SD2 que superan el umbral de 94 % y la máxima exactitud de
clasificación para los vectores fusionados ranqueados para la base de datos
de 31 condiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
84. Repeticiones de los IC para la base de datos de 31 condiciones con la fusión

85. Resultados del SD2 para la base de datos de 31 condiciones con la fusión de
indicadores en el dominio de la frecuencia . . . . . . . . . . . . . . . . . . 162
86. Resultados del SD2 para la base de datos de 31 condiciones con la fusión de
indicadores en el dominio del tiempo y de la frecuencia . . . . . . . . . . . 163
87. Resumen de los resultados del SD1 que superan el umbral de 96 % y la

máxima exactitud de clasificación del fallo de rotura . . . . . . . . . . . . . 165

de clasificación para los vectores fusionados ranqueados del fallo de rotura 166

máxima exactitud de clasificación del fallo de gripado . . . . . . . . . . . . 168

de clasificación para los vectores fusionados ranqueados del fallo de gripado 169

máxima exactitud de clasificación del fallo de picadura . . . . . . . . . . . 171

de clasificación para los vectores fusionados ranqueados del fallo de picadura 172
93. Resumen de los resultados que superan el umbral de 96 % y la máxima

exactitud de clasificación del fallo de agrietamiento . . . . . . . . . . . . . 174
94. Resultados del SD2 que superan el umbral de 96 % y la máxima exacti-

tud de clasificación para los vectores fusionados ranqueados para el fallo de
agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
xviii
95. Resumen de los resultados que superan el umbral de 94 % y la máxima
exactitud de clasificación de la base de datos de 31 condiciones . . . . . . . 177
96. Resultados del SD2 que superan el umbral de 94 % y la máxima exactitud de

clasificación para los vectores fusionados ranqueados para la base de datos
de 31 condiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
A1.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo de

las señales de vibración para el fallo de rotura . . . . . . . . . . . . . . . . 215

las señales de EA para el fallo de rotura . . . . . . . . . . . . . . . . . . . 216

la señal de corriente para el fallo de rotura . . . . . . . . . . . . . . . . . . 217
A1.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo para el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . . . . 217
A1.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
A1.6.Resumen de los IC para la señal de corriente en el dominio del tiempo para

el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
A2.1.Ranqueo de los IC y exactitud de clasificación en el dominio de la frecuencia

de las señales de vibración para el fallo de rotura . . . . . . . . . . . . . . 220

de las señales de EA para el fallo de rotura . . . . . . . . . . . . . . . . . . 221

de la señal de corriente para el fallo de rotura . . . . . . . . . . . . . . . . 221
A2.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de la

A2.5.Resumen de los IC para las señales de EA1, EA2 en el dominio de la fre-

cuencia para el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . . . . 222
xix
A2.6.Resumen de los IC para la señal de corriente en el dominio de la frecuencia
A3.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y

frecuencia de las señales de vibración para el fallo de rotura . . . . . . . . 223

frecuencia de las señales de EA para el fallo de rotura . . . . . . . . . . . . 224

frecuencia de la señal de corriente para el fallo de rotura . . . . . . . . . . 224
A3.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo y frecuencia para el fallo de rotura . . . . . . . . . . . . . . . . . . 225
A3.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
y frecuencia para el fallo de rotura . . . . . . . . . . . . . . . . . . . . . . 225
A3.6.Resumen de los IC para la señal de corriente en el dominio del tiempo y

B1.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo de

las señales de vibración para el fallo de gripado . . . . . . . . . . . . . . . 227

las señales de EA para el fallo de gripado . . . . . . . . . . . . . . . . . . . 228

la señal de corriente para el fallo de gripado . . . . . . . . . . . . . . . . . 228
B1.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo para el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . . 229
B1.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
B1.6.Resumen de los IC para la señal de corriente en el dominio del tiempo para

el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
xx
B2.1.Ranqueo de los IC y exactitud de clasificación en el dominio de la frecuencia
de las señales de vibración para el fallo de gripado . . . . . . . . . . . . . . 232

de las señales de EA para el fallo de gripado . . . . . . . . . . . . . . . . . 233

de la señal de corriente para el fallo de gripado . . . . . . . . . . . . . . . . 233
B2.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de la

frecuencia para el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . 234
B2.5.Resumen de los IC para las señales de EA1, EA2 en el dominio de la fre-

cuencia para el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . . 234
B2.6.Resumen de los IC para la señal de corriente en el dominio de la frecuencia

B3.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y

frecuencia de las señales de vibración para el fallo de gripado . . . . . . . . 235

frecuencia de las señales de EA para el fallo de gripado . . . . . . . . . . . 236

frecuencia de la señal de corriente para el fallo de gripado . . . . . . . . . . 236
B3.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo y frecuencia para el fallo de gripado . . . . . . . . . . . . . . . . . 237
B3.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
y frecuencia para el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . 237
B3.6.Resumen de los IC para la señal de corriente en el dominio del tiempo y

frecuencia para el fallo de gripado . . . . . . . . . . . . . . . . . . . . . . . 238
C1.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo de

las señales de vibración para el fallo de picadura . . . . . . . . . . . . . . . 240
xxi
las señales de EA para el fallo de picadura . . . . . . . . . . . . . . . . . . 241

la señal de corriente para el fallo de picadura . . . . . . . . . . . . . . . . . 241
C1.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo para el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . . . 242
C1.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
C1.6.Resumen de los IC para la señal de corriente en el dominio del tiempo para

el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
C2.1.Ranqueo de los IC y exactitud de clasificación en el dominio de la frecuencia

de las señales de vibración para el fallo de picadura . . . . . . . . . . . . . 244

de las señales de EA para el fallo de picadura . . . . . . . . . . . . . . . . 245

de la señal de corriente para el fallo de picadura . . . . . . . . . . . . . . . 245
C2.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de la

frecuencia para el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . 246
C2.5.Resumen de los IC para las señales de EA1, EA2 en el dominio de la fre-

cuencia para el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . . . 246
C2.6.Resumen de los IC para la señal de corriente en el dominio de la frecuencia

C3.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y

frecuencia de las señales de vibración para el fallo de picadura . . . . . . . 248

frecuencia de las señales de EA para el fallo de picadura . . . . . . . . . . 249
xxii
frecuencia de la señal de corriente para el fallo de picadura . . . . . . . . . 250
C3.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo y frecuencia para el fallo de picadura . . . . . . . . . . . . . . . . . 250
C3.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
y frecuencia para el fallo de picadura . . . . . . . . . . . . . . . . . . . . . 251
C3.6.Resumen de los IC para la señal de corriente en el dominio del tiempo y

frecuencia para el fallo de picadura . . . . . . . . . . . . . . . . . . . . . . 251
D1.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo de

las señales de vibración para el fallo de agrietamiento . . . . . . . . . . . . 253
D1.2.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo de

las señales de EA para el fallo de agrietamiento . . . . . . . . . . . . . . . 254
D1.3.Ranqueo de los IC y exactitud de clasificación en el domino del tiempo de

la señal de corriente para el fallo de agrietamiento . . . . . . . . . . . . . . 254
D1.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo para el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . 255
D1.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
para el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . 255
D1.6.Resumen de los IC para la señal de corriente en el dominio del tiempo para

el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
D2.1.Ranqueo de los IC y exactitud de clasificación en el dominio de la frecuencia

de las señales de vibración para el fallo de agrietamiento . . . . . . . . . . 258

de las señales de EA para el fallo de agrietamiento . . . . . . . . . . . . . . 259

de la señal de corriente para el fallo de agrietamiento . . . . . . . . . . . . 259
xxiii
D2.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de la
frecuencia para el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . 260
D2.5.Resumen de los IC para las señales de EA1, EA2 en el dominio de la fre-

cuencia para el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . 260
D2.6.Resumen de los IC para la señal de corriente en el dominio de la frecuencia

para el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . . . . . . . 260
D3.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y

frecuencia de las señales de vibración para el fallo de agrietamiento . . . . 262

frecuencia de las señales de EA para el fallo de agrietamiento . . . . . . . . 263

frecuencia de la señal de corriente para el fallo de agrietamiento . . . . . . 264
D3.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo y frecuencia para el fallo de agrietamiento . . . . . . . . . . . . . . 265
D3.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
y frecuencia para el fallo de agrietamiento . . . . . . . . . . . . . . . . . . 265
D3.6.Resumen de los IC para la señal de corriente en el dominio del tiempo y

frecuencia para el fallo de agrietamiento . . . . . . . . . . . . . . . . . . . 266
E1.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo de

las señales de vibración para la base de datos de 31 condiciones . . . . . . 268

las señales de EA para la base de datos de 31 condiciones . . . . . . . . . . 269

la señal de corriente para la base de datos de 31 condiciones . . . . . . . . 269
E1.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo para la base de datos de 31 condiciones . . . . . . . . . . . . . . . 270
xxiv
E1.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
para la base de datos de 31 condiciones . . . . . . . . . . . . . . . . . . . . 270
E1.6.Resumen de los IC para la señal de corriente en el dominio del tiempo para

la base de datos de 31 condiciones . . . . . . . . . . . . . . . . . . . . . . . 271
E2.1.Ranqueo de los IC y exactitud de clasificación en el dominio de la frecuencia

de las señales de vibración para la base de datos de 31 condiciones . . . . . 273

de las señales de EA para la base de datos de 31 condiciones . . . . . . . . 274

de la señal de corriente para la base de datos de 31 condiciones . . . . . . 274
E2.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de la

frecuencia para la base de datos de 31 condiciones . . . . . . . . . . . . . . 275
E2.5.Resumen de los IC para las señales de EA1, EA2 en el dominio de la fre-

cuencia para la base de datos de 31 condiciones . . . . . . . . . . . . . . . 275
E2.6.Resumen de los IC para la señal de corriente en el dominio de la frecuencia

para la base de datos de 31 condiciones . . . . . . . . . . . . . . . . . . . . 275
E3.1.Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y

frecuencia de las señales de vibración para la base de datos de 31 condiciones 277

frecuencia de las señales de EA para la base de datos de 31 condiciones . . 278

frecuencia de la señal de corriente para la base de datos de 31 condiciones . 278
E3.4.Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

tiempo y frecuencia para la base de datos de 31 condiciones . . . . . . . . 279
E3.5.Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
y frecuencia para la base de datos de 31 condiciones . . . . . . . . . . . . . 279
xxv
E3.6.Resumen de los IC para la señal de corriente en el dominio del tiempo y
frecuencia para la base de datos de 31 condiciones . . . . . . . . . . . . . . 279
F1. Ranqueo de los IC y exactitud de la clasificación para la fusión de indicadores

en el dominio del tiempo para el fallo de rotura . . . . . . . . . . . . . . . 280

en el dominio de la frecuencia para el fallo de rotura . . . . . . . . . . . . 280

en el dominio del tiempo y de la frecuencia para el fallo de rotura . . . . . 281
G1. Ranqueo de los IC y exactitud de la clasificación para la fusión de indicadores

en el dominio del tiempo para el fallo de gripado . . . . . . . . . . . . . . . 282

en el dominio de la frecuencia para el fallo de gripado . . . . . . . . . . . . 283

en el dominio del tiempo y de la frecuencia para el fallo de gripado . . . . 283
H1. Ranqueo de los IC y exactitud de la clasificación para la fusión de indicadores

en el dominio del tiempo para el fallo de picadura . . . . . . . . . . . . . . 284

en el dominio de la frecuencia para el fallo de picadura . . . . . . . . . . . 284

en el dominio del tiempo y de la frecuencia para el fallo de picadura . . . . 285
I1. Ranqueo de los IC y exactitud de la clasificación para la fusión de indicadores

en el dominio del tiempo para e fallo de agrietamiento . . . . . . . . . . . 286

en el dominio de la frecuencia para e fallo de agrietamiento . . . . . . . . . 287

en el dominio del tiempo y de la frecuencia para e fallo de agrietamiento . 287
xxvi
J1. Ranqueo de los IC y exactitud de la clasificación para la fusión de indicadores
en el dominio del tiempo para la base de datos de 31 condiciones . . . . . . 288

en el dominio de la frecuencia para la base de datos de 31 condiciones . . . 289

en el dominio del tiempo y de la frecuencia para la base de datos de 31
condiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
xxvii
GLOSARIO
MCo: Mantenimiento Correctivo.
MP: Mantenimiento Preventivo.
MPd: Mantenimiento Predictivo.
MBC: Mantenimiento Basado en la Condición.
MCC: Mantenimiento Centrado en la Confiabilidad.
MC: Monitoreo de la Condición.
EA: Emisión Acústica.
AFCM: Análisis de Firma de Corriente de Motor.
SVM: Support Vector Machine.
KNN: K-Nearest Neighbors.
DF: Diagnóstico de fallos.
EMG: Electromiografía
xxviii
RESUMEN
El mantenimiento basado en la condición recomienda realizar acciones de manteni-

miento a partir de la información obtenida a través del monitoreo de la condición, la
información se puede obtener de distintas señales como: vibración, emisión acústica,
corriente, entre otras. La señal más utilizada para el monitoreo de la condición en cajas
de engranajes es la señal de vibración, actualmente debido a los avances en la tecnología
es factible tener varias señales al mismo tiempo, lo que permite tener más información
simultánea para tomar decisiones. Adicionalmente, no siempre es posible detectar y/o
diagnosticar todos los fallos a partir de la señal de vibración.
Bajo esta perspectiva, en la presente tesis se desarrollaron dos sistemas de diagnóstico.

Para lo cual se realizó el levantamiento de cinco bases de datos: cuatro bases de datos
de severidad en engranajes rectos con ocho niveles de severidad para cada tipo de fallo
(rotura, agrietamiento, picadura y gripado de diente) y la quinta base de datos de 31
condiciones que combinó fallos en engranes rectos, helicoidales y rodamientos. Cada base
de datos tiene cuatro señales de vibración, dos de emisión acústica y una de corriente; se
levantaron en condiciones de laboratorio en una caja de engranajes acoplada a un motor,
bajo tres condiciones diferentes de carga y tres velocidades (constantes) del motor; los
fallos fueron generados artificialmente. A partir de las bases de datos adquiridas se
extrajeron los indicadores de condición en el dominio del tiempo y en el dominio de
la frecuencia de cada señal adquirida. En el sistema de diagnóstico uno se implementó
una metodología para el ranqueo de los indicadores de condición provenientes de cada
señal para clasificar fallos de las cinco bases de datos. Para los cuales se ranquearon
los indicadores de condición extraídos de cada señal por medio de métodos de selección
de indicadores tipo filtro, luego, estos indicadores son ingresados progresivamente a
un clasificador KNN hasta obtener una exactitud de clasificación mayor al 96 %; esto
permitió identificar que los indicadores de condición de las señales de emisión acústica
lograron clasificar todas las bases de datos con el menor número de indicadores. En
el sistema de diagnóstico dos se planteó que mediante el enfoque de fusión de datos
xxix
a nivel de indicadores es posible mejorar la exactitud en el diagnóstico de cajas de
engranajes. El diagnóstico consistió en fusionar los indicadores, extraídos de las tres
señales monitoreadas, en un solo vector, para luego realizar un proceso de selección de
indicadores; a partir de esta selección se ingresaron los indicadores seleccionados a un
clasificador KNN para evalúa r qué indicadores y qué señales permiten clasificar los
fallos de cada base de datos.
Los resultados obtenidos indican que la fusión de datos a nivel de indicadores ayuda a
mejorar la clasificación para sistemas complejos como la base de datos de 31 condiciones,
mientras para el diagnóstico de la severidad de fallos la mejor señal fue la señal de
emisión acústica que logró clasificar con el menor número de indicadores de condición.
PALABRAS CLAVE:
Monitoreo de la condición, emisión acústica, fusión de datos, señal de corriente, señal

de vibración.
xxx
ABSTRACT
Condition-based maintenance recommended maintenance actions based on the infor-

mation obtained through condition monitoring, the information can be obtained from
different signals such as: vibration, acoustic emission, current, among others. The most
used signal for condition monitoring in gearboxes is the vibration signal, but nowadays,
because of technological advances, it is feasible to use several signals at the same time,
allowing us to make decisions with more information. Furthermore, it is not always
possible to detect and/or diagnose all failures from the vibration signal, or there are
circumstances that do not allow one to use a vibration sensor. Under this perspective,
in this thesis, two fault diagnosis systems for gearboxes were developed. Five databases
were created: four databases regarding severity in spur gears with eight levels of severity
for each type of failure (breaking, cracking, pitting, and scuffing), and the fifth database
combines spur and helical gears failures. These databases were created under labora-
tory conditions for a gearbox coupled to a motor, using three different load conditions
and three constant speeds of the motor; the faults were generated artificially. Then,
it was proposed to extract the condition indicators in time and frequency domains for
each monitored signal from the acquired databases. From the acquired databases we
extracted the condition indicators in time and frequency domains for each acquired
signal.
In diagnostic system one, a methodology for ranking the condition indicators from each
signal to classify failures of the five databases was implemented. The condition indica-
tors extracted from each signal were ranked by means of filter type selection methods,
then, these indicators were progressively entered into the KNN classifier until a clas-
sification accuracy greater than 96 % was obtained; this allowed us to identify that
the condition indicators of the acoustic emission signals reached the classification of
all databases with the lowest number of indicators. Diagnostic system two was imple-
mented by considering the data fusion approach at the level of indicators to improve
the accuracy in the diagnosis of gearboxes. The diagnostic system consisted of merging
xxxi
the indicators, extracted from the three monitored signals, into a single vector, to then
carry out a process of selecting indicators; from this selection, the indicators were en-
tered into a KNN classifier to evalúa te which indicators and which signals allowed the
classification of failures for each database.
The results indicate that the data fusion indicator level helps improving the classifica-
tion for complex systems such as the database of 31 conditions, while for the diagnosis
of the severity of failures the best signal was the acoustic emission signal which achieved
classification with the lowest number of condition indicators.
KEYWORDS:
Condition monitoring, acoustic emission, data-fusion, current signal, vibration signal.
xxxii
1.. INTRODUCCIÓN
1.1.. ANTECEDENTES
Las estrategias de mantenimiento de los sistemas industriales cumplen dos objetivos:

aumentar la disponibilidad y seguridad de la planta, y reducir costos. Por lo tanto, la
selección de una estrategia de mantenimiento adecuada tiene un impacto significativo
en el logro de estos objetivos [1, 2]. El mantenimiento implica acciones preventivas y
correctivas llevadas a cabo para mantener los sistemas industriales en la condición de
funcionamiento deseada o para restaurarlos a esta condición; una estrategia de mante-
nimiento eficiente permite a las empresas aumentar su producción y reducir los costos,
que pueden representar de 15 a 70 % de los costos totales de producción [3].
Las estrategias de mantenimiento se pueden categorizar en tres grupos: (i) Manteni-

miento Correctivo (MCo), (ii) Mantenimiento Preventivo (MP) y (iii) Mantenimiento
Predictivo (MPd) [2]. En sus inicios, las estrategias del mantenimiento consistían en
un MCo, que se realizaba cuando se presentaba la falla; en este tipo de mantenimiento
no es necesario una planificación debido a que no se tiene conocimiento del momento
en que las fallas pueden ocurrir, por lo tanto, los problemas como el tiempo de parada
de la máquina y los riesgos que pueden correr los operarios causan inconvenientes en
todo el sistema de producción [4]. En los sistemas actuales se busca que el tiempo que
dure la reparación sea mínimo y que el sistema vuelva a tener el mismo desempeño
luego de la reparación [2, 5]. El MP puede ser considerado como la política más común
de mantenimiento implementada actualmente en las industrias, los componentes son
remplazados o reacondicionados con base en un tiempo fijo o se determina de acuerdo
con la experiencia del uso del componente; con una estrategia de MP se incrementa la
disponibilidad de equipo en el sistema de producción, pero también puede resultar cos-
toso debido que los componentes pueden ser remplazados cuando todavía se encuentren
en buen estado [2, 6, 7, 8]. El MPd es un enfoque preventivo avanzado donde se aplaza
la acción de mantenimiento hasta que realmente sea necesaria, el objetivo de este enfo-
1
que es monitorear el sistema con el fin de detectar fallos en condiciones anormales de
funcionamiento asociados a daños en el componente (denominados fallos) antes que el
mismo deje de cumplir la función nominal esperada (denominada falla); esta estrategia
de mantenimiento se puede implementar basándose en información extraída de índices
periódicos de rendimiento, o monitoreo de la condición del sistema [2, 9]; la información
indica la condición del componente o sistema. El objetivo principal del MPd es la pre-
vención de fallas (el dispositivo deja de cumplir su función), permitiendo también que
haya una operación energéticamente eficiente con mayor seguridad y disponibilidad de
la planta, en consecuencia, la mayoría de las acciones del MPd se centran en los prime-
ros signos de fallo y tomar las acciones de precaución; debido a que 99 % de las fallas o
averías de las máquinas son precedidas por algunos indicadores de condición que se ob-
tienen de la información extraída del monitoreo de la condición del sistema [10, 11]. En
esencia, el MPd monitorea estas señales, constantemente o a intervalos determinados,
para realizar el trabajo de mantenimiento necesario en el momento adecuado.
El mantenimiento predictivo se puede dividir en el Mantenimiento Centrado en la Con-

fiabilidad (MCC) y el Mantenimiento Basado en la Condición (MBC) [4]. El MCC fue
desarrollado originalmente en la industria aeronáutica, y su objetivo es mejorar los re-
sultados con respecto a la fiabilidad del sistema y reducción de costos de interrupción
[12].
El MBC es utilizado para reducir la incertidumbre de las actividades de mantenimiento

y sirve de apoyo para la toma de decisiones sobre cuando realizar las acciones de man-
tenimiento con base en la información obtenida a través de monitoreo de la condición.
Un programa de MBC efectivo puede reducir significativamente los costos de man-
tenimiento, disminuir el número de tareas de mantenimiento preventivo innecesarias
programadas y eliminar riesgos asociados con las acciones de mantenimiento preventivo
[5, 13, 14]. Algunas de las ventajas del MBC incluyen avisos antecedentes a la falla inmi-
nente y mayor precisión en la predicción de la falla, también ayuda en los procedimientos
de diagnóstico, ya que permite asociar el fallo de componentes con la información reco-
gida y procesada [15], por lo tanto, el MBC permite identificar y resolver los problemas
por adelantado antes de que ocurra la falla, situación que es altamente deseada en la
industria para equipos críticos [16]. El MBC consta de tres etapas fundamentales [5, 17]:
Etapa 1. Adquisición de datos: es una etapa donde se deben obtener y almacenar

las señales de monitoreo de la condición.
2
Etapa 2. Procesamiento de datos: la información obtenida se maneja y se analiza
para una mejor comprensión e interpretación de los datos, incluyendo la validación
de las señales de los sensores, y fundamentalmente se extraen los indicadores de
condición procedentes de las señales.
Etapa 3. Toma de decisiones: se toman las acciones de mantenimiento con base en
los resultados de diagnóstico y/o de pronóstico de fallos con base en la información
procesada en la etapa anterior. El diagnóstico se refiere a la detección del fallo, es
decir, determinar la presencia de la desviación no permitida de por lo menos un
indicador de condición; seguido del aislamiento que indica qué componente tiene
el fallo y la posterior identificación del fallo que estima su naturaleza [18].
Las cajas de engranajes son ampliamente utilizadas en las diversas industrias, esto de-
bido a que son una de las maneras más eficientes para la transmisión de potencia en
espacios reducidos entre ejes. Adicionalmente, tienen una capacidad de carga elevada
y la relación de velocidad angular que permanece constante [19, 20]. Una falla ines-
perada en los engranajes puede causar pérdidas sustanciales de producción y daños
catastróficos, por lo tanto, es esencial descubrir indicadores que permitan detectar el
fallo en una etapa inicial o incipiente antes de que se convierta en una falla o avería.
Es por esto que el monitoreo de condición y el diagnóstico de fallos han sido objeto de
intensas investigaciones [21, 22]. Las fallas relacionadas con el componente engranaje
comprenden el 60 % de las fallas de las cajas de engranajes, y el 24 % de las fallas de la
caja de engranajes son causadas por un mantenimiento ineficaz [21]. Por lo tanto, para
mejorar la fiabilidad de los sistemas de transmisión de engranajes y reducir los fallos no
planificados, es necesario aplicar el monitoreo de la condición e implementar el MBC,
en el cual se recomiendan las acciones de mantenimiento basadas en la información
obtenida a través del monitoreo de la condición [23].
1.2.. PLANTEAMIENTO DEL PROBLEMA
Los principales tipos de fallos que se presentan en los engranajes son: rotura de diente,
agrietamiento, picadura y gripado [24, 25, 26]. La rotura de los dientes es el fallo más
grave en una caja de engranajes, por lo que la detección temprana de agrietamiento que
conduce la rotura súbita del diente es esencial [23, 27]; el fallo de picadura también puede
3
llevar a la rotura del diente por lo cual es importante detectarlo en una fase temprana
de desarrollo [21, 28]; el fallo de gripado es el más común y es un fallo superficial
inducido por las condiciones de alta temperatura, la carga, la velocidad, lubricación,
el acabado superficial y la resistencia al engranaje [29, 30, 31]. En la industria, por lo
general las cajas están cerradas para reducir el ruido que generan además para evitar
el riesgo de lesiones debido a la alta velocidad de rotación, y para evitar la fuga de
lubricante, por lo cual es complicado monitorear e inspeccionar directamente el estado
de los engranajes sin detener el sistema [32]. Los diferentes tipos de fallos que pueden
surgir en una caja de engranajes son complicados de detectar hasta que se llega a
la falla o avería de la caja de engranajes, por lo cual las técnicas de monitoreo de
condición permiten obtener diferentes señales que indiquen la condición de ésta. Señales
de monitoreo de la condición tales como vibraciones [27, 33, 34, 35, 36, 37], corriente
[38, 39, 40, 41] y emisiones acústicas [42, 43, 44, 45, 46, 47, 48], se han empleado para
la detección temprana de fallos en cajas de engranajes para sistemas de diagnóstico en
MBC. Aunque las tecnologías de monitoreo y diagnóstico de condición han avanzado
[27], pocas investigaciones se han llevado a cabo evalúa ndo tres técnicas de monitoreo
de la condición para detectar fallos en engranajes [49, 50, 51, 52, 53, 54, 55], además con
múltiples señales de monitoreo de la condición del mismo tipo de sensor o de diferentes
sensores [56, 57] se puede aumentar la exactitud en el diagnóstico de fallos; este aumento
en la exactitud conduce al aumento de la confiabilidad del sistema de diagnóstico de
fallos [49].
Este trabajo está orientado hacia la clasificación de la severidad de fallos en cajas de

engranajes rectos con base en el análisis de señales de corriente, vibración y emisiones
acústicas, empleando técnicas de minería de datos, y al desarrollo de un sistema de
diagnóstico de fallos empleando fusión de datos a nivel de indicadores de condición
para una mayor exactitud en el diagnóstico de fallos en cajas de engranajes. Por lo
tanto, se planteó la siguiente pregunta de investigación:
¿Es posible desarrollar un sistema de diagnóstico de fallos para cajas de engranajes

basado en la fusión de datos de señales de corriente, vibración y emisiones acústicas
en el dominio del tiempo y frecuencia para mejorar la exactitud en el diagnóstico?
4
1.3.. OBJETIVOS
1.3.1.. Objetivo general
Desarrollar una metodología para el diagnóstico de fallos en cajas de engranajes

con base en la fusión de datos de señales de vibración, corriente y emisión acústica.
1.3.2.. Objetivos específicos
Caracterizar los elementos necesarios para el diagnóstico de fallos en cajas de en-

granajes que se basen en el enfoque de fusión de datos de las señales de corriente,
vibración y emisión acústica.
Establecer cinco bases de datos de señales de corriente, vibración, y emisión acústi-
ca; cuatro bases para severidad de cuatro tipos de fallos en engranajes rectos y una
base con fallos en engranajes y rodamientos, a condiciones de carga y velocidad
constante.
Extraer los indicadores de condición en el dominio del tiempo y frecuencia de las
bases de datos establecidas.
Establecer una metodología para el ranqueo de indicadores de condición en el
dominio del tiempo y frecuencia de señales de monitoreo de la condición para la
clasificación de la severidad de cuatro tipos de fallos en engranajes rectos mediante
la utilización de técnicas de minería de datos.
Implementar y evalúa r un sistema de diagnóstico de fallos para engranajes me-
diante el enfoque de fusión de datos de las señales de monitoreo de condición a
nivel de indicadores empleando técnicas de minería de datos.
1.4.. METODOLOGÍA
La presente tesis se dividió en cuatro fases que se detallan a continuación.
Fase I: se realizó una búsqueda y selección bibliográfica en las bases de datos

especializadas sobre sistemas de diagnóstico de fallos en engranajes que se basen
5
en el análisis y fusión de las señales de corriente, vibración, y emisiones acústicas
y que emplean técnicas de minería de datos para la clasificación.
Fase II: se establecieron dos planes experimentales. El plan uno para levantar las
cuatro bases de datos de cuatro fallos: picadura, rotura, gripado y agrietamiento
del diente, cada fallo con ocho niveles de severidad. El plan dos para levantar fallos
en engranajes rectos y helicoidales combinando fallos con rodamientos. Los dos
planes se levantaron en un banco de pruebas de laboratorio, bajo condiciones reales
controladas a tres cargas diferentes sobre la caja de engranajes, y tres velocidades
constantes del motor acoplado a la caja de engranajes. Las señales de monitoreo
que se adquirieron fueron vibración, emisión acústica y corriente.
Fase III: las señales crudas de vibración, emisión acústica y corriente obtenidas de
cada una de las cinco bases de datos se procesaron para que la señal pueda ser
empleada en el clasificador. Cada señal se procesó en los dominios del tiempo y
de la frecuencia, seguidamente se extrajeron los indicadores de condición de las
señales.
Fase IV: se diseñaron, implementaron y evalúa ron dos sistemas para el diagnóstico
de fallos en cajas de engranajes. El primer sistema es un proceso metodológico del
ranqueo de los indicadores de condición para clasificación de fallos. El sistema
dos, se implementó y evaluó un sistema de diagnóstico de fallos para engranajes
mediante el enfoque de fusión de datos a nivel de indicadores. Para la evalúa ción
de los dos sistemas de diagnóstico se emplearon las cinco bases de datos.
1.5.. ALCANCES
Se desarrolló y evaluó una metodología para el ranqueo de los indicadores de con-

dición en el dominio del tiempo y frecuencia de las señales de vibración, corriente
y emisión acústica, para clasificar la severidad en ocho niveles de los fallos de:
rotura, agrietamiento, picadura, y gripado de diente. Los fallos fueron creados ar-
tificialmente y la experimentación se realizó en el laboratorio de vibraciones de
la Universidad Politécnica Salesiana sede Cuenca - Ecuador a tres condiciones de
carga y tres velocidades constantes.
Se implementó y evaluó un sistema de diagnóstico de fallos para engranajes me-
diante el enfoque de fusión de datos a nivel de indicadores para mejorar la exactitud
6
en el diagnóstico de fallos empleando técnicas de minería de datos. Se fusionaron
los indicadores de las señales de vibración, corriente y emisión acústica. El siste-
ma se evaluó con los datos de la experimentación que se realizó en el laboratorio
de vibraciones de la Universidad Politécnica Salesiana sede Cuenca - Ecuador, los
fallos fueron creados artificialmente y la experimentación se realizó a tres cargas y
velocidades contantes.
1.6.. PRODUCTOS OBTENIDOS
Dirección de tres trabajos de pregrado de la Carrera de Ingeniería Mecánica de la

Universidad Politécnica Salesiana, sede Cuenca, Ecuador; el primer trabajo desa-
rrollado por Ortiz y Pérez [58], denominado “Adquisición de señales vibracionales
y emisiones acústicas combinando fallos en maquinaria rotativa y elaboración de
guías de práctica sobre detección de fallos en engranajes por medio de emisiones
acústicas”; el segundo desarrollado por Pacheco [59], denominado “Adquisición de
señales de vibración y emisión acústica para el diagnóstico de severidad de fallos
en maquinaria rotativa”; el tercer trabajo desarrollado por Chingal [60], titulado
“Adquisición de señales de corriente del motor de inducción combinando fallos en
la maquinaria rotativa y elaboración de una guía de práctica sobre detección de
fallos por medio del AFCM”.
Cuatro bases de datos de señales de corriente, vibración y emisión acústica de
severidad de los fallos de picadura, rotura, gripado y agrietamiento de diente con
ocho niveles de severidad para cada fallo.
Una base de datos de 31 condiciones de señales de corriente, vibración y emisión
acústica combinando fallos en engranajes rectos helicoidales y rodamiento.
Un artículo publicado en revista indexada en SCOPUS:
R. V. Sánchez, P. Lucero, R. E. Vásquez, M. Cerrada, J.-C. Macancela, y D.
Cabrera, “Feature ranking for multi-fault diagnosis of rotating machinery by using
random forest and KNN”, Journal of Intelligent & Fuzzy Systems, vol. 34, n.o 6,
pp. 3463-3473, ene. 2018.
Un artículo publicado y presentado en congreso internacional con memorias inde-
xadas en SCOPUS:
R. V. Sánchez, P. Lucero, J. Macancela, M. Cerrada, R. E. Vásquez, y F.
7
Pacheco, “Multi-fault Diagnosis of Rotating Machinery by Using Feature Ranking
Methods and SVM-based Classifiers”, en 2017 International Conference on Sen-
sing, Diagnostics, Prognostics, and Control (SDPC), 2017, pp. 105-110.
Dos artículos aceptados para ser presentados en congresos internacionales con me-
morias indexadas en SCOPUS:
R. V. Sánchez, P. Lucero, R. E. Vásquez, M. Cerrada, D, Cabrera, “A compa-
rative feature analysis for gear pitting level classification by using acoustic emission,
vibration and current signals” , a presentarse en 10th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical Processes, SAFEPROCESS 2018.
R. V. Sánchez, P. Lucero, J. Macancela, M. Cerrada, D. Cabrera, R. E. Vás-
quez, y F. Pacheco, “Gear crack level classication by using KNN and time-domain
features from acoustic emission signals under different motor speeds and loads”, a
presentarse en International Conference on Sensing, Diagnostics, Prognostics, and
Control (SDPC), 2018.
Software desarrollado en LabVIEWTM para adquisición simultanea de cuatro se-
ñales de vibración, dos de emisión acústica, y una señal de corriente.
1.7.. ORGANIZACIÓN DE LA TESIS
La tesis está organizada en cinco capítulos:
El Capítulo 1 presenta una introducción a la tesis, los objetivos, el alcance y de

manera breve se explica la metodología que se utilizó.
En el Capítulo 2, se desarrolla el marco teórico y estado del arte sobre los elementos
característicos de los sistemas de diagnóstico de fallos en cajas de engranajes que
se basen en análisis y fusión de señales de vibración, emisión acústica y corriente
eléctrica. Además, una amplia revisión de indicadores de condición en el dominio
del tiempo y frecuencia.
En el Capítulo 3, se presentan los dos planes experimentales que detallan las con-
diciones y parámetros empleados para obtener las cinco bases de datos.
En el Capítulo 4, se presentan los resultados de la implementación de los dos
sistemas de diagnóstico de fallos en engranajes con las cinco bases de datos.
El Capítulo 5, denominado conclusiones y trabajos futuros, resume los principales
8
resultados del trabajo y el camino que se podrían direccionar los futuros trabajos
en el campo de monitoreo de la condición.
9
2.. MARCO TEÓRICO Y ESTADO DEL ARTE
2.1.. INTRODUCCIÓN AL MANTENIMIENTO BASADO EN LA CON-

DICIÓN
La base de cualquier enfoque de MBC está centrada en capacidades robustas y confiables

de diagnóstico de fallos. Los algoritmos de diagnóstico de fallos están diseñados para
detectar el rendimiento del sistema, monitorear los niveles de degradación e identificar
fallos y/o averías basados en cambios de una propiedad física del sistema a través de
fenómenos detectables [18]. El diagnóstico de fallos incluye tareas como la detección,
el aislamiento y la identificación del fallo para tratar de relacionar los indicadores de
condición con los fallos [18, 61, 62]. Los enfoques de diagnóstico de fallos se pueden
dividir en dos: basados en modelos (model-based) y basados en datos (data-based or
data-driven methods) [63, 64, 65].
El concepto general del enfoque basado en modelos se presenta en la Figura 1. Este

enfoque emplea un modelo matemático del sistema en estudio, y con dicho modelo se
generan estimaciones de las salidas del sistema, que luego se comparan con las salidas
reales del proceso para generar una señal residuo. Con base en la evalúa ción de los
valores y propiedades de la señal residuo se identifican las posibles condiciones de fallo
[66, 67, 68].
Para este tipo de enfoque es necesario una experiencia relevante y un conocimiento a

priori del sistema físico para describir el comportamiento del mismo; en estos sistemas
se requieren incorporar la comprensión física detallada del fallo para el diagnóstico, lo
que es difícil de lograr en un ámbito industrial debido a que las condiciones de trabajo
de las cajas de engranajes por lo general no son estacionarias y hay variables como la
lubricación, tipo de material del engranaje y temperatura, que afectan al sistema, lo
cual limita obtener un modelo muy cercano a la realidad [64, 65, 69]. Sin embargo, se
han reportado algunos trabajos con este enfoque en donde se considera condición de
10
Figura 1: Enfoque de diagnóstico de fallos basado en modelos
carga variable [70, 71, 72].
El concepto general del sistema de diagnóstico de fallos basado en datos está soportado
en la utilización de métodos de reconocimiento de patrones para mapear características
en condiciones normales y en condiciones de fallo de la caja de engranajes en este caso
de estudio. Para esto, este tipo de sistemas de diagnóstico deben ser entrenados con
patrones de fallo y en condiciones de trabajo con y sin fallo en el engranaje, luego de
lo cual el resultado del sistema de diagnóstico debe ser capaz reconocer o inferir la
condición normal o de fallo. Este tipo de enfoque es una manera alternativa y eficiente
para el diagnóstico de fallos en cajas de engranajes [18, 64, 69]. En el MBC, el diagnóstico
de cajas de engranajes se realiza mediante el análisis de señales de monitoreo de la
condición; éste es el método no destructivo más comúnmente utilizado para la detección
de fallos en etapas tempranas [62, 73, 74]. Las etapas de este proceso de diagnóstico
basado en datos se muestran en la Figura 2.
La adquisición y acondicionamiento de la señal se puede hacer usando diversas variables

físicas como temperatura, vibración, corriente, sonido, emisión acústica, voltaje o se-
Figura 2: Esquema del proceso de diagnóstico de fallos basado en datos para el MBC
[18, 62]
11
ñales asociadas a otros fenómenos físicos que se pueden adquirir y almacenar mediante
diferentes instrumentos. El siguiente paso es la representación de la señal monitore-
ada en el dominio apropiado, ya sea tiempo, frecuencia o tiempo-frecuencia; con esta
representación se procede a la extracción de los indicadores de condición de la señal
monitoreada.
En la etapa de selección de indicadores de condición se eliminan los indicadores excesivos

y que no son relevantes para la discriminación de la condición normal y de la de fallo.
En la etapa de clasificación, que también se denomina de reconocimiento y/o inferencia
de patrones se trata de mapear la información de los indicadores de condición para
determinar el estado del componente, pero este mapeo de los indicadores es ambiguo
y a veces requiere de expertos que conozcan el sistema que se está diagnosticando. En
estas dos últimas etapas la minería de datos puede aportar herramientas para reducir y
clasificar la información basadas en datos, y ha demostrado ser muy eficaz en el manejo
de información compleja como es el caso de los indicadores de condición extraídos
[75, 76, 77, 78]. Adicionalmente, cuando se tiene información de múltiples sensores de
la misma señal o de diferentes señales; se ha demostrado que, la técnica de fusión de
datos puede ayudar a mejorar la fiabilidad del sistema de diagnóstico [79, 80, 81, 82].
A continuación, se presenta una revisión de literatura de las etapas del proceso de

diagnóstico de fallos de engranajes basado en datos para el MBC.
2.2.. ADQUISICIÓN DE LAS SEÑALES DE MONITOREO DE LA CON-

DICIÓN
La adquisición de datos es el proceso de recopilación y almacenamiento de datos útiles

de la caja de engranajes con el propósito de monitorear y diagnosticar su condición.
Este proceso es esencial en la implementación de un sistema diagnóstico y los datos
recopilados en un programa de MBC pueden clasificarse en dos tipos: datos de eventos
y datos de monitoreo de la condición. Los datos del evento incluyen información sobre
lo que ocurrió y/o lo que se hizo cuando se detectó el fallo; los datos de monitoreo de
la condición son las medidas relacionadas con la máquina que detectan algún fenómeno
físico. Estos datos pueden ser: vibración, acústicos, análisis de aceite, corriente, voltaje,
12
emisión acústica, temperatura, presión, humedad, entre otros. Para su medición se han
diseñado varios sensores, tales como acelerómetros, sensores de proximidad, sensores
ultrasónicos, sensores de emisiones acústicas, sensores de corriente, entre otros [5, 62].
Las señales que se adquieren con estos sensores por lo general son muy cambiantes,
por lo que, el proceso de adquisición de datos de calidad requiere una planificación que
incluye el conocimiento de la máquina en condiciones normales y de fallo, selección y
localización adecuada del sensor a utilizar, y validación de la señal adquirida [83, 84, 85].
2.2.1.. Monitoreo de la condición
El monitoreo de la condición (MC) se puede definir como un medio para determinar

la condición de la máquina y prevenir una falla de la misma sugiriendo acciones de
mantenimiento cuando sea necesario. El MC consiste en recopilar datos del sistema a
través de diversos sensores y luego procesar los datos para obtener información signifi-
cativa; diversas técnicas de monitoreo de la condición se pueden utilizar para detectar
condiciones de fallo e incluso identificar qué componente tiene el fallo en la máquina,
el monitoreo de la condición es un medio para implementar el MBC [5, 86, 87, 88].
De los fenómenos monitoreados mediante las diversas técnicas de MC se deben extraer

parámetros o características que indicarán la condición de la caja de engranajes. Los
parámetros a monitorear deben ser seleccionados considerando que estos deben per-
manecer estables en la condición normal de operación de la máquina, pero en modo
anormal, indicará algún tipo de tendencia. El monitoreo de los parámetros basados en
análisis de vibraciones, emisiones acústicas, partículas de aceite, y acústicos son los más
comunes y están muy bien establecidos en la industria [89], y recientemente se están
empleando los análisis de señales de corriente para detectar fallos en cajas de engranajes
[39, 38, 90].
2.2.2.. Monitoreo de las vibraciones
El monitoreo de vibraciones es la técnica de MC más empleada para el diagnóstico de

fallos en cajas de engranajes; ha demostrado ser una técnica eficiente debido a que su
monitoreo revela la fluctuación de carga y fallos en los engranajes [91, 92]. Las razones
principales para el monitoreo de las vibraciones en cajas de engranajes son [38, 91, 93]:
13
1. Las cajas de engranajes presentan patrones de la señal de vibración que caracterizan
el estado o condición de las mismas. Estos patrones se denominan firma, por lo que
una modificación en la misma puede reflejar síntomas de fallo.
2. Los mecanismos de vibración de los engranajes son teóricamente entendidos ha-
ciendo posible predecir las características de las respuestas de vibración debido a
los fallos.
3. El desarrollo de sistemas comerciales confiables como analizadores y medidores de
vibración portátiles.
4. Las aplicaciones de computación han facilitado el desarrollo de métodos avanzados
de procesamiento de señales y técnicas de reconocimiento de patrones.
La técnica de monitoreo de vibraciones, que es la técnica de MC más utilizada en

la industria, puede identificar con exactitud alrededor del 90 % de todos los fallos de
maquinaria por el cambio en las señales de vibración, de manera que se pueda tomar
la acción de mantenimiento lo antes posible para prolongar la vida de la máquina
[27]. Sin embargo, el monitoreo y análisis de la vibración pueden presentar una baja
sensibilidad a fallos en la etapa temprana; esto puede surgir por diferentes razones tales
como presencia simultánea de diversas fuentes de vibración y ruido, la presencia de
fenómenos dinámicos no estacionarios, variación de la carga y velocidad, y dificultad
para el emplazamiento de los sensores por un ambiente agresivo que puede afectar la
sensibilidad del mismo [94, 95].
2.2.3.. Monitoreo de las emisiones acústicas
El análisis de la Emisiones Acústicas (EA) se basa la detección del movimiento super-

ficial dinámico causado por ondas elásticas de tensión [96]. Las EA se definen como
ondas elásticas transitorias generadas por una liberación rápida de energía de deforma-
ción causada por una deformación o fallo dentro o sobre la superficie de un material
[97].
En el MC de maquinaria rotativa, las EA se definen como ondas elásticas transitorias

generadas por la interacción de dos superficies en movimiento relativo; las causas de las
EA en maquinaria rotativa pueden deberse a impactos, fatiga cíclica, fugas, fricción,
pérdida de material, entre otras [98]. En maquinaria rotativa, los principales factores
de las EA son los procesos relacionados con la fricción. Estas EA se producen en primer
14
lugar por la interacción mecánica y química de las superficies en contacto, la interac-
ción elástica de las rugosidades superficiales, los cambios estructurales y químicos en las
capas superficiales y subsuperficiales de los materiales en contacto, el daño de las su-
perficies y su fuerte interacción con el medio ambiente. Por regla general, estos procesos
se acompañan de fenómenos como: calor, eléctricos, corrosión, magnéticos, y electro-
magnéticos. Todos estos factores son el resultado de procesos rápidos que se producen
en la fricción, por lo que la principal característica distintiva de las EA producidas por
fricción es la presencia de estos factores, en paralelo a la deformación y daño de la
superficie en contacto [99].
La trasmisión de movimiento entre los engranajes se produce por el desplazamiento

relativo entre las superficies de los dientes de los engranajes. En este desplazamiento
se tiene contacto deslizante sobre la mayor parte de sus superficies y contacto rodante
en la línea del contacto. En teoría, los dientes hacen contacto a lo largo de la línea, sin
embargo, debido a la deformación elástica de las superficies el contacto se producen es-
trechas bandas o áreas pequeñas de contacto. El radio de curvatura del perfil del diente
tiene un efecto sobre la cantidad de deformación y sobre la anchura de las bandas de
contacto, por lo cual las superficies dentadas del engranaje no están activas continua-
mente; cada parte de la superficie del diente está en acción durante cortos períodos de
tiempo. Este desplazamiento continuo de la carga a nuevas áreas de metal frío y aceite
frío permite someter las superficies de los engranajes a tensiones que se aproximan al
límite crítico de la película lubricante del engranaje sin fallo [32].
Las causas de las EA en fricción se atribuyen comúnmente a cambios en el estado de

tensión-deformación de puntos de contacto y a la aparición de partículas de desgaste
por daños en la superficie de fricción por lo que las EA son sensibles el desgaste [99].
El elemento principal que contribuye al cambio en el nivel de vibración en las cajas de

engranajes es la rigidez del sistema; por lo tanto, mientras el fallo sea capaz de alterar
la rigidez del sistema, será detectado por el acelerómetro. Esto es en contraste con la
técnica de EA, en donde las causas principales para la generación de las mismas se
han estudiado y se ha determinado que son la deformación plástica, micro-fractura,
desgaste, picos de presión en la lubricación, impactos y el contacto de las rugosidades
de los dientes [100, 101, 102, 103]. De las causas citadas, se postula que las señales de
EA se relacionan principalmente con el contacto y el impacto de los dientes durante
el engranaje del diente. El impacto en la superficie del diente provoca la deformación
15
del material y es seguido por la liberación de la energía del esfuerzo, la cual generará
ondas elásticas transitorias. Por lo reportado en la literatura, las causas exactas de las
EA durante el proceso de engranaje constituyen un campo abierto para la investigación
[104].
Se han tenido avances importantes para analizar los fallos en las cajas de engranajes
mediante la técnica de MC de EA, pero todavía es una técnica en desarrollo para ma-
quinaria rotativa [98, 105]. El número de publicaciones en las que se ha aplicado el MC
mediante el análisis de EA para detectar fallos en las cajas de engranajes es limitado.
Las primeras investigaciones de EA aplicadas para la detección de fallos en cajas de
engranajes fueron desarrolladas por Miyachika et al. [106], Oda et al. [107] y Wheit-
ner et al. [108]; en estos trabajos se realizaron una serie de pruebas de fatiga de flexión
de los dientes de engranaje y se verificó la efectividad de las EA para monitorear el
proceso de agrietamiento en los engranajes rectos. En los trabajos desarrollados por
Sentoku et al. [109], Singh et al. [110] y Tandon y Mata [111] se estudió la detección de
temprana de la picadura y determinaron que las EA detectan el fallos de picadura en
etapas más temprana que las vibraciones, esto se verificó por el aumento de la energía
de las EA; adicionalmente, concluyeron que el sensor EA debería estar lo más cerca
posible del elemento monitoreado con el fin de maximizar la capacidad de detección
de la picadura usando la técnica EA. Singh et al. [112] determinaron que era factible
utilizar las ondas de EA para detectar el inicio y progreso del fallo de agrietamiento,
la progresión de fallo llego hasta la rotura, establecieron que las señales de EA fue-
ron más sensibles que las vibraciones para detectar el fallo de agrietamiento en etapas
tempranas. Siores y Negro [113] analizaron varias técnicas de análisis de EA para co-
rrelacionar varios fallos de una caja de engranajes durante su vida útil a través de EA.
Estudiaron fallos como excesiva holgura, desalineación del eje, rotura de los dientes y
desgaste. Concluyeron, que los indicadores de condición de las EA tenían cualidades
para correlacionarlos con los diferentes fallos. Hamzah y Mba [105] desarrollaron un
estudio experimental que correlacionó la actividad de las EA de un conjunto de engra-
najes helicoidales y rectos sin tratamiento térmico, bajo diferentes condiciones de carga
y velocidad. Durante el funcionamiento emplearon lubricación por baño y midieron la
temperatura del lubricante y del engranaje. Determinaron que la película de lubrica-
ción estaba relacionada con la energía de las EA tanto en engranajes helicoidales como
rectos; los cambios relativos en los niveles de EA en función de los cambios en el grosor
específico de la película eran mayores para los engranajes rectos. En cuanto al efecto
16
de la velocidad se observó que un aumento en la velocidad dio lugar a un aumento de
energía de las EA para todas las condiciones de carga. Hamel et al. [114] demostró a
partir de un estudio experimental en engranajes helicoidales defectuosos que el valor
de AE puede no identificarse debido a la existencia de una falla, si el espesor de la
película de aceite separa por completo las asperezas de los engranajes. Por lo tanto,
el contacto de aspereza entre las superficies de los engranajes es la fuente clave para
la generación de AE. Vicuña [115] investigó los efectos de las condiciones de operación
tales como temperatura del lubricante, carga y velocidad en las señales EA generadas
durante el funcionamiento de una caja de engranajes planetarios sin fallos; y determinó
que velocidad de rotación es el parámetro más importante que influye en el valor de la
señal de AE y la temperatura afecta el espesor de la película del lubricante, que afecta
a la cantidad de contacto superficial que ocurre entre los dientes que engranan.
La principal ventaja que ofrece el MC de EA en las cajas de engranajes en comparación

con el MC de las vibraciones, es la detección de los fallos en la etapa temprana, esto ha
sido reportado en varios trabajos: [46, 48, 52, 54, 116, 117, 118, 119, 120]. Las principales
ventajas y limitaciones reportadas del MC por medio de EA en comparación con el MC
de las vibraciones se presentan a continuación [115, 121, 122, 123, 124, 125, 126, 127].
Ventajas:
1. Insensible a la resonancia estructural y es menos afectado por ruidos mecánicos

(generalmente <50 kHz) de fondo, esto debido a su rango de frecuencia.
2. Son más sensibles a detectar fallos incipientes; esto debido a que los factores que
producen los fallos generan EA a nivel microscópico, lo que hace que las EA sean
más sensibles en etapas iniciales del fallo.
3. Proporcionan buenos indicadores de condición de tendencia para el diagnóstico y
pronóstico.
4. Las señales de EA son sensibles a la ubicación de los fallos y pueden ayudar en la
detección de grietas subsuperficiales.
5. Las EA son más sensibles que las vibraciones para detectar fallos en elementos que
giren a bajas velocidades y altas cargas; esto debido a que las vibraciones pueden
tener dificultad debido a las bajas frecuencias de las señales generadas a bajas
velocidades.
6. Las señales EA son omnidireccionales, de modo que, un sensor de EA puede colo-
carse en cualquier lugar en las proximidades de las fuentes de EA.
17
Limitaciones:
1. Las señales de salida de los sensores de EA son generalmente de alta frecuencia,

incluso hasta varios MHz. por lo tanto, en general se requiere alta velocidad de
muestreo, 2-10 MHz.
2. Dificultad en el procesamiento del alto volumen de datos y las complicadas carac-
terísticas de las señales de EA para su interpretación.
3. Por lo general las señales de EA tienden a ser de baja amplitud y de alta frecuencia
(que se atenúa rápidamente), el sensor de EA debe colocarse cercano al punto de
estdio.
4. Las señales de EA tienden a requerir una amplificación considerable.
5. Las señales de EA se limitan generalmente a fallos producidos en el material o
dentro de él, esto puede ser agrietamiento, desgate, picadura.
6. Las EA pueden sufrir de interferencia del ruido de alta frecuencia como turbulencia.
7. El monitoreo de las EA es una técnica no destructiva pero el sensor necesita ser
colocado en la máquina en estudio.
8. La temperatura del aceite puede afectar las señales de EA.
9. Industrialmente al momento no se dispone de analizadores de señales de EA para
maquinaria rotativa como es el caso de los analizadores de vibración.
Loutas et al. [52] evalúa ron tres técnicas de MC: vibración, emisión acústica y partícu-
las en el aceite en una caja de engranajes. Los autores aplicaron análisis de componentes
principales para reducir el número de indicadores de condición extraídos de tres métodos
y concluyeron que el método EA no ofrece un ventaja significativa para diagnosticar
el desgaste de engranajes; contrario a lo reportado en Loutas et al. [119] en donde
el método de EA pudo detectar el progreso del agrietamiento en etapas tempranas.
Tan et al. [54] evalúa ron tres métodos de MC: vibración, emisión acústica y el análisis
espectrométrico de aceites para monitorear una caja de engranajes. Los resultados indi-
caron que mediante el MC de EA es posible detectar el fallo de picadura en las etapas
tempranas mientras que las vibraciones detectaron el fallo cuando el mismo alcanzó el
30 % y el análisis de aceites detectó el fallo cuando el nivel de picadura fue de 35 %
del área; adicionalmente, obtuvieron una relación casi lineal entre la progresión de la
picadura y las EA, lo cual abre oportunidades para realizar tareas de pronóstico con
EA, contrario a las otras dos técnicas que no mostraron características adecuadas para
su uso en sistemas pronóstico.
18
En el trabajo desarrollado por Tan et al. [55] se aplicaron, al igual que en [54], las
tres técnicas de MC, pero la experimentación se realizó con altos torques; el valor de
energía se calculó para vibraciones y EA, y para el análisis espectrométrico de aceite se
utilizó la concentración de Fe como el indicador de condición. La conclusión principal
del trabajo fue que la técnica de EA fue en general la más sensible en la detección de
fallos de picadura en especial a altos torques, la vibración mostró mejor sensibilidad a
bajos torques, mientras que la técnica de análisis de aceites tiene una mejor capacidad
de monitoreo de crecimiento de la picadura a torques más altos en comparación con la
vibración.
2.2.4.. Monitoreo de la corriente eléctrica del motor
Los motores eléctricos se utilizan como generadores de movimiento en más del 90 % de

los sistemas mecánicos de las industrias. Estos sistemas mecánicos son, en su mayoría,
cajas de engranajes, ventiladores, compresores y bombas [128]. Los fallos en moto-
res eléctricos pueden ser detectados por el monitoreo convencional de vibraciones y la
temperatura de rodamientos; por lo general, un límite seguro para la temperatura del
rodamiento del motor es 70◦ C. También es bien conocido que las corrientes del motor
(o generador) pueden medirse y analizarse para extraer información sobre su condición,
mediante el denominado análisis de firma de corriente del estator, que también se cono-
ce como análisis de firma de corriente de motor (AFCM) [129, 130]. Una vez capturada
la forma de onda de la corriente en el tiempo, se puede analizar en el dominio de la
frecuencia o el dominio tiempo-frecuencia. Los fallos como la excentricidad del rotor, la
rotura del rotor y el fallo del cojinete del motor, pueden identificarse fácilmente en el
dominio de la frecuencia por sus frecuencias características [128].
Una ventaja significativa de AFCM, es el hecho de que los fallos en los sistemas mecá-
nicos, que son impulsados por los motores eléctricos, pueden detectarse indirectamente
mediante el monitoreo de la corriente del estator; esto es debido a que un defecto en
el sistema mecánico producirá un par de carga en el rotor del motor que inducirá una
fuerza magnetomotriz en las bobinas del estator. La corriente en la bobina del esta-
tor será así modulada y se observarán bandas laterales, alrededor de la frecuencia de
alimentación, espaciadas en las frecuencias de defecto mecánico. Con el fin de analizar
estas frecuencias mecánicas, se realiza una demodulación de amplitud o un análisis de
19
envolvente de la corriente del estator para identificar las frecuencias de defecto mecánico
[25, 38, 131].
Mediante el AFCM diversos tipos de fallos han sido detectados en cajas de engranajes.
El fallo de la rotura de dientes en tres niveles de severidad y el grado de desalineación
del eje en una caja de engranajes fueron reportados en [132], el fallo de agrietamiento
fue detectado en [133], el fallo de picadura en [134], el fallo de desgaste y gripado en
[49, 135].
En los trabajos desarrollados por Jin et al. [117], Kia et al. [136], Peng et al. [137]
y Saucedo-Dorantes et al. [138] compararon el diagnóstico de fallos en cajas de en-
granajes mediante el análisis de señales de vibración y corriente; los resultados de los
experimentos y análisis teóricos demostraron que, tanto el análisis de vibración como el
AFCM fueron eficaces para el diagnóstico de fallos de cajas de engranajes. A continua-
ción se presentan las ventajas y limitaciones de AFCM aplicado en cajas de engranajes
[25, 117, 128, 139].
Ventajas:
1. El AFCM es una técnica no intrusiva porque no es necesario montar ningún trans-

ductor en la caja de engranajes
2. El AFCM es una potente técnica para determinar fallas en sistemas mecánicos que
de otro modo son inaccesibles para el monitoreo de la condición por análisis de
vibración convencional.
3. Para el AFCM, la señal de corriente puede ser medida en lugares lejanos desde
el motor, siempre y cuando haya acceso al conductor que alimenta la corriente al
motor.
4. El costo de la instrumentación es menor con respecto a las mediciones de vibracio-
nes, debido a que no implica el montaje de un sensor en la caja y cableado hasta
el sistema de adquisición de datos [25].
Limitaciones:
1. Las frecuencias de fallo pueden sobreponerse con la frecuencia de la fuente de

alimentación del motor, lo cual puede dificultar la detección del fallo.
2. Las relaciones señal/ruido de las firmas relacionadas con los fallos en las señales de
corriente son bajas.
20
3. El AFCM también pueden ser corrompido por errores de transmisión, errores de
fabricación y errores de instalación de las cajas de engranajes, por lo tanto, podría
ser un reto extraer información útil de las señales de corriente para el diagnóstico
de fallos de la caja de engranajes.
4. El AFCM, para detectar fallos en sistemas mecánicos es una técnica que aún está
en su fase de desarrollo.
2.3.. EXTRACCIÓN DE INDICADORES DE CONDICIÓN
La extracción de características es un proceso de obtención de atributos, parámetros

o indicadores de condición, ya sea por lectura directa desde sensores de velocidad de
rotación del eje leída desde un tacómetro, de temperatura, o a través del procesamiento
de datos de forma de onda que tienen las señales de corriente, vibración o EA. A
este procedimiento se le denomina procesamiento de señal. Se han desarrollado varias
técnicas de procesamiento de señales para analizar e interpretar datos de forma de onda
con el objetivo de extraer la información útil para el diagnóstico [62].
El procesamiento de señal consiste en procesar la información contenida en una variedad

de formatos; utiliza representaciones matemáticas, estadísticas, computacionales, heu-
rísticas y/o lingüísticas, formalismos, técnicas de modelado y algoritmos para generar,
transformar, transmitir y aprender de señales analógicas o digitales. El procesamiento
de la señal puede implicar filtrado, recuperación, realzamiento, traslado, detección y
descomposición de la misma [140].
El análisis de datos es uno de los pasos más importantes para el monitoreo de la con-
dición y el diagnóstico de fallos. Su objetivo es encontrar una transformación simple y
efectiva de las señales originales. Esta transformación se puede analizar en el dominio
del tiempo, frecuencia o tiempo-frecuencia, del análisis de la trasformación se debe po-
der obtener los indicadores de condición que reflejen la condición de la máquina para
poder realizar el diagnóstico [62].
21
2.3.1.. Análisis en el dominio del tiempo
El análisis en el dominio del tiempo es una técnica natural de análisis de la forma de

onda en el tiempo de la señal adquirida; esto debido a que sensores de EA, corriente y
vibración entregan una onda en el tiempo. Este análisis es computacionalmente menos
costoso de implementar y el único preprocesamiento necesario es acondicionar la señal.
Este análisis es sencillo, se trata de inspeccionar visualmente partes de la forma de
onda del tiempo y detectar comportamientos anormales. Sin embargo, las señales de
vibración producidas por una máquina contienen muchos componentes y puede ser muy
complicado verlos en el dominio del tiempo, lo que hace poco probable que un fallo sea
detectado por una simple inspección visual. En lugar de la inspección visual, la señal
se puede caracterizar usando algunos parámetros estadísticos denominado indicadores
de condición; estos parámetros se pueden comparar con umbrales predefinidos para
determinar la condición normal o de fallo, por lo tanto, seleccionar un Indicador de
Condición (IC) adecuado para reflejar la condición del equipo es una tarea crítica en el
diagnóstico. Se espera que un buen IC, además de permitir distinguir las condiciones
normales de las de fallos, permita establecer un análisis de tendencia, pero que también
evite la influencia de otros parámetros de operación del equipo [5, 141, 142].
Por sí mismos, los IC pueden no ser eficaces para todos los fallos, sin embargo, pue-
den usarse para reflejar cierta información de la condición, lo que los hace útiles en
el diagnóstico de fallos cuando se emplea minería de datos. En la Tabla 1 se presenta
una exhaustiva recolección de 64 indicadores de condición (T1 a T64 ) para extraer las
características de la señal en el dominio del tiempo. Del indicador T1 a T40 son los IC
que convencionalmente se reportan en la literatura para el diagnóstico de fallos en ma-
quinaría rotativa; y de T41 a T64 son indicadores que generalmente se utilizan con gran
éxito en el reconocimiento de voz [143], procesamiento de audio [144] y el campo bio-
médico [145] y no se usa convencionalmente para el diagnóstico de maquinaria rotativa.
Se ha estudiado el indicador cruce por cero con éxito en la clasificación de fallos en los
rodamientos [146, 147]. Recientemente en el trabajo desarrollado por Nayana et al. [148]
utilizaron doce IC, seis indicadores del dominio del tiempo no convencionales para el
diagnóstico de fallos en rodamientos pero que se utilizan normalmente en el campo bio-
médico y seis indicadores convencionales que se utilizan en el diagnóstico de maquinaria
rotativa, se obtuvieron resultados muy prometedores con la inclusión de los seis IC no
convencionales para la clasificación de fallos en rodamientos, también se hace hincapié
22
que los indicadores no convencionales mejoran la precisión de la clasificación en com-
paración con los IC convencionales para el caso de los rodamientos. La simplicidad en
la extracción de tales indicadores los hace muy atractivos cuando se comparan con los
indicadores extraídos del domino de la frecuencia y del dominio tiempo-frecuencia.
Tabla 1: Indicadores de condición en el dominio del tiempo
Nombre Fórmula Referencias
[149, 150,
1
∑N
Media T1 = N i=1 xi 151, 152]
[153]
∑N [152] [154]
Varianza T2 = 1
N i=1 (xi − T 1)2
[155]
√ ∑ [153, 149,
Desviación estándar T3 = 1 N
N i=1 (xi − T 1)
2
154]
[156, 157]
√ ∑ [153, 154]
1 N 2
Raíz Media Cuadrada T4 = N i=1 (xi ) [156, 157,
158]
[153, 149,
Valor máximo T 5 = max(xi ) 150]
[154]
∑ [149, 154,
N N i=1 (xi −T 1)
4
Curtosis T6 = ∑N 2 2 156]
[ i=1 (xi −T 1) ]
[158, 159]
Continua en la siguiente página
23
Tabla 1 – continuación de la página anterior
∑N
[153, 149,
N (xi −T 1)3
Asimetría T7 = i=1
T 33
152]
[154]
∑
N2 N (∆yi −∆ȳ)4
T8 = ∑N i=1
[ i=1 (∆yi −∆ȳ)2 ]2 [154, 158]
Operador de energía ∆ȳ = media de ∆y
[160, 89]
∆yi = x2i+1 − x2i
Media de valores ∑N [154, 161,

T9 = 1
N i=1 |xi |
absolutos 162]
∑N
i=1 log(|xi |+1)
CPT1 T 10 = N log(T 3+1) [163]
∑N
i=1 exp(xi )
CPT2 T 11 = N ∗exp(T 3) [163]
∑N √
i=1 |xi |
CPT3 T 12 = N ∗T 2
[163]
Quinto momento ∑
T 13 = (xi − T 1)5 [152]
estadístico
T4
[149, 154,
Factor de forma T 14 = T9
155, 156]
T5
[149, 154,
Factor de impulso T 15 = T9
155, 157]
T5
Factor de holgura T 16 = 1 ∑N
(xi )2 [154]
N i=1
24
Delta RMS T 17 = T 4i+1 − T 4i [154, 89]
√∑
Raíz Suma Cuadrada T 18 = N
i=1 |xi |2 [164]
∑N
Energía T 19 = i=1 |xi |2 [165]
max(|xi |)
Factor de latitud T 20 = ∑N √ [166]
1
(N i=1 |xi |)2
SSR absoluto ∑N √
T 21 = 1
N
( i=1 |xi |)2 [167]
ponderado
∑N
Error medio cuadrado T 22 = 1
N i=1 (xi − T 1)2 [165]
Valor de verosimilitud
negativo normal T 23 = ln TT 34 [168]
normalizado
Relación T1
T 24 = T3
[168]
desviación-media
Factor de impulso de T3
T 25 = T9
[169]
desviación estándar
∑N
Relación Log-Log T 26 = 1
log(T 3) i=1 log(|xi | + 1) [169]
K-ésimo momento T 27 = mean[(x − T 1)k ]

[151]
central k=3
25
Límite inferior de
T 28 = min(x) − 1 max(x)−min(x)
2 N −1
[155, 170]
histograma
Límite superior de 1 max(x)−min(x)

T 29 = max(x) + 2 N −1
[155, 170]
histograma
∑N
Quinto momento 1
(xi −T 1)5
T 30 = √ N1 i=1
∑N [166]
(N (x1 −T 1)2 )5
normalizado i=1
∑N
Entropía de Shannon T 31 = − i=1 x2i ∗ log(x2i ) [171]
∑N
Energía entrópica T 32 = i=1 log(x2i )
[171]
logarítmica donde, log(0)=0



 1, if |x | > p, y
i
T 33 = U mbral


Entropía de umbral 
 0, [171]
otro caso
p se estableció en 0.2
T 34 = n − #{i tal que

∑
Entropía Sure |xi | ≤ p} + i min(x2i , p2 ) [171]
∑N
T 35 = i=1 |xi |p
Entropía Norm [171]
[150, 151,
Valor Pico a Pico T 36 = max(xi ) − min(xi )
152, 154]
Valor Mínimo T 37 = min = min(xi ) [152, 154]
26
Valor Pico T 38 = 12 [max(xi ) − min(xi )] [157]
Sexto Momento ∑
T 39 = (xi − T 1)6 [152]
estadístico
[149, 154,
T5
Factor de Cresta T 40 = T4
157]
[158, 160]
∑N [172, 173,
Integral de señal T 41 = i=1 |xi |
174]
∑N √
Raíz cuadrada del i=1 |xi | 2 [153, 175,
T 42 = ( N
)
valor de amplitud 176, 167]
∑N
T 43 = step[sign(−xi ∗ xi+1 )]
 i=1




 1, si x > 0



step =
 0, si x = 0







Cruce por Cero −1, si x < 0 [172, 177]






 1, si x > 0


sign =


1
, si x = 0


2




0, si x < 0
27
∑N [172, 173,
Longitud de onda T 44 = i=1 |xi+1 − xi |
174]
∑N
T 45 = i=1 f (|xi − xi+1 | − T )
T =
umbral establecido en 0.2


Amplitud de Wilson 
 1, si x ≥ 0 [172]
f=



 0, si x < 0
∑
= N
T 46  i=2 f [(xi − xi−1 ) ∗ (xi − xi+1 )]


Cambio de signo de 
 1, si x ≥ umbral [172, 173,
pendiente f= 174]



 0, otro caso
∑N [172, 173,
1
log|xi |
Detector logarítmico T 47 = e N i=1
174]
∑N
T 48 = 1
N i=1 Wi |xi |
Valor medio absoluto [172, 173,
Wi = 1; si 0,25N ≤ n ≤ 0,75N
modificado 1 174]
Wi = 0,5; otro caso
∑N
T 49 = 1
N i=1 Wi |xi |
Valor medio absoluto Wi = 1; si 0,25N ≤ n ≤ 0,75N [172, 173,
modificado 2 Wi = 4n
N
; si n < 0,25N 174]
4(n−N )
Wi = N
; si n > 0,75N
Pendiente media del [172, 173,

T 50 = T 9i+1 − T 9i
valor absoluto 174]
28
∑N [172, 173,
Media de amplitud T 51 = i=1 (xi−1 − xi )
174]
Log RMS T 52 = log(T 4) [178]
Velocidad de ∑N
T 53 = ( N1−1 i=1 x2i ) [177]
conducción de la señal
Cambio de amplitud ∑N −1
T 54 = 1
N i=1 |xi+1 − x2i | [179]
promedio
√ ∑
3 1 N
V-ORDER 3 T 55 = N i=1 x3i [179]
√∑
Longitud fractal N −1
T 56 = log10 i=1 (xi − xi+1 )2 [179]
máxima
Diferencia valor √ ∑N −1
absoluto de T 57 = 1
N −1 i=1 (xi+1 − xi )2 [179]
1
∑N
T 58 = N i=1 [f (xi )];



 1, si x ≥ umbral
Porcentaje de
f (x) = [179, 162]
Myopulso 


 0, otro caso
el umbral es establecido en 0.2
∑
T 59 = | N1 Ni=1 xi |
m
Momentos temporales
Donde m es colocado con valor 3 por [162]
de orden superior
defecto
29
Diferencia absoluta ∑N −1
T 60 = 1
N −2 i=1 (xi+1 − xi )2 [162]
del valor de varianza
Índice de margen T 61 = ( ( 1 ) ∑TN5 √

x1
)2 [180]
N i=1
Indicadores de forma T4
T 62 = T1
[180]
de onda
∑N T 14
Verosimilitud T 63 =− i=1 log[(T 14 ∗ η)−T 14 |xi |T 14−1 exp |xηi | ]
negativa logarítmica [169]
de Weibull Donde η es el factor de escala y T14 el
factor de forma
T5
Indicador de pulso T 64 = T1
[180]
Donde xi denota cada punto de la señal.
2.3.2.. Análisis en el dominio de la frecuencia
El análisis en el dominio de la frecuencia se basa en la señal transformada al dominio de

la frecuencia; este análisis refleja las frecuencias constituyentes de una señal. El método
más utilizado para transformar las señales de corriente, vibración y EA desde el dominio
del tiempo al dominio de la frecuencia, es la transformada rápida de Fourier (FFT, del
inglés Fast Fourier Transform) [138, 181]. La información de amplitud de la transfor-
mada de Fourier (también conocida como espectro de Fourier, o espectro de frecuencia)
se investiga principalmente en el análisis de espectro y puede utilizarse como firma de
fallo o para extraer IC del mismo. Generalmente, si las amplitudes en las frecuencias
características están por debajo de determinados umbrales, entonces la máquina sería
considerada como normal, de lo contrario, si las amplitudes en las frecuencias carac-
30
terísticas están por encima de ciertos umbrales, entonces, estas frecuencias pueden ser
analizadas y relacionadas con ciertos tipos de fallos. Asimismo, las amplitudes también
pueden ser verificadas para bandas de frecuencia de determinados elementos [91, 182].
Con base en el espectro de Fourier [62], otros espectros como: el de potencia [183],
bispectrum [132], trispectrum [184] y cepstrum [185], también se han empleado en el
diagnóstico fallo en engranajes. El espectro de potencia es la transformada de Fourier de
la función de autocorrelación de una señal; refleja la energía a una frecuencia específica.
El cepstrum tiene varias versiones de definiciones, una de ellas indica que el cepstrum es
el resultado de calcular la transformada de Fourier del espectro de la señal estudiada en
escala logarítmica [186]; puede revelar armónicos y patrones de bandas laterales en el
espectro de potencia. El bispectrum y el trispectrum son las transformadas de Fourier
de las estadísticas de tercer y cuarto orden de la forma de onda. Cuando los elementos
de la frecuencia y su potencia cambian, la posición del pico del espectro principal
cambiará, estos cambios pueden ser analizados mediante el cálculo de los indicadores
de la condición, en la Tabla 2 se presenta 24 IC (F1 a F30 ), de donde los IC de F1 a
F21 se emplean en el campo de diagnóstico de fallos en maquinaría rotativa; y de F22
a F24 son indicadores que se emplean en el campo de audio.
Tabla 2: Indicadores de condición en el dominio de la frecuencia
Nombre Formula Referencia
∑K [153, 154,
X(k)
Frecuencia media F1 = k=1
K
187, 188]
Varianza de ∑K
(X(k)−F 1)2
F2 = k=1
K−1
[153]
frecuencia
∑K
Asimetría de (X(k)−F 1)3
F3 = k=1 √ [153]
K( F 2)3
frecuencia
∑K
(X(k)−F 1)4
Curtosis de frecuencia F4 = k=1
K(F 2)4 [153]
Continúa en la siguiente página
31
∑K
[153, 154]
k=1 fk X(k)
Frecuencia central F5 = ∑ K [187, 188,
k=1 X(k)
189]
√∑ [153, 154]
Desviación estándar K
(fk −F C)2 X(k)
F6 = k=1
∑K [187, 188,
k=1 X(k)
de frecuencia
189]
√ ∑K [154]
Raíz media cuadrada fk2 X(k)
F7 = k=1
X(k) [187, 188,
de frecuencia
189]
∑K
(fk −F 5)3 X(k)
CP1 F8 = k=1
K(F 6)3 [153]
F6
CP2 F9 = F5
[153]
∑K 1
(fk −F 5) 2 X(k)
CP3 F 10 = k=1 √ [153]
K F6
∑K
(fk −F 5)3 X(k)
CP4 F 11 = k=1
F 62 K
[153]
√∑
K
fk4 X(k)
CP5 F 12 = ∑k=1
K 2 [153]
k=1 fk X(k)
∑M
Potencia total F 13 = k=1 P (k) [179, 190]
1
∑M
Frecuencia mediana F 14 = 2 k=1 P (k) [179, 190]
Frecuencia máxima F 15 = max(P (k)), k = 1, ...M. [179, 190]
32
Primer momento ∑M
F 16 = k=1 P (k)fk [179, 190]
espectral
Segundo momento ∑M
F 17 = k=1 P (k)fk2 [179, 190]
espectral
Tercer momento ∑M
F 18 = k=1 P (k)fk3 [179, 190]
espectral
Cuarto momento ∑M
F 19 = k=1 P (k)fk4 [179, 190]
espectral
Varianza de la
frecuencia F 20 = F 17
F 13
− ( FF 16
13
)2 [179, 190]
central(VFC)
F 21 =
∑U LC=fmax /2 ∑U HC=fmax
LLC=fmin P (k)/ LHC= fmax +1
P (k)
Relación de 2
[179, 190]
frecuencia (FR)
Donde fmin = 5 y fmax = 3000 como
frecuencia de estudio por defecto
√
Deformación de F 17/F 13
F 22 = F 16/F 13 [179, 190]
Frecuencia
∑K
kX(k)
Centroide espectral F 23 = ∑k=1
K [191, 192]
k=1 X(k)
√∑
K
(k−F 23)2 X(k)
Esparción espectral F 24 = k=1
∑K [191, 192]
k=1 X(k)
33

∑K−1
F 25 = − k=1 Pn (k)log2 [Pn (k)]
Donde Pn es la energía espectral total [191, 192,
Entropía espectral
normalizada 193]
X(k)
Pn = ∑K
k=1 X(k)
Donde X(k) denota la magnitud del espectro obtenido con la FFT y P (k) denota
la magnitud del espectro de potencia obtenido mediante el PSD. k es el número de
componentes de frecuencia que tienen los espectros y fk es el valor correspondiente
de frecuencia de dicha componente.
2.3.3.. Análisis en el dominio tiempo-frecuencia
Los análisis en el dominio del tiempo y en la frecuencia son útiles para la aplicación
en señales estacionarias. Cuando la señal no es estacionaria, la combinación del análisis
tiempo-frecuencia se emplea y se ha convertido poco a poco en una tendencia en diag-
nóstico de fallos de engranajes. Representar simultáneamente las propiedades de la señal
tanto en el tiempo como en el dominio de frecuencia proporciona una potente ventaja
para examinar las señales de monitoreo no estacionarias. Las características locales de
una señal pueden ser fácilmente caracterizadas, y todos los componentes en el rango
de frecuencias de interés, sus secuencias, causalidad y cambios con el tiempo se pueden
mostrar en un solo gráfico [194, 195].
Técnicas como la transformada de Fourier en tiempo corto (STFT, del inglés Short
Time Fourier Transform), la distribución Winger-Ville, la transformada Wavelet, NP4
[158], la descomposición empírica en modos (EMD, del inglés Empirical Mode Decom-
position) [196] y la distribución Choi-Williams o la distribución cone-shaped [62], han
sido utilizadas para analizar la señal en el dominio del tiempo-frecuencia.
La técnica que más se ha empleado y con gran éxito para detectar fallos en engranajes
en los últimos tiempos es la trasformada Wavelet [158, 196, 197, 198, 199, 200], misma
34
que, combinada con diferentes técnicas de inteligencia artificial ha presentado buenos
resultados para diagnosticar fallos como agrietamiento de engranajes [201, 202, 203,
204], picadura y rotura [205]. Las transformadas Wavelet son productos internos entre
señales y la familia de wavelets, que se derivan de la Wavelet madre por dilatación y
traslación. La utilización de la transformada Wavelet es compleja debido a las múltiples
maneras en que se puede aplicar, y al elevado número de parámetros que es necesario
definir para su uso [206, 207]. Con la transformada Wavelet se obtienen los coeficientes
de correlación entre la señal y una función seleccionada denominada Wavelet madre,
dependiendo del resultado de la escala y posición de esta función se puede interpretar
la misma [206, 207].
2.4.. SELECCIÓN DE INDICADORES DE CONDICIÓN
En el proceso de diagnóstico de fallos, la selección de indicadores de condición o también

denominados atributos a características es una etapa muy importante previa a la etapa
de reconocimiento de patrones. Esto debido a que permite eliminar indicadores ruidosos,
redundantes y/o irrelevantes, lo cual reduce de manera considerable, en la mayoría de
los casos, el espacio de características, permitiendo optimizar tareas de clasificación y
aumentando el rendimiento en los algoritmos de aprendizaje empleados en la etapa de
clasificación [208].
Existen dos enfoques muy utilizados para la selección de atributos: supervisado y no

supervisado. El enfoque supervisado utiliza etiquetas para las muestras del conjunto de
datos, permitiendo conseguir conocimiento externo, con el riesgo de eliminar atributos
importantes en el proceso de aprendizaje, algunos de los métodos que utilizan este
enfoque son: ReliefF, Chi-Cuadrado y Ganancia de Información. Por otra parte, el
enfoque no supervisado no utiliza etiquetas como el enfoque anterior, lo cual permite
descubrir conocimiento nuevo, sus inconvenientes son que descuida la correlación entre
atributos y algunos de sus principios matemáticos no son generalizables para todo el
conjunto de datos, entre los métodos que utilizan este enfoque están: correlación, análisis
de componentes principales, mapas isométricos, incrustación lineal local. [209, 210, 211].
35
2.4.1.. Enfoques para la selección de indicadores
Los tres tipos de enfoques más usados en la selección de atributos son [208]:
Enfoque tipo filtro: realiza una selección de los indicadores a partir de un conjunto
de atributos, sin disponer de una retroalimentación de los algoritmos de apren-
dizaje y con un costo computacional más bajo. Adicionalmente permite realizar
un ranqueo de atributos. Ejemplo: chi-Cuadrado, correlación de Pearson, reliefF,
ANOVA, ganancia de información entre otros.
Enfoque tipo envolvente: del espacio completo de indicadores se selecciona un sub-
conjunto de atributos el cual es usado para evalúa r su capacidad predictiva en
una función de clasificación, esta función generalmente suele ser la exactitud. Este
proceso se repite hasta maximizar dicha función. Ejemplos: algoritmos genéticos,
colonia de hormigas, entre otros [212].
Enfoque tipo embebido: la selección de los indicadores es realizada en el proceso
de entrenamiento de los algoritmos de aprendizaje, para lo cual se analizan los pa-
rámetros del modelo que indiquen qué atributos deben ser seleccionados. Ejemplo:
arboles de decisión, SVM, PCA, etc [213].
En lo expuesto anteriormente, se puede categorizar estos enfoques en dos grupos; los

de evalúa ción individual y los de evalúa ción en conjunto. El primero permite realizar
un ranqueo de los indicadores mediante la puntuación obtenida por cada atributo, aquí
se encuentran: Chi-cuadrado, correlación de Pearson, arboles de decisión y SVM. El
segundo grupo permite encontrar el mejor subconjunto de atributos en base a una
métrica de evalúa ción global: algoritmos genéticos, colonia de hormigas por mencionar
algunos.
La selección de indicadores, para el diagnóstico de fallos en la industria, es importante

debido a que existen indicadores redundantes que pueden afectar el rendimiento de los
algoritmos de aprendizaje. También se ha demostrado que, al utilizar la selección de
atributos, reduciendo el espacio original, se consigue aumentar la exactitud en la etapa
de clasificación [214, 213].
36
2.4.2.. Métodos de selección por ranqueo
2.4.2.1.. ReliefF.
Es una extensión del algoritmo de Relief (usado para clasificación binaria), el cual
busca estimar la calidad de los atributos que permitan discriminar entre instancias
vecinas. ReliefF selecciona una instancia al azar entonces busca k vecinos más cercanos
de la misma clase y también k vecinos más cercanos para las diferentes clases [215].
Esto actualiza un vector de ponderación W el cual da más peso a las características
que diferencian mejor entre vecinos de clases diferentes. Está definido por la siguiente
formula:
∑k
∑ p(x)
1−p(class(x)) j=1 df (x, Mj (x)) ∑
k
df (x, Hj (x))
Wfi+1 = Wji + − , (1)
m∗k j=1
(m ∗ k)
c̸=class(x)
donde Wf representa el peso del atributo f , df es la distancia de dos muestras en el

atributo f , Hj (x) son las muestras vecinas desde el tipo de muestra de x, Mj (x) son las
muestras vecinas de los vecinos de clases diferentes y p(x) es la probabilidad de clase.
Para seleccionar los mejores atributos se tomarán aquellos que tengan el peso más alto.
2.4.2.2.. Chi-cuadrado.
Este método es utilizado en estadística para probar la independencia de dos eventos
[216]. En ranqueo de atributos permite probar si la ocurrencia de un atributo específico
y la ocurrencia de una clase especifica son independientes. Por tanto, cuando un atributo
es independiente de la clase este es descartado [217]. Su fórmula es:
∑k
(Yj − uj )2
2
x = , (2)
j=1
uj
donde Yj es el número de observaciones en la j-ésima clase, k es el total de clases, uj

es el valor esperado de Yj , y para uj = N pj siendo N el número de observaciones y
pj representa la probabilidad de ocurrencia. Cuanto x2 se aproxima más a cero más
relacionado esta el atributo con la clase. De esta forma seleccionaremos los atributos
más cercanos a cero como los más representativos.
2.4.2.3.. Ganancia de información.

Conocida como entropía (H), es un método que permite cuantificar la cantidad de
37
impureza en un conjunto de datos. A partir de H se puede definir una medida IG que
refleje la información adicional sobre la clase Y proporcionada por el atributo X que
representa la cantidad por la cual la entropía de Y disminuye [218]. Esta medida está
dada por:
IG = H(Y ) − H(Y |X) = H(X) − H(X|Y ) (3)
donde H representa la entropía. Por lo tanto, se seleccionarán los m atributos con el

valor IG más elevado como los mejores.
2.4.3.. Escalamiento de atributos
La normalización es un proceso de escalamiento de datos en etapas previas al proce-

samiento de los mismos. Es muy utilizado en aprendizaje automático y áreas como el
procesamiento de imágenes [219], [220]. Los más utilizados son normalización Min-Max
y estandarización.
2.4.3.1.. Estandarización.
También conocida como normalización z-score. Este método lleva los datos a una nueva
escala con media cero y desviación estándar uno. Muy utilizado en aprendizaje automá-
tico para mejorar el rendimiento de sus métodos como KNN, SVM, entre otros [221].
El proceso de cálculo retira la media (x̄) de cada atributo original y lo divide para su
desviación estándar (σ):
x − x̄
x′ = (4)
σ
2.4.3.2.. Normalización Min-Max.

Es un método muy utilizado en procesamiento de imágenes. Se encarga de re-escalar los
datos entre valores de cero y uno. Generalmente se utiliza en aplicaciones donde se desee
mantener rangos positivos. Existen variaciones de este método como normalización al
máximo, normalización a la media, entre otros [219]. Es recomendable conocer el valor
máximo (xmax )y mínimo (xmin ) de cada una de las variables originales para que su
implementación sea adecuada, el cálculo está dado por:
38
x − xmin (x)
x′ = (5)
xmax (x) − xmin (x)
2.5.. CLASIFICACIÓN
La Figura 2 muestra el proceso de diagnóstico, el cual contiene la etapa de clasificación

que comprende el reconocimiento de patrones, que es un proceso de mapeo de la infor-
mación obtenida del proceso de selección de indicadores de condición. Tradicionalmente,
el reconocimiento y análisis de patrones se realiza manualmente por herramientas como
espectro de la señal, diagrama de fase, cepstrum, frecuencia de engranaje o armónicos o
el análisis de los atributos en algunos de los dominios analizados [93, 222, 5]. Sin embar-
go, el reconocimiento manual de patrones requiere experiencia en el ámbito específico
de aplicación del diagnóstico, lo que implica personal altamente capacitado; por esta
razón el reconocimiento automático de patrones es altamente deseable para disminuir
la dependencia de personal especializado. Esto se puede lograr mediante la clasificación
de señales con base en la información obtenida; la clasificación automática permitirá
detectar e identificar fallos para que personal poco cualificado pueda tomar decisiones
en mantenimiento sin la necesidad de un especialista, por lo que existe una demanda
de técnicas de clasificación que sean automáticas y fiables [5, 223]. La minería de datos
es una herramienta de inteligencia artificial que puede descubrir información útil den-
tro de una base de datos que luego se puede utilizar para tomar decisiones. El uso de
técnicas de minería de datos en la industria comenzó en la década de 1990 [224, 225] y
ha atraído cada vez más atención de modo que ahora se utiliza en diferentes áreas de
la industria y una de ellas es el MBC.
Las técnicas de minería de datos están basadas en inteligencia computacional, apren-

dizaje automático, y estadística avanzada, han creado nuevos métodos y herramientas
para la extracción automatizada de patrones y conocimientos implícitos, previamente
desconocidos y potencialmente útiles, por lo cual, estas técnicas pueden emplearse para
la fase de clasificación y selección de características en el MBC [78, 226].
Las Máquinas de Soporte Vectorial (SVM, del inglés Support Vector Machine) cons-
tituyen la técnica de la minería de datos que más se emplea por su robustez para la
39
clasificación [227]. Las SVM, son un modelo de aprendizaje automático, con enfoque su-
pervisado, que permiten realizar tareas como clasificación y regresión, siendo la primera
la más utilizada. Si bien las SVM fueron pensadas para tareas de clasificación binaria,
actualmente se pueden utilizar para clasificación multi-clase (mediante el método Uno-
Contra-Todos) y sus campos de aplicación son varios: procesamientos de imágenes,
procesamiento del lenguaje natural, clasificación de fallos en maquinaria rotativa, entre
otros [228, 229].
Las SVM implementan separadores lineales o hiperplanos para la tarea de clasificación,

para lo cual mapean los puntos de entrada, de ser necesario, a un nuevo espacio de di-
mensión superior. Esto lo realiza mediante el uso de funciones llamadas núcleos (kernels
en inglés), ya sean lineales, gaussianos u otros, facilitando la transformación al nuevo
espacio de características. El hiperplano que se trace en este nuevo espacio deberá ma-
ximizar el margen (distancia mínima entre clases) para lo cual utilizará como referencia
los puntos más cercanos entre clases conocidos como vectores de soporte [230].
Según Shawe-Taylor y Cristianini [231] y Auria y Moro [232], las SVM presentan las
siguientes ventajas: la implementación de kernels, ausencia de mínimos locales, la dis-
persión de la solución y la capacidad de control del modelo mediante la regularización
de parámetros como el parámetro de coste C y r en caso de kernels gaussianos, permi-
tiendo maximizar el margen. Como desventaja se puede tener la elección de la función
de kernel para un problema determinado, seguido de esto la elección apropiada de los
hiper-parámetros que permitan una mejor generalización del modelo.
En los trabajos desarrollados por Vakharia et al. [233] y Vinay et al. [234] han tomado
como referente las SVM para la etapa de clasificación siendo este uno de los mejores
clasificadores, comparados con redes neuronales artificiales. Por otra parte, Burges [230]
menciona que una de las principales fortalezas de las SVM es su entrenamiento, dado que
siempre busca el mínimo global, también destaca que la selección adecuada del kernel
permite mejorar el rendimiento del entrenamiento. El uso de las SVM y sus variantes
ha permitido mejorar el rendimiento de la detección de fallos en cajas de engranes
en comparación de las redes neuronales [235]. Según Xu y Li [236], y Lu et al. [237]
el amplio uso de este modelo se debe a su buena capacidad de generalización y a su
efectividad de implementación en el campo industrial.
40
2.5.1.. Clasificador KNN
K-vecinos más cercanos o KNN del inglés k-nearest neighbors, es un modelo de clasi-
ficación no-paramétrico el cual utiliza un conjunto de entrenamiento como base para
realizar la clasificación de nuevas muestras, pertenecientes al conjunto de prueba, apli-
cando el criterio del vecino más cercano. Este enfoque radica en encontrar k muestras
del conjunto de entrenamiento que estén más cerca de la nueva muestra de prueba, cuyo
etiquetado estará en función de las clases que predominen en el vecindario [238].
Dado un conjunto de entrenamiento D(x, y) (donde x representa la muestra e y repre-

senta su respectiva clase) y un ejemplo de prueba z = (x′ , y ′ ) , el algoritmo calcula la
distancia entre z y todas las muestras de entrenamiento (x, y) ∈ D, obteniendo de esta
forma una lista de vecinos más cercanos. La asignación de la clase para y ′ , correspon-
diente a la muestra de prueba x′ , se basará en una votación mayoritaria de las clases
de sus vecinos más cercanos:
∑
y ′ = argmax I(v = yi ) (6)
| {z }
v (xi,yi)∈D
Donde v es la etiqueta de la clase, yi es la etiqueta de la clase del i-th vecino más

cercano y I() es una función que regresa 1 si el argumento es verdadero y 0 si no lo es.
Uno de los puntos claves al utilizar KNN es la elección del valor k, si este es muy
pequeño el clasificador puede ser muy sensible a ruido, por otra parte, si es muy grande
puede agrupar muchas muestras vecinas pertenecientes a varias clases. Por lo cual una
forma de dar más robustez al clasificador ante la elección del valor de k, es utilizar un
enfoque más sofisticado para el etiquetado de las clases, el cual se basa en ponderar la
contribución de cada muestra vecina, en función de la distancia que exista respecto a la
muestra a clasificar, dando mayor peso a los vecinos más cercanos. Para esto se utiliza
un factor de ponderación que está en función del cuadrado inverso de su distancia:
1
Wi = ′
(7)
d(x , xi )2
De esta forma el algoritmo de KNN queda definido de la siguiente manera:
∑
y ′ = argmax Wi × I(v = yi ) (8)
| {z }
v (xi,yi)∈D
Otro punto clave al utilizar KNN es la selección de la métrica de distancia, generalmente

se utilizaba distancia euclidiana, aunque también se tiene otra métricas de similitud
como: cosine, Minkowsky1, Correlación, entre otras [239].
41
Este clasificador es muy dependiente del conjunto de entrenamiento, si bien no requiere
una etapa de aprendizaje como tal, ya que ésta se encuentra implícita en el conjunto
de entrenamiento, si se deberá tener en cuenta la selección previa de un buen conjunto
de muestras. También se deberá tener en cuenta el costo computacional para cuando se
utiliza conjuntos de entrenamiento grandes [240].
Wang [241] empleó KNN para clasificar de cinco diferentes niveles de agrietamiento de
engranajes bajo las cuatro velocidades diferentes de motor y tres cargas diferentes a
partir de 620 características estadísticas redundantes extraídas del paquete de wavelet
binario Daubechies 44. Lei y Zuo [242] propusieron un método de clasificación del nivel
de agrietamiento del engranaje basado en una selección de características de dos etapas
a través de la técnica de evalúa ción euclidiana de distancia y un clasificador KNN
ponderado.
La exactitud de clasificación de KNN en relación con clasificadores como redes neu-

ronales, en general es menor [243], [244], pero KNN es utilizado cuando se evalúa la
relevancia de los IC y no la fortaleza del clasificador. Por otra, parte Liu [245] reco-
mienda que se debe tener en cuenta el valor de k (número de vecinos) en función de la
aplicación a realizar, sobre todo si se trabaja en ambientes reales. Esto debido a que el
valor de k tiene influencia directamente con el rendimiento del clasificador.
2.5.2.. Métricas de evalúa ción de clasificadores
2.5.2.1.. Matriz de confusión.

Es una herramienta utilizada para visualizar el desempeño de los algoritmos supervi-
sado. Donde las filas de la Tabla 3 representan la clase pronosticada y las columnas
representan la clase actual o verdadera [246], siendo esta una matriz de confusión para
clasificación binaria. Donde tp y tn son las muestras positivas y negativas respectivamen-
te, que son clasificadas correctamente. Mientras, fp y fn denota las muestras positivas
y negativas mal clasificadas, respectivamente.
2.5.2.2.. Exactitud.
La exactitud mide el radio de predicciones correctas es decir permite evalúa r la habili-
dad de generalización de los clasificadores. Una vez el clasificador es entrenado, se utiliza
42
Tabla 3: Matriz de confusión de clasificación binaria
Clase actual positiva Clase actual negativa

Clase positiva predicha Verdaderos positivos (tp ) Falsos negativos (fn )
Clase negativa predicha Falsos positivos (fp ) Verdaderos negativos (tn )
la exactitud para su evalúa ción, la cual se refiere al total de las instancias (muestras)
predichas correctamente cuando se prueba con datos no vistos, conocido también como
conjunto de prueba [246]. La exactitud esta definida como:
tp + tn
(9)
tp + fp + tn + fn
2.5.2.3.. Exactitud promediada.

Cuando se trabaja con clasificación multi-clase se utiliza un promedio de la exactitud
de cada clase para obtener el total del clasificador [246]. Se define como:
tpi +tni
tpi +fni +fpi +tni
(10)
l
donde tpi son los verdaderos positivos para la clase Ci ; fpi son los verdaderos positivos
para Ci ; fni son los falsos positivos para Ci , teniendo en cuenta que Ci es la i-ésima
clase del conjunto de datos.
2.5.3.. Entrenamiento de clasificadores por validación cruzada de K interacciones
Validación cruzada de k interacciones (en inglés k-fold cross-validation) es un método

para la evalúa ción de un clasificador mediante el uso de la validación cruzada por k-
grupos. Donde un conjunto de datos, D, es dividido aleatoriamente en k sub-conjuntos
(D1 , D2 , , Dk ) aproximadamente iguales. Donde es entrenado en D/Dt y evalúa do con
Dt tal que t ∈ (1, 2, , k). Por lo cual el clasificador es entrenado y evalúa do k veces [247].
Para el cálculo de la exactitud aproximada, se deberá realizar un promedio de todos los
k resultados obtenidos, tanto para entrenamiento como para evalúa ción. Generalmente
se utiliza el enfoque por k-folds cuando el conjunto de datos es pequeño y no representa
un gran costo computacional.
43
2.6.. FUSIÓN DE DATOS
La fusión de datos se refiere a la combinación de datos de múltiples sensores sean del

mismo tipo o de tipos diferentes, y se puede definir como el uso de técnicas que combinan
datos de múltiples fuentes de forma que, usando la asociación de los datos se puedan
alcanzar inferencias, deducciones o discriminaciones de forma más fiable y adaptada a
la realidad de lo que se puede conseguir usando los datos de las diferentes fuentes de
forma aislada [81, 248, 249].
En el campo industrial, el personal de mantenimiento tiende a utilizar diversos tipos

de sensores para recoger las señales de MC de las máquinas. Al comparar estas señales
adquiridas con señales de condiciones normales de funcionamiento de la máquina, el
personal de mantenimiento puede evalúa r las condiciones de funcionamiento, además,
pueden ser capaces de identificar los fallos especiales basados en su conocimiento de la
firma del fallo. Sin embargo, esto es un trabajo complicado incluso para los expertos
debido a la diversidad de sensores que recogen la información. Adicionalmente, las
señales recogidas en entornos industriales son a menudo enmascaradas por el ruido
aleatorio por lo que no parecen estar en conformidad con la condición normal [62].
En los últimos años se han empleado numerosos sistemas inteligentes para la interpre-
tación correcta de los datos para ayudar a las tareas de diagnóstico y pronóstico. Sin
embargo, muchas investigaciones han demostrado que un sistema de decisión con una
única fuente de datos puede tener una capacidad limitada de clasificación o predicción,
lo cual puede no ser suficiente para una aplicación particular. Por lo tanto, la aplicación
de fusión de datos ha recibido mucho interés en los últimos años, y los investigado-
res han logrado éxitos considerables de este enfoque para resolver tareas complejas de
diagnóstico de fallos en cajas de engranajes [57, 250, 251, 176].
2.6.1.. Estructuras de la fusión de datos
Identificar la estructura de fusión de datos apropiada es un factor vital para asegurar

que el sistema realmente mejore las capacidades de monitoreo de la condición. Las arqui-
tecturas de fusión pueden clasificarse en tres niveles: nivel de datos, nivel de indicadores
de condición o características y nivel de decisión [249]. A continuación, se presenta una
44
breve explicación de las arquitecturas de fusión de datos con algunas aplicaciones para
cada una de ellas.
2.6.1.1.. Fusión de datos a nivel de señal.

En la Figura 3 se presenta la arquitectura de la fusión a nivel de señal, en donde, to-
dos los datos de la señal cruda de diferentes sensores se agrupan y se extrae un vector
de indicadores de condición o características para luego pasar a una etapa de recono-
ciendo de patrones por diferentes técnicas. La fusión de datos a este nivel contiene la
mayor cantidad de información y puede dar buenos resultados debido a que brinda re-
dundancia de los sensores. Sin embargo, los sensores utilizados en este nivel deben ser
sensores conmensurables, es decir, del mismo tipo por ejemplo: vibraciones y tempe-
ratura. Una limitación de esta fusión es al disponer de varios sensores para medir una
misma magnitud física.
Figura 3: Fusión a nivel de datos
2.6.1.2.. Fusión de datos a nivel de indicadores de condición.

Esta estructura se presenta en la Figura 4, en donde los indicadores de condición se
extraen de cada sensor de acuerdo con el tipo de datos de la señal cruda. A continua-
ción, los indicadores de estos sensores no conmensurables se normalizan y se fusionan
en la fase del nivel de características para formar un único vector de características,
mismo que será empleado en la fase de clasificación. Khazaee et al. [252] realizaron el
diagnóstico de una caja de engranajes adquiriendo señales acústicas y de vibración, de
las cuales extraen indicadores de condición en el domino tiempo-frecuencia mediante
45
la transformada Wavelet. Estos indicadores se fusionan para ingresar a un clasificador
de redes neuronales artificiales y se obtiene un 10 % más de exactitud en el diagnóstico
comparado con una clasificación que emplee los indicadores de condición de manera
independiente en el clasificador. Lei et al. [82] diagnosticaron una caja de engranajes
planetarios empleando tres señales de vibración provenientes de los tres ejes coordena-
dos para tres casos de fallos distintos; de las tres señales se extraen dos indicadores por
cada señal y los seis indicadores se fusionan e ingresan a un clasificador de inferencia
neurodifuso adaptativo en donde, la exactitud de clasificación para los tres casos es
mayor que si se hubiera empleado un solo sensor.
Figura 4: Fusión de datos a nivel de indicadores
2.6.1.3.. Fusión de datos a nivel de decisión.

Esta estructura se presenta en la Figura 5, en donde los procesos de extracción de
características y reconocimiento de patrones se aplican de manera individual para cada
sensor; posteriormente, los vectores de decisión generados de cada clasificador individual
se fusionan utilizando técnicas de fusión a nivel de decisión. Estas técnicas pueden ser:
votación, el método bayesiano, conocimiento del comportamiento espacio o la teoría de
Dempster-Shafer [62].
Cheng et al. [253] propusieron un método de diagnóstico de fallos de engranajes en

condiciones de ruido de la señal adquirida, como lo son las cajas de engranajes de los
helicópteros. Basado en la fusión de datos, el método combina las señales de tres ace-
lerómetros, extrae los indicadores de condición en el dominio del tiempo-frecuencia de
cada sensor, luego los indicadores ingresan a una red neuronal auto-organizada como
46
Figura 5: Fusión de datos a nivel de decisión
clasificador y como técnica de fusión de datos a nivel de decisión (teoría de pruebas

Dempster-Shafer). Los resultados demostraron que utilizando ya sea dos o tres aceleró-
metros se mejora el reconocimiento de las condiciones de fallo.
Dempsey et al. [254] realizaron el diagnóstico de una caja de engranajes para lo cual
emplean dos acelerómetros y un sensor de residuos de aceite, de los cuales extraen
los indicadores de condición que ingresan a tres clasificadores difusos; cada clasificador
entrega un resultado que a su vez pasa mediante la técnica de lógica difusa a nivel de
decisión entrega un resultado confiable. Por otra parte, Khazaee et al. [255] combinaron
señales de audio y vibraciones a nivel de fusión del clasificador y también lograron tener
una mayor exactitud en la clasificación.
47
3.. EXPERIMENTACIÓN
3.1.. DESCRIPCIÓN DEL FUNCIONAMIENTO DEL BANCO
La experimentación se desarrolló en el Laboratorio de Vibraciones de la Universidad

Politécnica Salesiana sede Cuenca, Ecuador, usando el banco mostrado en la Figura 6.
El movimiento es generado por un motor marca Siemens modelo 1LA7 096-6YA60, con
alimentación trifásica de 220 V CA, de 2 hp, 1200 rpm; mediante un acople flexible,
éste transmite el movimiento al eje de entrada de la caja de engranajes. En el eje de
salida de la caja de engranajes se ubica una polea que transmite, por medio de una
banda flexible, el movimiento al freno electromagnético Rosati de 8.83 kW que permite
simular carga. La caja de engranajes se puede configurar en una o dos etapas ya sea
para trabajar con engranajes rectos o helicoidales. También es posible combinar fallos
en engranajes y rodamientos de los ejes de la caja. La velocidad de giro del motor
es controlada mediante el variador de frecuencia Danfoss VLT 1.5 kW y la carga del
freno es controlada manualmente mediante la fuente de voltaje de corriente continua
TDK-Lambda, GEN 100-15-IS510. Para la adquisición de datos se emplearon cuatro
acelerómetros, dos sensores de emisión acústica, y la sonda de corriente tipo pinza.
Las señales se adquirieron por diferentes tarjetas (módulos) montados en un chasis NI
cDAQ-9188 de National Instruments a través de un computador portátil ASUS ROG
GL752VW-DH74, en el siguiente apartado se describe de manera detallada el sistema
de adquisición de datos.
48
Caja de Acelerómetro Control de
engranajes velocidad
Motor
DAQ
Banda
Fuente para
Acople
control de carga
Sonda de
Sensor de emisión correinte
acústica
Freno
magnético
Figura 6: Configuración del banco para pruebas con engranajes
3.2.. ADQUISICIÓN DE LAS SEÑALES DE MONITOREO DE LA CON-

DICIÓN
El esquema del sistema de adquisición de datos de las señales de corriente, vibración y

emisión acústica se presenta en la Figura 7. La señal de corriente (C1) que alimenta al
motor es sensada por el transductor de corriente modelo LEM HXS 20-NP/SP30, sus
características se presentan en la Tabla 4. la señal de corriente es adquirida a 25 kS/s
por la tarjeta NI cDAQ-9205 cuyas características se indican en la Tabla 5, Las señales
de vibración son sensadas por cuatro acelerómetros (A1, A2, A3, A4), modelo IPC
603C01 que van montados en la caja de engranajes; las características principales de
los acelerómetros se indican Tabla 6. Cada señal de los acelerómetros y de la corriente
es adquirida a 50 kS/s por las dos tarjetas NI cDAQ-9234 cuyas características se
indican en la Tabla 7. Las señales de emisión acústica son sensadas por dos sensores
de emisión acústica (EA1, EA2) modelo Physical acoustics WD que van montados en
la pared de la caja de engranajes, las características de estos sensores se presenta en la
Tabla 8; cada señal de emisión acústica ingresa al preamplificador MITRAS 0/2/4C, sus
49
características se presentan en la Tabla 9. Cada señal de EA es adquirida a 1 MS/s por
la tarjeta NI 9223 cuyas características se presentan en la Tabla 10. Las dos tarjetas NI
9234, y la NI 9223 se acoplan en el chasis NI cDAQ-9188 que envía los datos vía Ethernet
al computador portátil ASUS ROG GL752VW-DH74 que dispone de LabVIEWTM y
MatlabTM para la adquisición de las señales; las características del chasis NI cDAQ-9188
se indican en la Tabla 11.
Figura 7: Sistema de adquisición de señales de MC
Tabla 4: Características de la sonda de corriente tipo pinza
Marca y modelo LEM HXS 20-NP/SP30

Rangos de corriente ± 20 A
Vmax = 4.4 V
Señales de salida
Vmin = 0.6 V
Precisión básica para la corriente de entrada ± 0.025 V
de: 0 A a 10 A
Tipo de conector Tornillo
Fuente de alimentación 5 VCC
50
Tabla 5: Características de la tarjeta NI 9205
Máxima velocidad de muestreo Rango de muestreo acumulado de 250 kS/s con

32 entradas analógicas de una sola terminal y
16 diferenciales
Rango de Voltaje Máximo -10 V - 10 V
Rango de Voltaje Mínimo -0.2 V - 0.2 V
Resolución de Entrada Analógica 16 bits
Tabla 6: Características del acelerómetro
Marca y modelo ICP - 603C01

Sensibilidad (± 10 %) 100 mV/g
Rango de medición ±50 g
Rango de frecuencia (± 5dB) 0.5 a 10000 Hz
Frecuencia de resonancia 25kHz
Resolución de ancho de banda (1 a 10000 350 µg
Hz)
Conector 2-Pin MIL-C-5015
Máxima velocidad de muestreo 51.2 kS/s por canal

Rango de voltaje máximo ±5 V
Número de canales 4
Resolución 24 bits; rango dinámico de 102 dB; filtros anti-
aliasing
Muestreo simultaneo Si
Acondicionamiento de señales IEPE seleccionable por software (0 ó 2 mA)
Acoplamiento de AC/DC Seleccionable por software; acoplado en AC
(0.5 Hz)
Direccionalidad 120 dB
51
Tabla 8: Características del sensor de EA
Marca y modelo Physical acoustic WD - 100-900 kHz

Rango de frecuencia de operación 125-1000 kHz
Sensibilidad máxima, Ref V/(m/s) 56 dB
Sensibilidad máxima, Ref V/µbar -61 dB
Frecuencia de resonancia, Ref V/(m/s) 125 kHz
Frecuencia de resonancia, Ref V/µbar) 450 kHz
Direccionalidad ±1,5dB
Conector BNC
Tabla 9: Características del preamplificador MITRAS
Marca y modelo Mitras 0/2/4

Ganancia 0/20/40 dB + 0.5 %dB
Rango de amplitud dinámica >90dB Estándar
Fuente externa 18-28 VDC
Corriente operacional 30 mA (con AST instalado)
28 mA (sin AST instalado)
Conector BNC
Capacidad 1 MS/s de velocidad de muestreo por canal

Número de canales 4
Rango de medida ±10V
Resolución 16 bits
Muestreo simultaneo Si
Conector BNC
Tabla 11: Características del chasis NI 9188
Capacidad Hasta 256 canales

Número de ranuras 8
Disparo integrado Si
Potencia Total Disponible 15 W
Rango de Entrada de Voltaje 9 V - 30 V
52
3.3.. CONFIGURACIÓN DE LA EXPERIMENTACIÓN
3.3.1.. Configuración del banco para pruebas con engranajes
La caja de engranajes es configurable para desarrollar pruebas en una o dos etapas

como se presenta en la Figura 8. Se pueden montar engranajes rectos o helicoidales,
también se pueden simular fallos de excentricidad en el eje del engranaje Z2, o fallo en
el rodamiento del mismo eje.
a) b)
Figura 8:
Configuración de la caja de en engranajes. a) Configuración en dos etapas Z1/Z2 y
Z3/Z4. b) Configuración para una etapa Z1 y Z2
Las características de los engranajes se detallan en la Tabla 12. El espesor de los dientes
es 20 mm construidos de material SAE/AISI 4140, módulo 2.25 con ángulo de presión
θ = 20◦ y un ángulo de hélice ψ = 20◦ para el caso de los engranajes helicoidales. Para
las pruebas se emplearon engranajes nuevos construidos del mismo lote de material.
3.3.2.. Configuración de los parámetros del banco
Para realizar la experimentación se deben controlar varios parámetros para que las
pruebas puedan ser realizadas en los mismos escenarios. A continuación, se describen
los diversos parámetros que se pueden regular.
53
Tabla 12: Características de los engranajes
Número de dientes Número de dientes engranajes

Posición del engranaje
engranajes rectos engranajes helicoidales
Engranaje (Z1) 32 30
1. Velocidad de rotación del motor, se puede regular con el variador de frecuencia y

es configurable para velocidad constante o variable.
2. Carga a la caja de engranajes, se aplica con el freno electromagnético Rosati de
8.83 kW la carga es controlada manualmente mediante la fuente de voltaje de
corriente continua TDK-Lambda, GEN 100-15-IS510 y se puede variar la carga de
0 hasta 2 hp.
3. Para la lubricación se utilizó el método de lubricación por salpicadura, para todas
las pruebas se mantendrá el 35 % nivel de la altura del depósito que asegura la
lubricación de los rodamientos y los engranajes, se utilizó el aceite Gulf EP Lubri-
cant HD 220, todas las pruebas se realizaran en un rango de temperatura de 30 a
40 ◦ C.
4. La configuración se la puede realizar para pruebas en engranajes rectos o helicoi-
dales en una o dos etapas.
5. Los fallos en los engranajes se generarán artificialmente; los fallos de picadura,
agrietamiento y gripado se generarán por medio de electroerosión y el fallo de
rotura de diente por medio de fresado, los detalles constructivos de los fallos se
indican en cada plan experimental.
Para que los fallos generados artificialmente sean equiparables a los reales, se realizó
estudios detallados de cada tipo de fallos mediante la dirección de tres trabajos de
pregrado de la Carrera de Ingeniería Mecánica de la Universidad Politécnica Salesiana,
sede Cuenca, Ecuador; el primer trabajo desarrollado por Ortiz y Pérez [58], que consin-
tió en adquisición de señales vibracionales y emisiones acústicas combinando fallos en
maquinaria rotativa y la elaboración de guías de prácticas sobre detección de fallos en
engranajes por medio de emisiones acústicas; el segundo desarrollado por Pacheco [59],
que adquirió señales de vibración y emisión acústica para el diagnóstico de severidad
de fallos en maquinaria rotativa; el tercero trabajo desarrollado por Chingal [60], que
54
realizó la adquisición de señales de corriente del motor de inducción combinando fallos
en la maquinaria rotativa y desarrollo una guía de práctica sobre detección de fallos
por medio del AFCM.
3.4.. PLANES EXPERIMENTALES
Con el fin de detallar las condiciones específicas de las pruebas que se desarrollaron en
el laboratorio se presenta a continuación dos planes experimentales.
3.5.. PLAN EXPERIMENTAL UNO
3.5.1.. Descripción de la configuración
En el experimento uno se simuló la condición normal y ocho niveles de severidad de

los siguientes fallos: agrietamiento, gripado, picadura y rotura de diente, cada tipo de
fallo representa una base de datos. En la Figura 9, se presenta la configuración del
experimento para la caja de engranajes rectos de una etapa que es accionada por motor
trifásico Siemens 1LA7 096-6YA60, y se simula la carga en la caja por el freno, también
se presenta la localización de los diferentes sensores; las características de los sensores
se describen en la Tabla 13, las características de la caja de engranajes se describen en
la Tabla 14.
55
Figura 9: Configuración de la caja de engranes para el plan experimental uno
Tabla 13: Datos de sensores
Designación del Sensor Marca y Frecuencia

sensor Posición modelo de muestreo
Acelerómetro 1
A1 IPC 603C01 50 kS/s
Vertical
Acelerómetro 2
A2 IPC 603C01 50 kS/s
Vertical
Acelerómetro 3
A3 IPC 603C01 50 kS/s
Vertical
Acelerómetro 4
A4 IPC 603C01 50 kS/s
Vertical
Sensor de emisión acústica 1 Physical acoustic
EA1 1 MS/s
Fijado en la pared lateral WD - 100-900 kHz
EA2 1 MS/s
Sensor de Corriente
C1 LEM HXS 20-NP/SP30 25 kS/s
Montado en los cables de alimen-
tación del motor
56
Tabla 14: Especificaciones de los engranajes
Tipo de engranajes Rectos

Número de etapas 1
Material Steel E410
Módulo 2.25
Número de dientes Z1/Z2 32/48
Lubricación Gulf EP Lubricant HD 220
3.5.2.. Bases de datos plan experimental uno
3.5.2.1.. Fallos simulados para severidad.

Para determinar los niveles de severidad, geometría y la forma constructiva de cada fallo
se basó en los trabajos desarrollados por Ortiz y Pérez [58], Pacheco [59], y Chingal [60],
donde se establece un estudio de cada fallo y se determina la severidad de cada fallo.
El fallo en el plan experimental uno puede localizarse en el engranaje Z1 o Z2, cada
ubicación de los engranajes con fallo o estado normal se denomina clase o condición (P),
en las siguientes tablas se presenta la ubicación y los detalles constructivos de los fallos
en Z1 y Z2 para los fallos de: agrietamiento, Tabla 15; picadura, Tabla 16; gripado,
Tabla 17 y rotura Tabla 18; cada fallo tiene la condición normal P1 y los ocho niveles
de severidad P2 a P9. La nomenclatura para los fallos y su severidad es (Z#_#_L),
donde: los dos primeros términos (Z#), corresponden al engranaje que puede ser Z1,
Z2, Z3 o Z4; el segundo término (#), corresponde al tipo de fallo, rotura de diente
(_B), gripado (_S), picadura (_P ), y agrietamiento (_C); el tercer término (_L)
corresponde a los ocho niveles de severidad y va de 1 a 8.
57
Tabla 15: Localización y descripción de fallo de agrietamiento
Clase o Descripción geométrica

Z1 Z2 Esquema
condición del fallo
P1 Normal - – -
Profundidad: 1 mm
P2 Z1_C_1 Normal Ancho: 1 mm
Largo: 4 mm
Profundidad: 1 mm
Largo: 8 mm
Profundidad: 1 mm
Largo: 10 mm
Profundidad: 1 mm
Largo: 12 mm
Profundidad: 1 mm
Largo: 16 mm
Profundidad: 1 mm
Largo: 20 mm
Profundidad: 2 mm
Ancho: 1.5 mm
P8 Z1_C_7 Normal
Largo: 22 mm
ángulo 45 °
Profundidad: 4 mm
Ancho: 1.5 mm
P9 Z1_C_8 Normal
Largo: 22 mm
ángulo de 45 °
58
Tabla 16: Localización y descripción de fallo de picadura

Z1 Z2 Esquema
P1 Normal - – -
Número de dientes con picadura: 6
Número de agujeros: 2
P2 Z1_P_1 Normal
Diámetro: 1 mm
Profundidad: 1 mm
P3 Z1_P_2 Normal
Diámetro: 1.5 mm
Profundidad: 1.5 mm
P4 Z1_P_3 Normal
Diámetro: 1.5 mm
Profundidad: 1.5 mm
P5 Z1_P_4 Normal
Diámetro: 2 mm
Profundidad: 2 mm
P6 Z1_P_5 Normal
Diámetro: 2 mm
Profundidad: 2 mm
P7 Z1_P_6 Normal
Diámetro: 2.5 mm
Profundidad: 2.5 mm
P8 Z1_P_7 Normal
Diámetro: 2.5 mm
Profundidad: 2.5 mm
P9 Z1_P_8 Normal
Diámetro irregular
Profundidad irregular: 2.5 mm
59
Tabla 17: Localización y descripción de fallo de gripado

Z1 Z2 Esquema
P1 Normal - – -
Profundidad: 0.25 mm
P2 Normal Z2_S_1 Ancho: 1 mm
Largo: 12 mm
Profundidad: 0.5 mm
Largo: 12 mm
Profundidad: 0.5 mm
Largo: 16 mm
Profundidad: 0.5 mm
Largo: 22 mm
Largo: 22 mm
Profundidad: 0.5 mm
Largo: 22 mm
Profundidad: 1 mm
Largo: 22 mm
Profundidad: 2 mm
Largo: 22 mm
60
Tabla 18: Localización y descripción de fallo de rotura

Z1 Z2 Esquema
P1 Normal - – -
P2 Z1_B_1 Normal Rotura del diente: 12.5 %
P3 Z1_B_2 Normal Rotura del diente: 25 %
3.5.2.2.. Bases de datos adquiridas plan experimental uno En la Tabla 19 se presen-

tan las condiciones de carga, velocidad, número de repeticiones para cada clase; cada
clase P se adquirió a: tres velocidades constantes del motor 180 rpm (F1), 720 rpm
(F2) y 960 rpm (F3); a tres cargas constantes 0 N m (L1), 1.44 N m (L2), y 3.84 N m
(L3); y se repitió quince veces cada prueba (R1...R15), por lo que cada clase P tiene
135 ejemplos; como cada fallo tiene nueve clases (P1 a P9), cada base de datos por
cada fallo tiene 1215 ejemplos, las pruebas se adquirieron por 10 segundos para todas
las señales.
61
Tabla 19: Condiciones de carga velocidad y repeticiones
Repeticiones Frecuencia de Carga Clase

rotación
R1 F1 L1 P1
R2 F2 L2 P2
R3 F3 L3 P3
R4 P4
R5 P5
R6 P6
R7 P7
R8 P8
R9 P9
R10
R10
R11
R12
R13
R14
R15
En la Tabla 20, se presenta un resumen de las bases de datos a adquiridas, son cuatro
bases de datos para severidad en cuatro tipos de fallos: base de datos de agrietamiento
(DB_C), picadura (DB_P), rotura (DB_B) y gripado (DB_S); cada base tiene nueve
clases y 1215 ejemplos.
Tabla 20: Bases de datos
Nombre de la base de Tipo de fallo Número de Número de

datos (DB) clases ejemplos
DB_C Agrietamiento 9 1215
DB_P Picadura 9 1215
DB_B Rotura 9 1215
DB_S Gripado 9 1215
Cada ejemplo de cada base de datos tiene: cuatro señales de aceleración (A1, A2, A3,
A4), dos señales de emisión acústica (EA1, EA2), y una de corriente (C1), por lo que,
cada ejemplo está constituido por siete señales en el dominio del tiempo. Por lo tanto,
las cuatro bases de datos (DB_C, DB_P, DB_B, DB_S) se pueden separar por tipo de
62
señal y sensor. Por ejemplo, la base de datos de agrietamiento DB_C, se puede separar
en siete subconjuntos de datos; cuatro subconjuntos por las señales de vibración de los
cuatro acelerómetros (A1, A2, A3, A4) las base de datos se denominarán DB_C _ A1,
DB_C_ A2, DB_C_A3, y DB_C_A4; dos subconjuntos de señales de los sensores
de emisión acústica (EA1, EA2) las bases de datos se denominarán DB_C_EA1, y
DB_C_EA2; un subconjunto de señal del sensor de corriente (C1) la base de datos
se denominará DB_C_C1; esto por cada tipo de fallo. En la Tabla 21 se presenta un
resumen de todos los subconjuntos de datos para cada tipo de fallo, señal y sensor.
Tabla 21: Subconjuntos de las bases de datos del plan experimental uno
Subconjuntos de la base de Subconjuntos de la base de Subconjuntos de la base de Subconjuntos de la base de Señales de

datos del fallo de agrieta- datos del fallo de picadura, datos del fallo de rotura, datos del fallo de gripado, muestras
miento, por tipo de señal y por tipo de señal y sensor por tipo de señal y sensor por tipo de señal y sensor
sensor
DB_C_A1 DB_P_A1 DB_B_A1 DB_S_A1 1215
DB_C_EA1 DB_P_EA1 DB_B_EA1 DB_S_EA1 1215
DB_C_EA2 DB_P_EA2 DB_B_EA2 DB_S_EA2 1215
DB_C_C1 DB_P_C1 DB_B_C1 DB_S_C1 1215
3.6.. PLAN EXPERIMENTAL DOS
3.6.1.. Descripción de la configuración
En el experimento dos, se simularon treinta y un condiciones: la condición normal y

treinta condiciones de la caja de engranajes de dos etapas que combinaran fallos en
engranajes rectos, helicoidales, fallo en el rodamiento, y desalineación del eje. En la
Figura 10, se presenta la configuración de la experimentación para la caja de engranajes
que es accionada por motor trifásico Siemens 1LA7 096-6YA60 2 hp y se simula una
carga por medio del freno, también se presenta la localización de los diferentes sensores;
las características de los sensores se describen en la Tabla 22, las características de
la caja de engranajes en la Tabla 23, el rodamiento que se emplea en los ejes de los
engranajes es el 6005 Z2C3.
63
Figura 10: Configuración de la caja de engranajes para el plan experimental dos
64
Tabla 22: Datos de sensores plan experimental dos
Designación del Sensor Marca y Frecuencia

sensor Posición modelo de muestreo
Acelerómetro 1
A1 IPC 603C01 50 kS/s
Vertical
Acelerómetro 2
A2 IPC 603C01 50 kS/s
Vertical
Acelerómetro 3
A3 IPC 603C01 50 kS/s
Vertical
Acelerómetro 4
A4 IPC 603C01 50 kS/s
Vertical
EA1 1 MS/s
EA2 1 MS/s
Sensor de Corriente
C1 Fluke 80i-110s 50 kS/s
Pinza montada en los cables del motor
Tabla 23: Características de los engranajes plan experimental dos
Posición del Número de dientes Número de dientes

engranaje engranajes rectos engranajes helicoidales
Módulo 2.25 2.25
Ángulo de presión 20◦ 20◦
Ángulo de hélice - 20◦
3.6.2.. Bases de datos plan experimental dos
3.6.2.1.. Fallos y multifallos simulados.

Para determinar los niveles de severidad, geometría y la forma constructiva de cada
fallo y la combinación de los fallos para lograr simular la condición multifallos en la
caja de engranajes se basó en el trabajo desarrollado por Ortiz y Pérez [58], a partir
del cual se desarrolló el plan experimental dos. Por otra parte, el plan experimental
65
uno estudia los fallos por separados y tiene nueve condiciones por cada fallo, mientras
que el plan experimental dos tiene 31 condiciones y simula fallos y multifallos en la
caja de engranajes. El fallo puede localizarse en el engranaje Z1, Z2, Z3, o Z4, tanto
del engranaje recto como del helicoidal, cada ubicación de los engranajes con fallo o
estado normal se denomina clase o condición (P). En la Tabla 24 se presentan las 31
condiciones configuradas en donde se combinan fallos en engranajes rectos, helicoidales,
fallo en el rodamiento del eje Z2, y desalineación del eje Z2. La descripción de los fallos
en engranajes rectos se describe en la Tabla 25 y de los engranajes helicoidales en la
Tabla 26. En la Tabla 27, aparece la nomenclatura (B1) y (B2) que corresponden dos
fallos severos en la bola del rodamiento que mueve al eje del engranaje Z2; la denotación
(M) corresponde al fallo de desalineación del eje de engranaje Z2.
66
Tabla 24: Localización de los fallos en la configuración de la caja de engranajes
Clase o Z1 Z2 Z3 Z4
condición Recto Helicoidal Recto Helicoidal Recto Helicoidal Recto Helicoidal
P1 Normal (N) - N - - N - N
P2 Z1_B_8 - N - - N - N
P3 Z1_C_8 - N - - N - N
P4 Z1_P_8 - N - - N - N
P5 N - N(M) - - N - N
P6 N - Z2_P_8 - - N - N
P7 Z1_C_8 - N (B1) - - N - N
P8 Z1_P_8 - N (B2) - - N - N
P9 N - Z2_P_8 (M) - - N - N
P10 - N - N N - N -
P11 - Z1_B_10 - N N - N -
P12 - N - Z2_S_3 N - N -
P13 - N - Z2_S_5 N - N -
P14 - N - Z2_P_1 N - N -
P15 - N - N N - N -
P16 - N - N Z3_S_5 - N -
P17 - N - N N - Z4_C_8 -
P18 N - N - - N - N
P19 N - N - - Z3_P_1 - N
P20 N - N - - N - Z4_S_4
P21 Z1_B_8 - N - - Z3_P_1 - N
P22 Z1_C_8 - N - - N - Z4_S_4
P23 Z1_P_8 - N - Z3_C_5 - N -
P24 N - Z2_S_8 - N - Z4_C_8 -
P25 - Z1_B_10 - N - Z3_P_1 - N
P26 - N - Z2_S_3 - N - Z4_S_4
P27 - N - Z2_S_5 Z3_C_5 - N -
P28 - N - Z2_P_1 N - Z4_C_8 -
P29 Z1_B_8 - Z2_S_8 - Z3_C_5 - Z4_C_8 -
P30 N - N (B2) - - N - N
P31 - N - N(M) N - N -
67
Tabla 25: Descripción de los fallos en engranajes rectos
Localización Descripción
en la caja de Código Tipo de fallo geométrica Esquema
engranajes del fallo
Z1 Z1_B_8 Rotura de diente Rotura de diente 100 %
Profundidad: 4 mm
Ancho: 1.5 mm
Z1 Z1_C_8 Agrietamiento
Largo: 22 mm
Ángulo 45 °
Número de dientes con picadu-
ra: 6
Z1 Z1_P_8 Picadura
Número de agujeros:
Diámetro irregular
Profundidad irregular : 2.5 mm
Profundidad: 2 mm
Z2 Z2_S_8 Gripado Ancho: 1 mm
Largo: 22 mm
Profundidad: 0.7 mm
Z3 Z3_C_5 Agrietamiento Ancho: 0.7 mm
Largo: 22 mm
Profundidad: 4 mm
Ancho: 1 mm
Z4 Z4_C_8 Agrietamiento
Largo: 22 mm
Ángulo 45 °
68
Tabla 26: Descripción de los fallos en engranajes helicoidales
Localización Descripción
en la caja de Código Tipo de fallo geométrica Esquema
engranajes del fallo
Z1 Z1_B_10 Rotura de diente Rotura de diente 100 %
Profundidad: 0.4 mm
Z1 Z2_S_3 Gripado Ancho: 1.2 mm
Largo: 22 mm

ra: 18
Z1 Z2_P_1 Picadura
Diámetro: 0.8 mm
Largo: 10 mm

ra: 18
Z3 Z2_P_1 Picadura
Diámetro: 0.8 mm
Profudidad: 0.75 mm
Largo: 22 mm
3.6.2.2.. Bases de datos adquiridas plan experimental dos.

En la Tabla 27, se presentan las condiciones de carga, velocidad, número de repeticiones
para cada clase; cada clase P se adquirió: a tres velocidades constantes del motor a 180
rpm (F1), 720 rpm (F2) y 960 rpm (F3); a tres cargas constantes 0 N m (L1), 1.44 N m
(L2), y 3.84 N m (L3);; y se repitió diez veces cada prueba (R1 ... R10), por lo que cada
clase P obtuvo 90 ejemplos; son 31 clases de P1 a P31, la base de datos tendrá 2790
69
ejemplos, cada prueba se adquirió por 10 segundos para todas las señales presentadas
en la Tabla 22. Esta base de datos se denomina DB_5.
Tabla 27: Condiciones de carga velocidad y repeticiones
Repeticiones Frecuencia Carga Clase

de rotación
R1 F1 L1 P1
R2 F2 L2 P2
R3 F3 L3 P3
R4 P4
R5 P5
R6 P6
R7 P7
R8 P8
R9 P9
R10 P10
..
.
P31
Cada ejemplo de la base de datos tiene: cuatro señales de aceleración (A1, A2, A3, A4),
dos señales de emisión acústica (EA1, EA2), y una de corriente (C1), por lo que, cada
ejemplo está constituido por siete señales de los diferentes sensores. Por lo tanto, la base
de datos DB_5 se puede separar por tipo de señal y sensor. La base de datos DB_5 se
puede separar en siete subconjuntos de datos: cuatro subconjuntos por las señales de
vibración de los cuatro acelerómetros (A1, A2, A3, A4) las bases de datos se denominan
DB_5 _ A1, DB_5 _A2, DB_5 _A3, y DB_5 _A4; dos subconjuntos de señales de los
sensores de emisión acústica (EA1, EA2) se denominan DB_5_EA1, y DB_5_EA2; y
un subconjunto de señal del sensor de corriente (C1) la base de denomina DB_5_C1.
Por lo que la DB_5 tiene siete subconjuntos y cada subconjunto tiene 2790 muestras
de cada señal.
70
4.. IMPLEMENTACIÓN Y EVALÚA CIÓN DE LOS SISTEMAS DE
DIAGNÓSTICO DE FALLOS EN CAJAS DE ENGRANAJES
4.1.. DESCRIPCIÓN DE LOS SISTEMAS DE DIAGNÓSTICO
El proceso de diagnóstico de fallos de las cajas de engranajes tiene por lo general cinco
etapas que se presentan en la Figura 11. Para el presente trabajo se han implementado
y evalúa do dos sistemas de diagnóstico: en el sistema de diagnóstico uno (SD1) se
establece una metodología para el ranqueo de indicadores de condición en el dominio
del tiempo y de la frecuencia, a partir de señales de monitoreo de la condición para la
clasificación de fallos en engranajes rectos mediante la utilización de kNN en la etapa
de clasificación. En el sistema de diagnóstico dos (SD2), se implementa un sistema de
diagnóstico de fallos para engranajes mediante el enfoque de fusión de datos de las se-
ñales de monitoreo de condición a nivel de indicadores empleando kNN en la etapa de
clasificación. Para evalúa r los dos sistemas de diagnóstico implementados se emplean
las cinco bases de datos descritas en el capítulo de experimentación. Los sistemas de
diagnóstico propuestos mantienen las etapas uno y dos; etapa uno adquisición y acon-
dicionamiento de la señal, y etapa dos, extracción de los indicadores de condición de la
señal monitoreada. Las demás etapas tienen variaciones que se explican en cada sistema
de diagnóstico. A continuación, se presentan las etapas uno y dos.
Figura 11: Esquema del proceso de diagnóstico de fallos basado en datos para el MBC.
71
4.2.. ADQUISICIÓN Y ACONDICIONAMIENTO DE LA SEÑAL
En el capítulo de experimentación se presentó en detalle el proceso de adquisición y

acondicionamiento de las señales de condición monitoreadas. En la Figura 12 se presenta
un esquema de las bases de datos adquiridas mediante los dos planes experimentales.
4 señales de aceleración
Base de datos del fallo de rotura del
2 señales de emisión acústica
diente (DB_B)
1 señal de corriente
Adquisición y acondicionamiento de la señal
Base de datos del fallo de gripado
del diente (DB_S)
Plan experimental 1 señal de corriente
uno, severidad de fallos
en engranajes 4 señales de aceleración
Bases datos del fallo de picadura del
diente (DB_P)
Base de datos del fallo de 4 señales de aceleración

agrietamiento del diente 2 señales de emisión acústica
(DB_C) 1 señal de corriente
Plan experimental Base de datos de 31 condiciones
dos, multifallos (DB_5)
Figura 12: Esquema de las bases de datos adquiridas
En la Figura 13 se presenta un ejemplo de las siete señales adquiridas. Cada una de

las cinco bases de datos adquiridas, a saber, DB_C, DB_P, DB_B, DB_S, DB_5
mediante los planes experimentales uno y dos, tienen siete subconjuntos de datos: cuatro
subconjuntos de datos por las cuatro señales de los sensores de aceleración (A1, A2, A3
y A4) para medir vibraciones, dos subconjuntos por las señales de sensores de emisión
acústica (EA1 y EA2), y un subconjunto de señal de corriente del sensor (C1). Estos
subconjuntos se detallan en la Tabla 28.
72
Figura 13: Ejemplo de las señales adquiridas por siete sensores
4.3.. EXTRACCIÓN DE LOS INDICADORES DE CONDICIÓN DE LAS

SEÑALES MONITOREADAS
En la Figura 14 se presenta el proceso de extracción de los indicadores de condición

en el dominio del tiempo, y de la frecuencia. Para extraer los 64 indicadores en el
dominio del tiempo (Wt), las señales adquiridas se procesaron mediante las ecuaciones
de la Tabla 1, presentada en el capítulo 2; dado que se adquirieron tres señales, se
obtuvieron indicadores de condición de vibración (Wt_A), emisión acústica (Wt_EA),
y corriente (Wt_C). Para la extracción de los indicadores en el dominio de la frecuencia,
a cada señal adquirida se le aplica la transformada rápida de Fourier, a partir de la
transformación se procede a calcular los 24 indicadores en el dominio de la frecuencia
(Wf) mediante las ecuaciones de la Tabla 2, presentada en el capítulo 2. Para el cálculo
de los indicadores se utilizaron los espectros y potencias de señales hasta los 3000 Hz; de
las tres señales adquiridas, se obtienen indicadores de condición de vibración (Wf_A),
emisión acústica (Wf_AE), y corriente (Wf‘_C). Para el procesamiento de las señales
se empleó M atlabT M 2017b. Un ejemplo de las siete señales procesadas en el dominio de
la frecuencia se presenta en la Figura 15.
73
Tabla 28: Subconjuntos de las bases de datos por tipo de señal y sensor
Subconjuntos de la Subconjuntos de Subconjuntos de la Subconjuntos de la Subconjuntos de la

base de datos del fallo la base de datos base de datos del base de datos del base de datos de 31
de agrietamiento del fallo de fallo de rotura fallo de gripado condiciones
(DB_C) picadura (DB_P) (DB_B) (DB_S) (DB_5)
DB_C_A1 DB_P_A1 DB_B_A1 DB_S_A1 DB_5_A1
DB_C_A2 DB_C_A2 DB_B_A2 DB_S_A2 DB_5_A2
DB_C_EA1 DB_C_EA1 DB_B_EA1 DB_S_EA1 DB_5_EA1
DB_C_EA2 DB_C_EA2 DB_B_EA2 DB_S_EA2 DB_5_EA2
DB_C_C1 DB_C_C1 DB_B_C1 DB_S_C1 DB_5_C1
Figura 14: Proceso de extracción de indicadores de condición
El proceso descrito en la Figura 14 se aplicó a los siete subconjuntos de las señales

monitoreadas de cada uno de los subconjuntos de las bases de datos presentadas en la
Tabla 28, a partir de lo cual se obtienen los indicadores de condición en el dominio del
tiempo (Wt) Tabla 29, y los indicadores de condición en el dominio de la frecuencia (Wf)
Tabla 30, y se puede agrupar los indicadores del dominio del tiempo y de la frecuencia
(WtWf) Tabla 31.
74
Figura 15: Ejemplo de las señales de los sensores procesadas en el dominio de la
frecuencia
Tabla 29: Indicadores en el dominio de tiempo (Wt) de las bases de datos por tipo de
señal y sensor
Subconjunto de Subconjunto de
Subconjunto de Subconjunto de Subconjunto de
indicadores de indicadores de
indicadores de indicadores de indicadores de
condición de la base condición de la base
condición de la base condición de la base condición de la base
de datos del fallo de de datos del fallo de
de datos del fallo de de datos del fallo de de datos del fallo de
agrietamiento 31 condiciones
picadura (DB_P) rotura (DB_B) gripado (DB_S)
(DB_C) (DB_5)
Wt_DB_C_A1 Wt_DB_P_A1 Wt_DB_B_A1 Wt_DB_S_A1 Wt_DB_5_A1
Wt_DB_C_A2 Wt_DB_C_A2 Wt_DB_B_A2 Wt_DB_S_A2 Wt_DB_5_A2
Wt_DB_C_EA1 Wt_DB_C_EA1 Wt_DB_B_EA1 Wt_DB_S_EA1 Wt_DB_5_EA1
Wt_DB_C_EA2 Wt_DB_C_EA2 Wt_DB_B_EA2 Wt_DB_S_EA2 Wt_DB_5_EA2
Wt_DB_C_C1 Wt_DB_C_C1 Wt_DB_B_C1 Wt_DB_S_C1 Wt_DB_5_C1
75
Tabla 30: Indicadores en el dominio de la frecuencia (Wf) de las bases de datos por
tipo de señal y sensor
(DB_C) (DB_5)
Wf_DB_C_A1 Wf_DB_P_A1 Wf_DB_B_A1 Wf_DB_S_A1 Wf_DB_5_A1
Wf_DB_C_A2 Wf_DB_C_A2 Wf_DB_B_A2 Wf_DB_S_A2 Wf_DB_5_A2
Wf_DB_C_EA1 Wf_DB_C_EA1 Wf_DB_B_EA1 Wf_DB_S_EA1 Wf_DB_5_EA1
Wf_DB_C_EA2 Wf_DB_C_EA2 Wf_DB_B_EA2 Wf_DB_S_EA2 Wf_DB_5_EA2
Wf_DB_C_C1 Wf_DB_C_C1 Wf_DB_B_C1 Wf_DB_S_C1 Wf_DB_5_C1
Tabla 31: Indicadores extraídos en el dominio del tiempo y de la frecuencia (WtWf)

de las bases de datos por tipo de señal y sensor
(DB_C) (DB_5)
WtWf_DB_C_A1 WtWf_DB_P_A1 WtWf_DB_B_A1 WtWf_DB_S_A1 WtWf_DB_5_A1
WtWf_DB_C_A2 WtWf_DB_C_A2 WtWf_DB_B_A2 WtWf_DB_S_A2 WtWf_DB_5_A2
WtWf_DB_C_EA1 WtWf_DB_C_EA1 WtWf_DB_B_EA1 WtWf_DB_S_AE1 WtWf_DB_5_EA1
WtWf_DB_C_EA2 WtWf_DB_C_EA2 WtWf_DB_B_EA2 WtWf_DB_S_AE2 WtWf_DB_5_EA2
WtWf_DB_C_C1 WtWf_DB_C_C1 WtWf_DB_B_C1 WtWf_DB_S_C1 WtWf_DB_5_C1
76
4.4.. SISTEMA DE DIAGNÓSTICO UNO (SD1)
En el SD1 se implementó un proceso metodológico de ranqueo de los indicadores de

condición para clasificación de fallos en cajas de engranajes. Para la evalúa ción del
proceso metodológico propuesto se utilizaron cinco bases de datos adquiridas explicadas
en el capítulo de experimentación.
En la Figura 16 se presenta el proceso metodológico del ranqueo de los indicadores de

condición para clasificación de fallos. El proceso tiene siete etapas que se describen a
continuación.
Etapa uno: se adquieren y almacenan las señales de monitoreo de la condición.

Esta etapa se explicó en la sección 4.2.; para evalúa r el SD1 se emplearon las cinco
bases de datos y los siete subconjuntos de cada base de datos por tipo de señal y
sensor presentados en la Tabla 28.
Etapa dos: extracción de indicadores, se presentó en la sección 4.3.; se realiza
la extracción de 64 indicadores en el dominio del tiempo, y 24 indicadores en el
dominio de la frecuencia de cada una de las bases de datos por tipo de señal y
sensor; en la Tabla 29 se presenta los subconjuntos de indicadores en el dominio
del tiempo (Wt), en la Tabla 30 los subconjuntos de indicadores en el dominio de
la frecuencia (Wf), y en la Tabla 31 los subconjuntos de indicadores del dominio
del tiempo y de la frecuencia (WtWf).
Etapa tres: obtención de vector de indicadores, a partir de los subconjuntos de
indicadores obtenidos en la Etapa dos, por tipo de señal y sensor se procede a
normalizar entre cero y uno, a cada uno de los valores de los datos en cada sub-
conjunto. A cada subconjunto de datos se le extraen siete vectores en el dominio
del tiempo, siete vectores en el dominio de la frecuencia, y siete vectores combi-
nando los indicadores del dominio del tiempo y de la frecuencia; en total veintiuno
vectores de indicadores por cada base de datos, a estos vectores se los denomina
“vectores originales de indicadores (VOI)”.
Etapa cuatro: selección de indicadores, a cada uno de los VOI se le aplica un análi-
sis de correlación lineal sobre el 95 % entre los indicadores agrupados, para eliminar
los atributos redundantes y posteriormente se aplican los tres métodos diferentes
de ranqueo a los indicadores remanentes: algoritmo de ReliefF, Chi-cuadrado, y
ganancia de información. Como resultado final, se obtienen tres vectores de indi-
77
cadores ranqueados, según cada algoritmo aplicado, por cada vector original de
indicadores.
Etapa cinco: selección de Z indicadores, a partir de los tres vectores de indicadores
ranqueados en la etapa cuatro, se seleccionan los Z primeros indicadores de cada
vector ranqueado.
Etapa seis: clasificación, cada vector ranqueado con Z indicadores seleccionados
ingresa al clasificador kNN; el objetivo es llegar a una exactitud en la clasificación
superior al 96 % con el menor número de Z indicadores. Para esto se configuró kNN
con tres vecinos más cercanos y la métrica distancia cosine. Para el entrenamiento
del clasificador se utilizó un criterio de k-folds, para dividir el conjunto de datos
en subconjuntos de entrenamiento y prueba; se generó un total de 5-folds de los
cuales cuatro se utilizaron para entrenar el clasificador y uno para probar el modelo
entrenado.
Etapa siete: se obtiene los resultados de la exactitud de clasificación para cada
vector ranqueado.
78
Figura 16: Proceso metodológico implementado en el SD1 para la clasificación de
fallos en cajas de engranajes mediante el ranqueo de los indicadores de condición
4.5.. RESULTADOS DEL SISTEMA DE DIAGNÓSTICO UNO
Para la evalúa ción del SD1, se utilizaron las cinco bases de datos en estudio. Esto
permite conocer la señal, el sensor, el dominio, y la exactitud de clasificación cuando
se va incrementando progresivamente el número de Z indicadores seleccionados para
cada subconjunto de datos; a partir de esto, se puede analizar el comportamiento de los
indicadores ranqueados para las cuatro bases datos de severidad de fallo en engranajes
y la base de datos de 31 condiciones. Para evalúa r el SD1 se presentan los resultados
79
que superan el umbral de 96 % de exactitud en la clasificación por cada sensor, método
de ranqueo, y la máxima exactitud de cada uno. Se toma el umbral del 96 % como
referencia debido a que es una exactitud exigente en un sistema de diagnóstico de
severidad de fallos en engranajes. Para la base de datos de 31 condiciones el umbral
de exactitud en la clasificación es de 94 %, se toma un menor umbral debido a la
cantidad de condiciones elevadas y no se reporta en la bibliografía una cantidad similar
de condiciones clasificadas.
4.5.1.. Resultados del SD1 para la base de datos del fallo de rotura
4.5.1.1.. Resultados del SD1 para la base de datos del fallo de rotura en el dominio
del tiempo.
En el anexo A.1., se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo para las señales y sensores de vibración Tabla A1.1, emisión acústica
Tabla A1.2, y corriente Tabla A1.3. A partir de estas tablas se extrae la Tabla 32 en
donde se presentan los resultados que superen el umbral de 96 % y la máxima exactitud
de clasificación de cada señal y sensor por los diferentes métodos de ranqueo.
De las cuatro señales de vibración medidas, los IC extraídos del sensor A4 superan 12
veces el umbral de exactitud, y su exactitud máxima de clasificación es 98,93 %, misma
que es la mayor de todas las señales de vibración. Para las señales de emisión acústica
medidas los IC extraídos del sensor EA2 supera 18 veces el umbral, siendo el sensor
cuyos indicadores logran la mayor exactitud en la clasificación de todos los sensores con
99,59 %, mientras que los IC extraídos del sensor de corriente C1 la máxima exactitud
es de 39,62 %.
80
Tabla 32: Resultados que superan el umbral de 96 % y la máxima exactitud de
clasificación en el dominio del tiempo de cada sensor para el fallo de rotura
Número de Número de Número

Número de Exactitud
veces que veces que de veces que supera
Señal del veces que máxima de
supera el supera el el umbral por
sensor supera el clasificación
umbral por umbral por Ganancia de
umbral ( %)
ReliefF Chi-cuadrado información
A1 0 95,13 0 0 0
A2 6 97,77 3 0 3
A3 11 98,76 3 2 6
A4 12 98,93 4 2 6
EA1 17 99,18 6 6 5
EA2 18 99,59 7 8 3
C1 0 39,62 0 0 0
En la Figura 17 se presenta la variación de la exactitud del clasificador kNN con el

incremento de los IC mejor ranqueados para los sensores A4, EA2 y C1, en donde se
puede apreciar que a partir del tercer IC para la señal del EA2 por el método de ranqueo
Chi-cuadrado obtiene 96,79 % de exactitud, mientras que para la señal de A4 a partir del
quinto IC se obtiene una exactitud del 96,20 % por el método de ranqueo de ganancia
de información, también se puede apreciar que la señal de corriente C1 alcanza una
exactitud de 39,62 % por el método de Chi-cuadrado. En las figuras, para identificar los
IC y su respectivo método de ranqueo se emplea la nomenclatura (Re) para el método
de ReliefF, (Chi) para el método de Chi-cuadrado, y (GI) para el método de ganancia
de información. Para indicar la pertenencia del IC a un dominio se utiliza la siguiente
nomenclatura, la letra (T) indica que los IC pertenecen al dominio del tiempo, (F) al
domino de la frecuencia, y (T_F) al dominio del tiempo y de la frecuencia.
81
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA2_Gi_T 11,13 62,90 91,26 95,05 98,52 99,01 99,09 95,55 95,39 94,56
EA2_Chi_T 11,13 62,90 96,79 99,59 98,52 99,01 99,09 98,85 99,26 99,42
EA2_Re_T 11,13 62,90 91,26 97,36 98,52 98,27 98,60 98,85 99,26 98,68
A4_Gi_T 11,15 36,17 63,83 90,18 96,20 96,78 97,61 98,60 98,93 98,93
A4_Chi_T 11,15 38,40 71,27 72,50 86,21 93,39 96,37 94,96 95,87 97,36
A4_Re_T 11,15 36,17 63,83 88,77 91,17 95,95 97,36 97,94 98,10 98,10
C1_Chi_T 11,12 21,17 29,49 31,88 39,29 39,62 36,90 36,66 33,03 28,59
Figura 17: Exactitud de clasificación para los sensores A4, EA2, y C1 para el fallo de
rotura
En la Tabla 33 se presenta el número de veces que se repiten los IC ranqueados por los
tres métodos para la señal del sensor A4, en donde la media, factor de latitud, operador
de energía, y curtosis se repiten tres veces y pertenecen al campo de diagnóstico de
fallos (DF), también se repite tres veces el IC longitud fractal máxima que pertenece al
campo de electromiografía (EMG).
82
Tabla 33: Repeticiones de los IC en el dominio del tiempo para la señal del sensor A4
para el fallo de rotura
IC Repeticiones Campo IC Repeticiones Campo

Media 3 DF Índice de margen 2 EMG
Diferencia valor
Factor de latitud 3 DF absoluto de 2 EMG
Límite superior de
Operador de energía 3 DF 1 DF
histograma
Longitud fractal Diferencia absoluta del
3 EMG 1 EMG
máxima valor de varianza
Quinto momento
Curtosis 3 DF 1 DF
estadístico
K-ésimo momento
Cruce por cero 2 EMG 1 DF
central
Porcentaje de
Asimetría 2 DF 1 EMG
Myopulso
Relación desviación-media 2 DF
tres métodos para la señal del sensor EA2, en donde: factor de forma, relación log-log,
relación desviación-media, factor de impulso de desviación estándar, sexto momento
estadístico y operador de energía se repiten tres veces, y pertenecen al campo de DF,
también se repite tres veces los IC: cambio de signo de pendiente y diferencia absoluta
del valor de varianza, que pertenece al campo de EMG.
83
Tabla 34: Repeticiones de los IC en el dominio del tiempo para la señal del sensor
EA2 para el fallo de rotura

Factor de forma 3 DF Operador de energía 3 DF
Diferencia absoluta del
Relación Log-Log 3 DF 3 EMG
valor de varianza
Cambio de signo Cambio de amplitud
3 EMG 2 EMG
de pendiente promedio
Relación desviación-media 3 DF Indicadores de pulso 2 EMG
Factor de impulso
de desviación 3 DF Curtosis 1 DF
estándar
Sexto momento
3 DF Asimetría 1 DF
estadístico
84
4.5.1.2.. Resultados del SD1 para base de datos del fallo de rotura en el dominio de
la frecuencia.
En el anexo A.2., se presenta el ranqueo de los IC y exactitud de clasificación usando
las señales definidas en el dominio de la frecuencia. Los resultados provenientes de las
señales medidas con los sensores de vibración se presentan en la Tabla A2.1, emisión
acústica Tabla A2.2, corriente Tabla A2.3; a partir de estas tablas se extrae la Tabla
35 en donde, de las cuatro señales de vibración, los IC extraídos de las señales medidas
con el sensor A4 alcanzan la máxima exactitud de 94,47 % de todos los sensores; de las
señales de emisión acústica, los IC extraídos del sensor EA1 alcanzan una exactitud de
93,98 % siendo mayor que la exactitud obtenida con los IC extraídos del sensor EA2;
con los IC extraídos del sensor de corriente C1 se alcanza una exactitud máxima de
25,27 %.
Tabla 35: Máxima exactitud de clasificación de cada sensor en el dominio de la

frecuencia para el fallo de rotura
Exactitud máxima
Señal del sensor
de clasificación ( %)
A1 87.27
A2 89.03
A3 93.89
A4 94.47
EA1 93.98
EA2 90.26
C1 25.27
85
incremento de los IC mejor ranqueados extraídos de la señal de los sensores A4, EA1, y
C1. La señal del sensor EA1 hasta el sexto IC supera en exactitud a la señal de A4 para
los IC ranqueados por los tres métodos, del octavo al décimo IC la señal de A4 supera
en exactitud de EA1, mientras que la señal de C1 llega hasta un máximo de 25,27 de
exactitud por el método de ranqueo de Chi-cuadrado.
100
90
80
70
Exactitud (%)
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA1_Gi_F 11,14 52,14 87,54 89,19 93,73 92,49 84,98 85,81 82,84 85,97
EA1_Chi_F 11,14 52,14 87,54 93,98 93,73 92,49 93,40 89,93 90,26 86,05
EA1_Re_F 11,14 52,14 79,54 89,19 93,73 92,49 84,98 87,62 88,61 88,94
A4_Gi_F 11,15 28,08 48,39 62,92 72,17 81,25 88,69 90,75 92,81 94,47
A4_Chi_F 11,15 32,45 51,11 68,62 77,54 83,48 81,75 89,01 91,74 92,40
A4_Re_F 11,15 28,08 46,65 62,92 76,96 86,70 90,50 91,00 93,89 94,22
C1_Chi_F 11,11 17,94 25,27 19,59 19,92 18,02 22,63 23,13 23,13
Figura 18: Exactitud de clasificación para los IC en el dominio de la frecuencia para

los sensores A4, EA1, y C1 para el fallo de rotura
4.5.1.3.. Resultados del SD1 para la base de datos del fallo de rotura en el dominio
En el anexo A.3., se presenta el ranqueo de los IC y exactitud de clasificación en el
86
dominio del tiempo y de la frecuencia de las señales y sensores de vibración Tabla A3.1,
emisión acústica Tabla A3.2, y corriente Tabla A3.3, a partir de estas tablas se extrae
la Tabla 36 en donde de las cuatro señales de vibración, los IC extraídos de las señales
medidas con el sensor A4 supera 13 veces el umbral de exactitud y su exactitud máxima
en la clasificación es de 99,67 %. De los sensores de emisión acústica, los IC extraídos
del sensor EA2 superan 19 veces el umbral siendo el sensor con mayor exactitud en
la clasificación con 99,01 % de todos los sensores; mientras que los IC extraídos de las
señales de corriente medida con el sensor C1 alcanzan la máxima exactitud de 44,81 %.

clasificación fusionando el dominio de tiempo y de la frecuencia de cada sensor para el
fallo de rotura
Número de Número de Número de

veces que veces que veces que supera
umbral ( %)
A1 0 94,79 0 0 0
A2 1 97,52 1 0 0
A3 13 98,93 5 6 2
A4 13 99,67 5 4 4
EA1 19 98,76 6 6 7
EA2 19 99,01 6 7 6
C1 0 44,81 0 0 0

C1, en donde se puede apreciar que a partir del tercer IC para la señal del sensor EA2
por el método de ranqueo Chi-cuadrado tiene 99,01 % de exactitud, mientras que para
la señal de vibración el sensor A4 a partir del sexto IC se obtiene una exactitud del
98,10 % por el método de ranqueo de ReliefF, también se puede apreciar que la señal
de corriente C1 tiene una exactitud máxima de 44,81 % por el método de ranqueo de
ReliefF.
87
100
90
80
70
Exactitud (%)
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
AE2_Gi_T_F 11,16 60,09 87,77 97,19 98,68 98,26 98,26 98,59 98,68 95,37
AE2_Chi_T_F 11,16 60,09 91,57 99,01 98,18 98,26 98,76 98,59 98,68 98,51
AE2_Re_T_F 11,16 60,09 87,77 95,87 98,68 98,60 98,68 98,76 98,35 98,51
A4_Gi_T_F 11,15 26,75 64,90 79,11 82,58 92,40 98,10 98,76 98,84 99,67
A4_Chi_T_F 11,15 38,56 72,26 73,41 86,95 95,54 96,53 97,36 96,70 97,52
A4_Re_T_F 11,15 26,09 57,23 79,11 92,16 98,10 98,10 99,01 99,42 99,42
C1_Re_T_F 11,12 20,67 26,94 27,35 29,24 36,65 44,81 44,15 44,40 42,84
Figura 19: Exactitud de clasificación para los IC en el dominio del tiempo y de la

frecuencia para los sensores A4, EA2, y C1 para el fallo de rotura
En la Tabla 37 se presenta el número de veces que se repiten los IC ranqueados por

los tres métodos para la señal del sensor A4, en donde la media, factor de latitud IC
pertenecientes al dominio del tiempo y al campo de DF se repiten tres veces, también
se repite tres veces CP4 que pertenece al dominio de la frecuencia y al campo de DF.
88
Tabla 37: Repeticiones de los IC para la señal de A4 en el dominio del tiempo y de la
IC Repeticiones Dominio Campo IC Repeticiones Dominio Campo

Longitud fractal
Media 3 Tiempo DF 2 Tiempo EMG
máxima
Varianza de la frecuencia
CP4 3 Frecuencia DF 1 Frecuencia DF
central
Factor de Diferencia valor absoluto
3 Tiempo DF 1 Tiempo EMG
latitud de desviación estándar
Centroide Diferencia absoluta del
2 Frecuencia Audio 1 Tiempo EMG
espectral valor de varianza
Quinto momento
CP5 2 Frecuencia DF 1 Tiempo DF
estadístico
Cruce por cero 2 Tiempo EMG Curtosis 1 Tiempo DF
Esparción
2 Frecuencia Audio Operador de energía 1 Tiempo DF
espectral
Asimetría 2 Tiempo DF Relación desviación-media 1 Tiempo DF
CP2 2 Frecuencia DF

los tres métodos para la señal del sensor EA2 donde los IC que se repiten tres veces
y pertenecen al dominio de la frecuencia son: primer momento espectral , varianza de
la frecuencia central, CP3 y pertenecen al campo de DF, entropía espectral pertenece
al campo de audio; los IC que se repiten tres veces en el dominio de tiempo son:
relación desviación-media, factor de impulso de desviación estándar, operador de energía
y pertenecen al campo de DF, cambio de signo de pendiente, diferencia absoluta del
valor de varianza que pertenecen al campo de EMG.
89
Tabla 38: Repeticiones de los IC para la señal de EA2 en el dominio del tiempo y de
la frecuencia para el fallo de rotura

Entropía
3 Frecuencia Audio Operador de energía 3 Tiempo DF
espectral
Primer momento
3 Frecuencia DF CP3 3 Frecuencia DF
espectral
Cambio de
signo de 3 Tiempo EMG 3 Tiempo EMG
valor de varianza
pendiente
Sexto momento
Relación desviación-media 3 Tiempo DF 2 Tiempo DF
estadístico
Factor de
impulso de
3 Tiempo DF Asimetría 1 Tiempo DF
desviación
estándar
3 Frecuencia DF
central
90
4.5.2.. Resultados del SD1 para la base de datos del fallo de gripado
4.5.2.1.. Resultados del SD1 para la base de datos del fallo de gripado en el dominio
del tiempo.
En el anexo B.1. se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo de las señales y sensores de vibración Tabla B1.1, emisión acústica
Tabla B1.2, corriente Tabla B1.3. A partir de estas tablas se extrae la Tabla 39 en donde
de las cuatro señales de vibración medidas, los IC extraídos del sensor A4 supera 11
veces el umbral de exactitud y su exactitud máxima de clasificación es 98,85 %, que es
la mayor de todas las señales de vibración. Para las señales de emisión acústica los IC
extraídos del sensor EA1 y EA2 superan 13 veces el umbral de exactitud, pero los IC
del sensor EA2 logran la mayor exactitud en la clasificación con 99,67 % de todos los
sensores, mientras que los IC de la señal de corriente del sensor C1 alcanzan la máxima
exactitud de 51,77 %.

clasificación de cada sensor en el dominio del tiempo para el fallo de gripado

umbral ( %)
A1 1 96,38 1 0 0
A2 9 97,61 3 2 4
A3 4 97,04 0 0 4
A4 11 98,85 5 3 3
EA1 13 98,85 3 7 3
EA2 13 99,67 3 7 3
C1 0 51,77 0 0 0

puede apreciar que a partir del cuarto IC para la señal del EA2 para todos los métodos
de ranqueo se obtiene 96,79 % de exactitud, mientras que para la señal de vibración
los IC del sensor A4 a partir del sexto IC se obtiene una exactitud del 96,54 % por
91
el método de ranqueo de ReliefF, también se puede apreciar que los IC de señal de
corriente C1 alcanzan la máxima exactitud de 51,77 % por el método de ranqueo de
ganancia de información.
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA2_Gi_T 11,11 62,88 91,36 96,13 98,35 98,52 92,51 94,07 92,67 92,10
EA2_Chi_T 11,11 62,88 95,31 99,67 98,35 98,52 98,68 98,52 96,63 96,54
EA2_Re_T 11,11 62,88 91,36 96,13 97,04 97,70 94,32 95,97 93,91 93,42
A4_Gi_T 11,12 29,25 65,07 88,22 94,97 95,47 94,89 96,95 97,86 98,27
A4_Chi_T 11,12 38,55 71,91 75,78 85,67 92,25 94,89 96,46 97,28 97,36
A4_Re_T 11,12 29,25 65,07 83,19 93,16 96,54 98,10 98,27 98,85 98,27
C1_Gi_T 11,11 14,98 33,25 51,77 51,69 49,22 46,42 40,33 40,66 37,94
Figura 20: Exactitud de clasificación para los IC en el dominio del tiempo para los
sensores A4, EA2, y C1 para el fallo de gripado

los tres métodos para la señal del sensor A4, en donde la media, asimetría, Relación
desviación-media, y límite superior de histograma se repiten tres veces y pertenecen al
campo de DF, también se repite tres veces cruce por cero, diferencia absoluta del valor
de varianza y porcentaje de myopulso que pertenecen al campo de EMG.
92
Tabla 40: Repeticiones de los IC en el dominio del tiempo para la señal del sensor A4
para el fallo de gripado

Factor de impulso de
Media 3 DF 2 DF
Cruce por cero 3 EMG Curtosis 2 DF
Asimetría 3 DF Índice de margen 2 EMG
Relación desviación-media 3 DF Relación Log-Log 1 DF
Diferencia absoluta del K-ésimo momento
3 EMG 1 DF
valor de varianza central
Momentos
Porcentaje de
3 EMG temporales de orden 1 EMG
Myopulso
superior
Límite superior de
3 DF
histograma
En la Tabla 41 se presenta el número de veces que se repiten los IC para los tres
métodos de ranqueo para el sensor EA2, en donde factor de forma, relación log-log,
estadístico, operador de energía se repiten tres veces y pertenecen al campo de DF,
también se repite tres veces los IC cambio de signo de pendiente, indicadores de pulso
que pertenece al campo de EMG.
93
Tabla 41: Repeticiones de los IC en el dominio del tiempo para la señal del sensor
EA2 para el fallo de gripado

Factor de forma 3 DF Relación desviación-media 3 DF
Quinto momento
Relación Log-Log 3 DF 2 DF
estadístico
Cambio de signo Porcentaje de
3 EMG 1 EMG
de pendiente Myopulso
Factor de impulso
de desviación 3 DF 1 EMG
valor de varianza
estándar
Sexto momento
3 DF Curtosis 1 DF
estadístico
Operador de energía 3 DF Asimetría 1 DF
Indicadores de
3 EMG
pulso
94
4.5.2.2.. Resultados del SD1 para base de datos del fallo de gripado en el dominio de
la frecuencia.
En el anexo B.2., se presenta el ranqueo de los IC y exactitud de clasificación usando
señales medidas con los sensores de vibración se presentan en la Tabla B2.1, emisión
acústica Tabla B2.2, y corriente Tabla B2.3; a partir de estas tablas se extrae la Tabla 42
de las cuatro señales de vibración, los IC extraídos de las señales medidas con el sensor
A2 alcanzan la máxima exactitud de exactitud de 94,38 % de todos los sensores, de las
señales de emisión acústica, los IC extraídos del sensor EA1 producen una exactitud de
93,98 %, mientras que con los IC extraídos del sensor de corriente C1 se alcanza una
exactitud máxima de 24,34 %.

frecuencia para el fallo de gripado
Señal del Exactitud máxima

sensor de clasificación ( %)
A1 94.30
A2 94.38
A3 90.46
A4 88.76
EA1 93.20
EA2 89.08
C1 24.34

C1. En donde la señal del sensor EA1 hasta el sexto IC supera en exactitud a la señal
del sensor A2 para los IC ranqueados por los tres métodos, del octavo al décimo los IC
la señal del sensor A2 supera en exactitud de EA1, mientras que la señal de C1 llega
hasta un máximo de 24,34 % de exactitud por el método de ranqueo de ReliefF.
4.5.2.3.. Resultados del SD1 para la base de datos del fallo de gripado en el dominio
En el anexo B.3., se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo y de la frecuencia de las señales y sensores de vibración Tabla
B3.1, emisión acústica Tabla B3.2, y corriente Tabla B3.3. A partir de estas tablas se
95
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA1_Gi_F 11,12 51,79 84,98 88,88 92,53 91,37 84,81 80,92 84,90 83,24
EA1_Chi_F 11,12 51,79 84,98 93,20 92,53 91,37 92,12 88,38 84,65 79,50
EA1_Re_F 11,12 51,79 80,24 88,88 92,53 91,37 84,81 87,14 86,98 83,99
A2_Gi_F 11,16 24,79 49,99 69,01 81,90 81,16 83,14 88,43 91,82 92,15
A2_Chi_F 11,16 25,95 58,92 60,33 77,19 82,15 86,37 89,59 91,82 92,97
A2_Re_F 11,16 20,17 45,37 64,88 82,81 90,66 91,57 93,47 94,21 94,38
C1_Re_F 11,06 12,96 17,24 24,34 20,71 21,78 21,04 20,79 19,64 20,54

los sensores A2, EA1, y C1 para el fallo de gripado
extrae Tabla 43 en donde de las cuatro señales de vibración, los IC extraídos de las
señales medidas con el sensor A4 supera nueve veces el umbral y su mayor exactitud
en la clasificación de 98,18 %. De los sensores de emisión acústica, los IC extraídos
la clasificación con 98,76 % de todos los sensores, mientras que los IC extraídos de las

incremento de los IC mejor ranqueados extraídos de la señal de los sensores A4, EA2,
y C1, en donde se puede apreciar a partir del cuarto IC para la señal del EA2 por el
96
clasificación fusionando el dominio de tiempo y de la frecuencia para el fallo de gripado

umbral ( %)
A1 6 98,35 2 2 2
A2 3 97,60 0 2 1
A3 2 96,94 2 0 0
A4 9 98,18 3 2 4
EA1 16 98,26 6 6 4
EA2 18 98,76 7 7 4
C1 0 51,98 0 0 0
método de ranqueo Chi-cuadrado y ReliefF supera el 96,69 % de exactitud, mientras que

para la señal de A4 a partir del séptimo IC se obtiene una exactitud superior 96,03 %
por el método de ranqueo de ganancia de información, también se puede apreciar que la
señal de corriente C1 tiene una exactitud máxima de 51,98 % por el método de ranqueo
de ganancia de información.
97
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
AE2_Gi_T_F 11,17 60,30 83,62 92,89 96,11 97,19 98,01 98,18 94,04 95,12
AE2_Chi_T_F 11,17 60,30 93,05 98,68 98,43 97,93 98,26 98,43 98,43 98,26
AE2_Re_T_F 11,17 60,30 86,27 96,69 97,85 98,76 98,35 98,35 98,35 96,20
A4_Gi_T_F 11,16 31,57 42,73 67,94 81,65 90,83 96,03 97,02 97,77 98,18
A4_Chi_T_F 11,16 37,77 71,89 80,07 84,29 87,27 91,98 94,47 97,27 97,27
A4_Re_T_F 11,16 30,49 42,73 67,94 85,21 90,99 94,71 96,28 97,35 97,68
C1_Gi_T_F 11,06 17,41 30,28 51,57 51,98 49,50 47,20 39,03 39,94 39,03
Figura 22: Exactitud de clasificación para los IC en los dominios de tiempo y

frecuencia para los sensores A4, EA2, y C1 para el fallo de gripado
A partir de los diez IC ranqueados para la señal del sensor A4 se obtiene la Tabla 44
y se cuenta el número de veces que se repiten los IC para los tres métodos de ranqueo,
los IC que se repiten tres veces y pertenecen al dominio del tiempo son: media que
pertenecen al campo de DF, cruce por cero pertenece al campo EMG; los IC que se
repiten tres veces en el dominio de la frecuencia son: CP5, del campo de DF, esparción
espectral y centroide espectral pertenecen al campo de audio.
98
Tabla 44: Repeticiones de los IC para la señal del sensor A4 en el dominio del tiempo
y de la frecuencia para el fallo de gripado

Media 3 Tiempo DF CP4 2 Frecuencia DF
Porcentaje de
CP5 3 Frecuencia DF 2 Tiempo EMG
Myopulso
Esparción Relación de
3 Frecuencia Audio 1 Frecuencia DF
espectral frecuencia
Cuarto momento
Cruce por cero 3 Tiempo EMG 1 Frecuencia DF
espectral
Centroide Diferencia absoluta del
3 Frecuencia Audio 1 Tiempo EMG
espectral valor de varianza
Varianza de la frecuencia Relación Log-
2 Frecuencia DF 1 Tiempo DF
central Log
Límite superior
Asimetría 2 Tiempo DF 1 Tiempo DF
de histograma
Frecuencia
2 Frecuencia DF
máxima
A partir de los diez IC ranqueados que se emplearon para la clasificación de la señal

de sensor EA2 se obtiene la Tabla 45, donde se presenta el número de veces que se
repiten los IC para los tres métodos de ranqueo, los IC que se repiten tres veces y
pertenecen al dominio del tiempo son: factor de impulso de desviación estándar, sexto
momento estadístico, operador de energía , relación desviación-media y pertenecen al
campo de DF, cruce por cero pertenece al campo EMG; los IC que se repiten tres veces
en el dominio de la frecuencia son: primer momento espectral, varianza de la frecuencia
central, y CP3 del campo de DF, entropía espectral que pertenece al campo de audio.
99
Tabla 45: Repeticiones de los IC para la señal del sensor EA2 en el dominio del
tiempo y de la frecuencia para el fallo de gripado
Entropía
3 Frecuencia Audio CP3 3 Frecuencia DF
espectral
Primer momento
3 Frecuencia DF Operador de energía 3 Tiempo DF
espectral
Cambio de
signo de 3 Tiempo EMG Relación desviación-media 3 Tiempo DF
pendiente
Factor de
impulso de Indicadores de
desviación pulso
estándar
Varianza de la frecuencia Diferencia absoluta del
3 Frecuencia DF 1 Tiempo EMG
central valor de varianza
Sexto
momento 3 Tiempo DF Asimetría 1 Tiempo DF
estadístico
100
4.5.3.. Resultados del SD1 para la base de datos del fallo de picadura
4.5.3.1.. Resultados del SD1 para la base de datos del fallo de picadura en el dominio
del tiempo.
En el anexo C.1., se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo de las señales y sensores de vibración Tabla C1.1, emisión acústica
Tabla C1.2 y corriente Tabla C1.3. A partir de estas tablas se extrae la Tabla 46 en donde
de las cuatro señales de vibración medidas, los IC extraídos del sensor A1 superan 12
veces el umbral de exactitud, y su exactitud máxima de clasificación es 97,69 %. Para las
señales de emisión acústica medidas, los IC extraídos del sensor EA2 superan 21 veces el
umbral, siendo el sensor cuyos indicadores logran la mayor exactitud en la clasificación
con 100 % de todos los sensores, mientras que los IC extraídos del sensor corriente C1
la máxima exactitud es de 62,47 %.

clasificación de cada sensor en el dominio del tiempo para el fallo de picadura
Número de
Número de Número de
Número de Exactitud veces que
veces que veces que
Señal del veces que máxima de supera el
supera el supera el
sensor supera el clasificación umbral por
umbral por umbral por
umbral ( %) ganancia de
ReliefF Chi-cuadrado
información
A1 12 97,69 4 4 4
A2 9 98,02 4 1 4
A3 3 96,61 0 0 3
A4 6 97,61 2 0 4
EA1 21 99,59 7 7 7
EA2 21 100,00 7 7 7
C1 0 62,47 0 0 0

de ranqueo se obtiene 98 % de exactitud, mientras que para la señal de vibración el
sensor A4 a partir del séptimo IC se obtiene una exactitud superior al 96 % para todos
los métodos de ranqueo, también se puede apreciar que la señal de corriente C1 tiene
una exactitud máxima de 62,47 % por el método de ranqueo de ReliefF.
101
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA2_Gi_T 11,11 57,70 94,65 100,00 100,00 99,92 99,51 99,42 99,51 98,27
EA2_Chi_T 11,11 57,70 94,65 100,00 100,00 99,75 99,75 99,75 99,51 98,27
EA2_Re_T 11,11 57,70 94,65 98,77 98,93 98,93 99,42 99,34 99,26 99,18
A1_Gi_T 11,14 30,69 68,00 87,79 94,39 93,32 96,62 96,54 97,28 96,95
A1_Chi_T 11,14 36,55 66,10 83,92 90,19 92,57 96,62 96,70 96,70 96,37
A1_Re_T 11,14 26,90 67,82 89,61 94,22 95,96 96,78 96,78 97,61 97,69
C1_Re_T 11,11 17,04 33,99 43,54 59,42 60,58 62,47 59,75 59,84 58,68
sensores A1, EA2, y C1 para el fallo de picadura
tres métodos para la señal del sensor A1, en donde la media, y curtosis que pertenecen al
campo de DF, también se repite tres veces cambio de signo de pendiente que pertenece
al campo de EMG.
102
para el fallo de picadura

Media 3 DF Factor de latitud 2 DF
Valor de
Cambio de signo verosimilitud
3 EMG 2 DF
de pendiente negativo normal
normalizado
Verosimilitud
Curtosis 3 DF negativa logarítmica 2 EMG
de Weibull
Asimetría 2 DF Relación desviación-media 1 DF
Cruce por cero 2 EMG 1 EMG
valor de varianza
Porcentaje de K-ésimo momento
2 EMG 1 DF
Myopulso central
Factor de impulso
Quinto momento
de desviación 2 DF 1 DF
estadístico
estándar
Indicadores de
2 EMG Factor de holgura 1 DF
forma de onda
tres métodos para la señal del sensor EA2, en donde factor de forma, relación log-log,
estadístico, CPT6 se repiten tres veces y pertenecen al campo de DF, también se repite
tres veces los IC cambio de amplitud promedio, y diferencia absoluta del valor de
varianza que pertenecen al campo de EMG.
103
tiempo para el fallo de picadura

Cambio de amplitud
Factor de forma 3 DF 3 EMG
promedio
Relación Log-Log 3 DF 3 EMG
valor de varianza
Factor de impulso
de desviación 3 DF Curtosis 2 DF
estándar
Sexto momento
estadístico
Cambio de signo de
Relación desviación-media DF 1 EMG
pendiente
CPT6 3 DF Operador de energía 1 DF
4.5.3.2.. Resultados del SD1 para base de datos del fallo de picadura en el dominio de
la frecuencia.
En el anexo C.2. se presenta el ranqueo de los IC y exactitud de clasificación usando
señales medidas con los sensores de vibración se presentan en la Tabla C2.1, emisión
acústica Tabla C2.2 y corriente Tabla C2.3. A partir de estas tablas se extrae la Tabla
con el sensor A3 alcanza la máxima exactitud de 96,86 % de todos los sensores por el
método de ranqueo de ReliefF, de las señales de emisión acústica, los IC extraídos del
sensor EA1 producen una exactitud de 93,76 % siendo mayor que la exactitud obtenida
con los IC extraídos del sensor EA2; con los IC extraídos del sensor de corriente C1 se
alcanza una exactitud máxima de 42,40 %.
104
frecuencia para el fallo de picadura
Señal del Exactitud máxima

sensor de clasificación ( %)
A1 90,91
A2 93,22
A3 96,86
A4 92,89
EA1 93,76
EA2 92,45
C1 42,40

C1. En donde la señal del sensor EA1 hasta el quinto IC supera en exactitud a la señal
de A3 para los IC ranqueados por los tres métodos, del octavo al décimo IC la señal
del sensor A3 supera en exactitud de EA1, mientras que la señal de C1 llega hasta un
máximo de 42,40 % de exactitud por el método de ranqueo de ReliefF.
105
100
90
80
70
Exactitud (%)
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA1_Gi_F 11,16 50,80 90,18 93,76 91,51 88,02 86,26 87,43 86,51 86,76
EA1_Chi_F 11,16 50,80 89,74 93,76 91,51 88,02 89,02 87,35 86,18 86,76
EA1_Re_F 11,16 50,80 90,18 91,76 91,51 88,02 86,35 88,27 88,68 90,35
A3_Gi_F 11,17 24,57 44,00 60,79 77,58 85,69 85,11 88,67 92,63 94,21
A3_Chi_F 11,17 25,14 53,51 74,27 81,80 91,31 91,81 92,97 94,79 95,95
A3_Re_F 11,17 21,26 44,25 70,30 82,05 85,53 89,25 94,71 95,37 96,86
C1_Re_F 10,99 24,88 34,30 41,08 42,40 40,17 38,93 37,94 37,44 36,70

los sensores A3, EA1, y C1 para el fallo de picadura
106
4.5.3.3.. Resultados del SD1 para la base de datos del fallo de picadura en el dominio
En el anexo C.3. se presenta el ranqueo de los IC se presenta el ranqueo de los IC y
exactitud de clasificación en el dominio del tiempo y de la frecuencia de las señales y
sensores de vibración Tabla C3.1, emisión acústica Tabla C3.2 y corriente Tabla C3.3.
A partir del anexo, se extrae Tabla 50 en donde de las cuatro señales de vibración, los
IC extraídos de las señales medidas con el sensor A3 supera siete veces el umbral de
exactitud y su exactitud máxima en la clasificación es de 98,76 %. De los sensores de
emisión acústica, los IC extraídos del sensor EA2 superan 24 veces el umbral siendo el
sensor con mayor exactitud en la clasificación con 99,75 % de todos los sensores; mientras
que los IC extraídos de las señales de corriente medida con el sensor C1 alcanzan la
máxima exactitud de 62,86 %.

clasificación fusionando el dominio de tiempo y de la frecuencia para el fallo de
picadura
Número de Exactitud Número de Número de Número de

Señal del veces que máxima de veces que veces que veces que supera
sensor supera el clasificación supera el supera el el umbral por
umbral ( %) umbral por umbral por Ganancia de
A1 4 96,70 0 3 1
A2 6 98,43 4 2 0
A3 7 98,76 4 0 3
A4 4 98,10 2 0 2
EA1 22 99,42 6 8 8
EA2 24 99,75 8 8 8
C1 0 62,86 0 0 0

incremento de los IC mejor ranqueados extraídos de la señal de los sensores A3, EA2 y
C1 en donde se puede apreciar a partir del tercer IC para la señal del sensor EA2 por
los tres métodos de ranqueo supera el 96,69 % de exactitud, mientras que para la señal
del sensor A3 a partir del octavo IC se obtiene una exactitud superior 97 % por los
107
métodos de ranqueo de ganancia de información y ReliefF, también se puede apreciar
que la señal de corriente C1 tiene una exactitud máxima de 62,86 % por el método de
ranqueo de ReliefF.
100
90
80
70
Exactitud (%)
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
AE2_Gi_T_F 11,20 57,34 98,34 99,75 99,58 99,33 98,92 98,92 98,92 98,51
AE2_Chi_T_F 11,20 57,34 98,34 99,75 99,58 99,33 99,09 98,84 98,51 98,92
AE2_Re_T_F 11,20 57,34 98,34 98,59 99,00 98,67 98,75 98,25 98,01 98,01
A3_Gi_T_F 11,14 32,18 59,07 75,41 85,73 93,98 95,13 97,61 98,10 98,76
A3_Chi_T_F 11,14 34,41 69,39 87,71 93,07 94,31 94,80 95,38 94,72 95,87
A3_Re_T_F 11,14 22,53 52,39 79,29 86,71 93,15 96,95 97,44 97,77 98,43
C1_Re_T_F 10,92 33,17 35,90 47,89 52,52 53,35 57,40 62,86 60,46 59,96
Figura 25: Exactitud de clasificación para los IC en el dominio de tiempo y de la

frecuencia para los sensores A3, EA2, y C1 para el fallo de picadura

los tres métodos para la señal del sensor A3, el IC que se repiten tres y pertenecen al
dominio del tiempo es el factor de impulso de desviación estándar del campo de DF.
108
y de la frecuencia para el fallo de picadura

Factor de
impulso de Cuarto momento
3 Tiempo DF 1 Frecuencia DF
desviación espectral
estándar
Relación de
CP5 2 Frecuencia DF 1 Frecuencia DF
frecuencia
Asimetría de Diferencia absoluta del
2 Frecuencia DF 1 Tiempo EMG
frecuencia valor de varianza
K-ésimo
Asimetría 2 Tiempo DF momento 1 Tiempo DF
central
Esparción
2 Frecuencia Audio Curtosis 1 Tiempo DF
espectral
Relación Log-
Media 2 Tiempo DF 1 Tiempo DF
Log
Índice de Sexto momento
2 Tiempo EMG 1 Tiempo DF
margen estadístico
Cruce por cero 2 Tiempo EMG Varianza 1 Tiempo DF
Factor de
holgura
Frecuencia Centroide
1 Frecuencia DF 1 Frecuencia Audio
mediana espectral

los tres métodos para la señal del sensor EA2, los IC que se repiten tres y pertenecen
al dominio del tiempo son: factor de impulso de desviación estándar, sexto momento
estadístico, relación desviación-media, CPT6 y pertenecen al campo de DF; los IC que
se repiten tres veces en el dominio de la frecuencia son: primer momento espectral
, varianza de la frecuencia central del campo de DF, entropía espectral pertenece al
campo de audio.
109
tiempo y de la frecuencia para el fallo de picadura
Cambio de
Entropía
3 Frecuencia Audio amplitud 2 Tiempo EMG
espectral
promedio
Primer momento
3 Frecuencia DF Curtosis 2 Tiempo DF
espectral
Factor de
Cambio de
impulso de
3 Tiempo DF signo de 1 Tiempo EMG
desviación
pendiente
estándar
Sexto
Cuarto momento
momento 3 Tiempo DF 1 Frecuencia DF
espectral
estadístico
3 Frecuencia DF Operador de energía 1 Tiempo DF
central
Relación desviación-media 3 Tiempo DF 1 Tiempo EMG
valor de varianza
CPT6 3 Tiempo DF Asimetría 1 Tiempo DF
4.5.4.. Resultados del SD1 para la base de datos del fallo de agrietamiento
4.5.4.1.. Resultados del SD1 para la base de datos del fallo de agrietamiento en el
dominio del tiempo.
En el anexo D.1. se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo de las señales y sensores de vibración Tabla D1.1, emisión acústica
Tabla D1.2 y corriente Tabla D1.3. A partir de estas tablas se extrae la Tabla 53. En
donde de las cuatro señales de vibración medidas, los IC extraídos del sensor A2 supera
14 veces el umbral de exactitud, y su exactitud máxima de clasificación es 98,35 %.
Para las señales de emisión acústica medidas los IC extraídos del sensor EA1 supera
21 veces el umbral, siendo el sensor cuyos indicadores logran la mayor exactitud en la
clasificación con 100 % de todos los sensores, mientras que los IC extraídos del sensor
corriente C1 la máxima exactitud es de 61,95 %.
110
clasificación de cada sensor en el dominio del tiempo para el fallo de agrietamiento
Número de
Número de Exactitud Número de Número de
veces que supera
Señal del veces que máxima de veces que veces que
el umbral por
sensor supera el clasificación supera el supera el
Ganancia de
umbral ( %) umbral por umbral por
información
A1 4 97,03 1 2 1
A2 14 98,35 6 3 5
A3 12 99,09 4 3 5
A4 12 99,01 4 4 4
EA1 21 100,00 7 7 7
EA2 20 99,84 6 7 7
C1 0 61,95 0 0 0

de ranqueo se obtiene 98,52 % de exactitud, mientras que para la señal de aceleración el
A2 a partir del sexto IC se obtiene una exactitud del 96,21 % por el método de ranqueo
de ReliefF, también se puede apreciar que la señal de corriente C1 alcanza una exactitud
de 61,95 % por el método de ranqueo de Chi-cuadrado.
111
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA1_Gi_T 11,11 63,05 95,47 99,01 99,18 99,51 99,75 99,75 99,92 100,00
EA1_Chi_T 11,11 67,41 93,33 98,85 99,26 99,51 99,67 99,34 99,92 100,00
EA1_Re_T 11,11 63,05 91,69 98,52 99,26 99,51 99,59 99,67 99,75 99,67
A2_Gi_T 10,96 24,40 69,74 86,73 95,05 97,36 97,77 96,87 98,10 98,19
A2_Chi_T 10,96 42,70 73,53 81,45 87,96 90,93 93,90 96,29 96,54 97,44
A2_Re_T 10,96 24,24 57,96 86,64 96,21 97,69 98,02 98,35 97,44 98,19
C1_Chi_T 11,12 22,16 35,92 47,45 61,95 59,06 61,86 60,71 58,81 50,41
sensores A2, EA1, y C1 para el fallo de agrietamiento
tres métodos para la señal del sensor A2, en donde la media, asimetría se repiten tres
veces y pertenecen al campo de DF, porcentaje de myopulso y verosimilitud negativa
logarítmica de Weibull se repiten tres veces y pertenecen al campo de EMG.
112
para fallo de agrietamiento

Media 3 DF Curtosis 2 DF
Asimetría 3 DF Índice de margen 2 EMG
Porcentaje de Límite inferior de
3 EMG 2 DF
Myopulso histograma
Verosimilitud
negativa Diferencia absoluta del
3 EMG 1 EMG
logarítmica de valor de varianza
Weibull
Cruce por cero 2 EMG Relación Log-Log 1 DF
Factor de impulso
Quinto momento
estadístico
estándar
K-ésimo momento
Relación desviación-media 2 DF 1 DF
central
Límite superior de
2 DF
histograma
tres métodos para la señal del sensor EA1, en donde factor de forma, relación log-log,
relación desviación-media, factor de impulso de desviación estándar, K-ésimo momento
central, operador de energía se repiten tres veces y pertenecen al campo de DF, también
se repite tres veces los IC cambio de signo de pendiente, diferencia absoluta del valor
de varianza que pertenece al campo de EMG.
113
tiempo para fallo de agrietamiento

Cambio de signo Diferencia absoluta del
3 EMG 3 EMG
de pendiente valor de varianza
Error medio
cuadrado
Operador de energía 3 DF Indicadores de pulso 2 EMG
Factor de impulso
Momento
normalizado
estándar
K-ésimo momento Sexto momento
3 DF 1 DF
central estadístico
4.5.4.2.. Resultados del SD1 para base de datos del fallo de agrietamiento en el dominio
de la frecuencia.
En el anexo D.2. se presenta el ranqueo de los IC y exactitud de clasificación usando
señales medidas con los sensores de vibración se presentan en la Tabla D2.1, emisión
acústica Tabla D2.2 y corriente Tabla D2.3. A partir de estas tablas se extrae la Tabla
con el sensor A4 alcanzan la máxima exactitud de 96,36 % de todos los sensores; de
las señales de emisión acústica, los IC extraídos del sensor EA1 logran la exactitud de
34,87 %.
114
frecuencia para fallo de agrietamiento
Señal del Exactitud máxima de

sensor clasificación ( %)
A1 91,76
A2 93,21
A3 93,46
A4 96,36
EA1 93,82
EA2 91,82
C1 34,87

de A4 para los IC ranqueados por los tres métodos, del noveno al décimo IC la seña del
A4 supera en exactitud de EA1, mientras que la señal de C1 llega hasta un máximo de
34,87 % de exactitud por el método de ranqueo de ReliefF.
115
100
90
80
70
Exactitud (%)
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA1_Gi_F 11,02 69,78 91,49 93,32 93,32 92,32 89,48 87,81 87,48 86,64
EA1_Chi_F 11,02 69,78 91,32 93,82 93,32 92,32 91,99 89,90 86,90 86,23
EA1_Re_F 11,02 69,78 91,49 93,32 91,99 92,32 89,48 88,48 88,48 88,90
A4_Gi_F 11,01 19,37 51,25 61,26 76,41 76,16 83,20 92,55 95,20 95,78
A4_Chi_F 11,01 25,17 51,73 69,87 76,41 80,22 79,14 85,59 92,55 94,13
A4_Re_F 11,01 19,37 38,99 59,85 75,58 90,31 93,55 96,03 96,36 95,95
C1_Re_F 11,13 15,33 23,50 34,87 30,58 31,66 34,46 33,97 33,06 32,81

los sensores A4, EA1, y C1 para fallo de agrietamiento
4.5.4.3.. Resultados del SD1 para la base de datos del fallo de agrietamiento en el
dominio del tiempo y frecuencia.
En el anexo D.3. se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo y de la frecuencia de las señales y sensores de vibración Tabla D3.1,
emisión acústica Tabla D3.2 y corriente Tabla D3.3. A partir de estas tablas se obtiene
la Tabla ??, en donde de las cuatro señales de vibración, los IC extraídos de las señales
medidas con el sensor A3 superan 13 veces el umbral de exactitud y su exactitud máxima
en la clasificación es de 99,50 %. De los sensores de emisión acústica, los IC extraídos
116
la clasificación con 99,83 % de todos los sensores; mientras que los IC extraídos de las

clasificación fusionando el dominio de tiempo y de la frecuencia para fallo de
agrietamiento
Número de
Número de Exactitud Número Número de
veces que supera
el umbral por
Ganancia de
información
A1 10 98,85 4 3 3
A2 12 98,84 5 3 4
A3 13 99,50 5 4 4
A4 9 99,26 4 1 4
EA1 21 99,83 7 7 7
EA2 20 99,75 6 7 7
C1 0 61,38 0 0 0

C1, en donde se puede apreciar a partir del cuarto IC para la señal del EA1 por los tres
métodos de ranqueo supera el 98,25 % de exactitud, mientras que para la señal de A3 a
partir del séptimo IC se obtiene una exactitud superior al 96,36 % por los tres métodos
de ranqueo, también se puede apreciar que la señal de corriente C1 tiene una exactitud
máxima de 61,38 % por el método de ranqueo de ganancia de información.
117
100
90
80
Exactitud (%) 70
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
AE1_Gi_T_F 11,02 68,71 92,91 98,41 99,67 99,83 99,83 99,83 99,58 99,67
AE1_Chi_T_F 11,02 68,71 94,15 98,66 99,50 99,67 98,58 98,58 98,16 97,91
AE1_Re_T_F 11,02 55,51 85,07 98,25 99,00 99,16 99,58 99,67 99,67 99,50
A3_Gi_T_F 11,01 32,36 69,71 90,65 92,47 95,45 96,36 97,93 98,43 98,68
A3_Chi_T_F 11,01 44,04 65,81 79,56 89,81 94,78 97,52 98,84 99,01 99,17
A3_Re_T_F 11,01 28,97 70,45 90,65 94,87 97,19 97,93 98,35 98,43 99,50
C1_Chi_T_F 11,14 21,95 23,26 38,69 43,89 43,73 50,58 57,18 61,38 55,94
Figura 28: Exactitud de clasificación para los IC en el dominio del tiempo y de la

frecuencia para los sensores A3, EA1, y C1 para fallo de agrietamiento

los tres métodos para la señal del sensor A3, los IC que se repiten tres y pertenecen al
dominio del tiempo son: media que pertenecen al campo de DF, cruce por cero pertenece
al campo EMG; el IC que se repite tres veces en el dominio de la frecuencia es: CP4
del campo de DF.
118
y de la frecuencia para fallo de agrietamiento
Cruce por cero 3 Tiempo EMG Asimetría 1 Tiempo DF
Diferencia valor
absoluto de
desviación
estándar
Medio 3 Tiempo DF 1 Tiempo EMG
valor de varianza
Centroide Relación Log-
2 Frecuencia Audio 1 Tiempo DF
espectral Log
Quinto
Asimetría de
2 Frecuencia DF momento 1 Tiempo DF
frecuencia
estadístico
K-ésimo
Cuarto momento
2 Frecuencia DF momento 1 Tiempo DF
espectral
central
CP5 2 Frecuencia DF CP2 1 Frecuencia DF
Porcentaje de
2 Tiempo EMG CP3 1 Frecuencia DF
Myopulso
Relación de Límite superior
frecuencia de histograma
Varianza de la frecuencia central 1 Frecuencia DF
tres métodos para la señal del sensor EA1, donde los IC que se repiten tres y pertenecen
al dominio del tiempo son: factor de impulso de desviación estándar y pertenece al
campo de DF, cambio de signo de pendiente y diferencia absoluta del valor de varianza
pertenecen al campo EMG; los IC que se repiten tres veces en el dominio de la frecuencia
son: primer momento espectral , varianza de la frecuencia central que pertenecen al
campo DF; entropía espectral pertenece al campo de audio.
119
tiempo y de la frecuencia para fallo de agrietamiento
Entropía Operador de
3 Frecuencia Audio 2 Tiempo DF
espectral energía
Cambio de K-ésimo
signo de 3 Tiempo EMG momento 2 Tiempo DF
pendiente central
Primer momento Relación desviación-
espectral media
Factor de
impulso de
3 Tiempo DF CP4 2 Frecuencia DF
desviación
estándar
Diferencia absoluta del Error medio
valor de varianza cuadrado
Varianza de la frecuencia Momento
central normalizado
4.5.5.. Resumen de resultados del SD1 para la severidad de los fallos para los sensores
de vibración y emisión acústica
Con base en los resultados del SD1 para los fallos de rotura, gripado, picadura, y
agrietamiento del plan experimental uno; los IC extraídos de las señales de los sensores
de vibración y emisión acústica son los que mejor clasificaron la severidad de los cuatro
fallos, no así, los IC de la señal de corriente; en la Figura 29 se presenta la ubicación de
los cuatro sensores de vibración A1, A2, A3 y A4 enroscados en la parte superior de la
caja de engranajes, y de los dos sensores de emisión acústica EA1 y EA2 adheridos en
las paredes laterales.
En la Figura 30 se presenta un resumen de resultados que superan el umbral de 96 %

exactitud de clasificación para los IC en el dominio del tiempo para los sensores de
vibración y emisión acústica de los cuatro fallos estudiados.
Los sensores A2 y A4 son los que superan al menos seis veces el umbral de exactitud
para cada uno de los diferentes fallos, estos dos sensores no están ubicados en la entrada
del movimiento de la caja de engranajes o la salida de movimiento al freno. El sensor A1
que está localizado en la entrada del movimiento de la caja de engranajes presenta los
mejores resultados de clasificación para el fallo de picadura, no así, para los otros tipos
120
de fallos. Siendo A1 el único sensor que no superó el umbral de exactitud para el fallo
de rotura. Por otra parte, el sensor A3 que está emplazado a la salida del movimiento al
freno supera más veces el umbral de exactitud para los fallos de rotura y agrietamiento.
En cuanto a las señales de los sensores de emisión acústica EA1 y EA2 ubicados en
la parte exterior de la caja de engranajes, el número de veces que superan el umbral
de exactitud tanto el sensor EA1 y EA2 son similares para los cuatro fallos, lo que
muestra que la posición de los sensores de emisión acústica no afecta a la señal la cual
influye en los resultados de clasificación, mientras que, para los sensores de vibración la
posición afecta a la señal y a los resultados de clasificación. Los dos sensores de emisión
acústica logran superar más veces el umbral de exactitud que los sensores de vibración
para todos los fallos estudiados; las señales de los sensores de emisión acústica superan
menos veces el umbral de exactitud para el fallo de gripado.
EA2
A2
A3 A1
A4
EA1
Figura 29: Localización de los sensores de vibración y emisión acústica para el plan
experimental uno de severidad de fallos
121
20
Número de veces que supera el umbral de exactitud

15
10
0
Sensor 1A 1 A
22 A33 A44 EA51 EA 62
Rotura 0 6 11 12 17 18
Gripado 1 9 4 11 13 13
Picadura 12 9 3 6 21 21
Agrietamiento 4 14 12 12 21 20
Figura 30: Resultados que superan el umbral de 96 % exactitud de clasificación en el

dominio del tiempo de cada sensor para los diferentes fallos
En la Figura 31 se presenta un resumen de resultados que superan el umbral de 96 %

exactitud de clasificación fusionando los IC del dominio de tiempo y de la frecuencia
de cada sensor para los cuatro fallos estudiados. En la Figura 32 se presenta como
incrementa o disminuye del número de veces que supera el umbral de exactitud al
fusionar los IC del dominio de tiempo y de la frecuencia de cada sensor para los diferentes
fallos a partir de estas dos figuras se puede inferir lo siguiente:
Los sensores A2 y A4 que superaron al menos seis veces el umbral de exactitud para cada
uno de los diferentes fallos con los IC en el dominio del tiempo (resultados presentados
Figura 30) al fusionar los IC de estos dos sensores en el dominio del tiempo y de la
frecuencia disminuye el número de veces que supera el umbral de exactitud. El sensor
A1 incrementa el número de veces que supera el umbral de exactitud para los fallos
de agrietamiento y gripado, pero disminuye el número de veces que supera el umbral
para el fallo de picadura, y continua sin superar el umbral para el fallo de rotura. El
sensor A3 aumenta el número de veces que supera el umbral para picadura, rotura y
agrietamiento, este sensor es el único que al fusionar los IC aumenta el número de veces
que supera el umbral para el fallo de picadura.
122
Con respecto a los sensores de emisión acústica EA1 y EA2, se incrementa el número
de veces que supera el umbral de exactitud al fusionar los IC para los fallos de rotura
picadura, y en especial para el fallo de gripado, mientras que, para el fallo de agrieta-
miento se mantiene el número de veces que supera el umbral con respecto a los IC del
dominio del tiempo.
25
Número de veces que supera el umbral de exactitud
20
15
10
0
Sensor A1 1 A22 A33 A44 51
EA 62
EA
Rotura 0 1 13 13 19 19
Gripado 6 3 2 9 16 18
Picadura 4 6 7 4 22 24
Agrietamiento 10 12 13 9 21 20
Figura 31: Resultados que superan el umbral de 96 % exactitud de clasificación

fusionando los IC del dominio de tiempo y de la frecuencia de cada sensor para los
diferentes fallos
123
6
Incremento o decremento del número de veces que

supera el umbral de exactitud al fusionar los IC
4
-2
-4
-6
-8
Sensor A1 1 A22 A33 A44 EA
5 1 EA62
Rotura 0 -5 2 1 2 1
Gripado 5 -6 -2 -2 3 5
Picadura -8 -3 4 -2 1 3
Agrietamiento 6 -2 1 -3 0 0
Figura 32: Variación del número de veces superan el umbral de exactitud, al fusionar
los IC del dominio de tiempo y de la frecuencia de cada sensor para los diferentes fallos
4.5.6.. Resultados del SD1 para la base de datos de 31 condiciones
4.5.6.1.. Resultados del SD1 para la base de datos de 31 condiciones en el dominio del
tiempo.
En el anexo E.1. se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo de las señales y sensores de vibración Tabla E1.1, emisión acústica
Tabla E1.2 y corriente Tabla E1.3. A partir de estas tablas se extrae la Tabla 60, en
donde se presentan los resultados que superen el umbral de 94 % y la máxima exactitud
de clasificación de cada señal y sensor por los diferentes métodos de ranqueo. Para
presentar los resultados de esta base de datos se propuso el umbral de clasificación del
94 % debido a las 31 condiciones que tiene la base de datos.
De las cuatro señales de vibración medidas, los IC extraídos del sensor A4 supera tres
veces el umbral de exactitud, y su exactitud máxima de clasificación es 94,31 % misma
que es la mayor de todas las señales de vibración. Para las señales de emisión acústica
medidas los IC extraídos del sensor EA1 supera seis veces el umbral, siendo el sensor
124
cuyos indicadores logran la mayor exactitud en la clasificación con 94,48 % de todos los
sensores, mientras que los IC extraídos del sensor corriente C1 entregan una máxima
exactitud de 59,18 %.

clasificación de cada sensor en el dominio del tiempo para 31 condiciones
Número de
Exactitud Número de Número de
Número de veces que supera
Señal del máxima de veces que veces que
veces que el umbral por
sensor clasificación supera el supera el
supera el umbral Ganancia de
( %) umbral por umbral por
información
A1 0 91,50 0 0 0
A2 0 92,22 0 0 0
A3 0 92,54 0 0 0
A4 3 94,31 0 0 3
EA1 6 94,48 0 4 2
EA2 0 93,80 0 0 0
C1 0 59,18 0 0 0

puede apreciar que a partir del séptimo IC para la señal del EA1 para el método de
ranqueo Chi-cuadrado se supera el 94 % de exactitud, mientras que para la señal de A4
a partir del octavo IC se obtiene una exactitud de 96,54 % por el método de ranqueo
de ganancia de información, también se puede apreciar que la señal de corriente C1
alcanza el 59,18 % de exactitud con el método de ranqueo Chi-cuadrado.
125
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA1_Gi_T 3,23 33,43 90,32 93,58 93,90 93,62 94,19 94,12 91,93 92,58
EA1_Chi_T 3,23 44,84 91,86 93,44 93,90 93,97 94,48 94,40 94,30 94,19
EA1_Re_T 3,23 28,37 79,20 87,34 93,40 92,86 93,08 93,76 93,94 93,90
A4_Gi_T 3,21 16,75 69,34 90,38 92,58 92,76 93,44 94,13 94,31 94,27
A4_Chi_T 3,21 20,89 77,34 83,75 85,66 88,65 91,64 91,64 91,90 91,89
A4_Re_T 3,21 16,75 67,69 87,28 89,77 92,79 92,87 92,22 93,44 93,98
C1_Chi_T 3,23 18,92 41,68 43,30 58,67 59,18 58,82 47,28 40,11 32,15
Figura 33: Exactitud de clasificación de los IC en el dominio del tiempo para los
sensores A4, EA1, y C1 para 31 condiciones

los tres métodos para la señal del sensor A4, en donde la media se repiten tres veces y
pertenecen al campo de DF, también se repiten tres veces cruce por cero, indicadores de
forma de onda, longitud fractal máxima y verosimilitud negativa logarítmica de Weibull
que pertenecen al campo de EMG.
126
para 31 condiciones

Indicadores de
Media 3 DF 1 EMG
pulso
Cruce por cero 3 EMG CPT4 1 DF
Indicadores de Diferencia absoluta del
3 EMG 1 EMG
forma de onda valor de varianza
Longitud fractal
3 EMG Relación Log-Log 1 DF
máxima
Verosimilitud
negativa
3 EMG Relación desviación-media 1 DF
logarítmica de
Weibull
Valor de
Cambio de signo verosimilitud
2 EMG 1 DF
de pendiente negativo normal
normalizado
Límite superior
de histograma
Entropía de
CPT6 2 DF 1 DF
umbral
Porcentaje de
1 EMG
Myopulso

los tres métodos para la señal del sensor EA1, en donde factor de forma, relación log-
log, factor de impulso de desviación estándar, sexto momento estadístico, operador de
energía y relación desviación-media se repiten tres veces, y pertenecen al campo de DF,
también se repite tres veces los IC cambio de signo de pendiente e indicadores de pulso
que pertenece al campo de EMG.
127
tiempo para 31 condiciones

Quinto momento
estadístico
Cambio de signo Porcentaje de
3 EMG 1 EMG
de pendiente Myopulso
Factor de impulso
de desviación 3 DF 1 EMG
valor de varianza
estándar
Sexto momento
3 DF Curtosis 1 DF
estadístico
Operador de energía 3 DF Asimetría 1 DF
Indicadores de
3 EMG
pulso
128
4.5.6.2.. Resultados del SD1 para la base de datos de 31 condiciones en el dominio de
la frecuencia.
En el anexo E.2. se presenta el ranqueo de los IC y exactitud de clasificación usando
señales medidas con los sensores de vibración se presentan en la Tabla E2.1, emisión
acústica Tabla E2.2, y corriente Tabla E2.3. A partir de estas tablas se extrae la Tabla
con el sensor A1 alcanzan la máxima exactitud de 87,97 % de todos los sensores; de las
señales de emisión acústica, los IC extraídos del sensor EA2 producen una exactitud de
40,75 %.

clasificación de cada sensor en el dominio de la frecuencia para 31 condiciones
Señal del Exactitud máxima de

sensor clasificación ( %)
A1 87.97
A2 85.91
A3 86.09
A4 87.03
EA1 82.25
EA2 84.69
C1 40.75

de A2 para los IC ranqueados por los tres métodos, del noveno al décimo IC la señal
del A4 supera en exactitud de EA1, mientras que la señal de C1 llega hasta un máximo
de 40,75 % de exactitud por el método de Chi-cuadrado.
129
100
90
80
70
Exactitud (%)
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA2_Gi_F 3,23 38,26 74,54 80,32 81,35 83,58 75,73 77,02 77,88 78,31
EA2_Chi_F 3,23 38,26 78,99 82,18 84,69 83,58 75,73 75,44 77,16 77,52
EA2_Re_F 3,23 20,69 67,73 80,32 81,35 83,58 75,73 77,63 77,88 77,52
A1_Gi_F 3,21 6,88 18,91 42,15 59,87 70,00 72,23 75,47 82,49 85,77
A1_Chi_F 3,21 9,98 31,55 54,14 66,25 74,93 80,87 81,13 82,85 83,68
A1_Re_F 3,21 6,59 26,95 47,55 61,85 73,45 81,30 84,01 87,07 87,97
C1_Chi_F 3,23 18,17 40,75 29,00 20,61 17,38 15,23 13,41 12,22
Figura 34: Exactitud de clasificación de los IC en el dominio de la frecuencia para los

sensores A1, EA2, y C1 para 31 condiciones
4.5.6.3.. Resultados del SD1 para la base de datos de 31 condiciones en el dominio del
tiempo y frecuencia.
En el anexo E.3. se presenta el ranqueo de los IC y exactitud de clasificación en el
dominio del tiempo y de la frecuencia de las señales y sensores de vibración Tabla
E3.1, emisión acústica Tabla E3.2 y corriente Tabla E3.3. A partir del anexo, se extrae
la Tabla 64 que presenta los resultados que superan el umbral de 94 % y la máxima
exactitud de clasificación de cada sensor. En donde de todos los sensores solo los IC
extraídos del sensor EA1 supera una vez el umbral con un valor de 94,25 % de exactitud.
130
Los IC extraídos del sensor A4 presenta la máxima exactitud de 93,08 % de los sensores
de vibración, mientras que los IC extraídos de las señales de corriente medida con el
sensor C1 alcanzan la máxima exactitud de 62,28 %.

clasificación fusionando el dominio de tiempo y de la frecuencia para 31 condiciones
Número de
Número de Exactitud Número de Número de
veces que supera
el umbral por
Ganancia de
información
A1 0 92,43 0 0 0
A2 0 91,92 0 0 0
A3 0 90,69 0 0 0
A4 0 93,08 0 0 0
EA1 1 94,25 0 0 1
EA2 0 93,71 0 0 0
C1 0 68,28 0 0 0

C1, en donde se puede apreciar que para los IC ranqueados por los métodos de ganancia
de información y Chi-cuadrado tiene mayor exactitud, mientras que para la señal de A4
por el método de ranqueo de ReliefF se obtiene la mejor exactitud en la clasificación,
también se puede apreciar que la señal de corriente C1 tiene una exactitud máxima de
68,28 % por el método de Chi-cuadrado.
131
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
EA1_Gi_T_F 3,23 32,22 86,28 93,00 93,75 94,25 93,64 90,52 91,38 91,63
EA1_Chi_T_F 3,23 32,22 86,39 92,82 93,75 91,45 92,85 93,28 92,42 92,89
EA1_Re_T_F 3,23 29,17 62,18 87,07 80,46 86,75 87,21 89,19 89,55 92,24
A4_Gi_T_F 3,21 17,45 41,01 61,77 75,01 83,41 89,61 90,77 91,17 91,89
A4_Chi_T_F 3,21 20,95 77,57 84,13 85,97 88,93 91,06 91,16 91,35 91,49
A4_Re_T_F 3,21 17,45 46,23 63,69 75,01 85,14 90,16 92,03 92,61 93,08
C1_Chi_T_F 3,23 30,68 56,41 56,37 65,59 57,59 61,35 68,28 65,73 56,30
Figura 35: Exactitud de clasificación de los IC en el dominio de tiempo y de la

frecuencia para los sensores A4, EA1, y C1 para 31 condiciones

los tres métodos para la señal del sensor A4, los IC que se repiten tres y pertenecen
al dominio del tiempo son: media que pertenecen al campo de DF, cruce por cero y
longitud fractal máxima pertenece al campo EMG.
132
y de la frecuencia para 31 condiciones
Frecuencia
Media 3 Tiempo DF 1 Frecuencia DF
máxima
Cruce por cero 3 Tiempo EMG CPT6 1 Tiempo DF
Longitud Diferencia absoluta del
3 Tiempo EMG 1 Tiempo EMG
fractal máxima valor de varianza
Varianza de la frecuencia Relación Log-
central Log
Esparción
2 Frecuencia Audio Relación desviación-media 1 Tiempo DF
espectral
Valor de
verosimilitud
negativo normal
normalizado
Indicadores de Centroide
2 Tiempo EMG 1 Frecuencia Audio
forma de onda espectral
Verosimilitud
negativa
logarítmica de
Weibull
Cambio de
Entropía
signo de 1 Tiempo EMG 1 Frecuencia Audio
espectral
pendiente
Relación de
1 Frecuencia DF
frecuencia
tres métodos para la señal del sensor EA1, los IC que se repiten tres veces y pertenecen
al dominio del tiempo son: relación desviación-media, factor de impulso de desviación
estándar que pertenecen al campo de DF, cambio de signo de pendiente, diferencia
absoluta del valor de varianza que pertenece al campo EMG; los IC que se repiten tres
veces en el dominio de la frecuencia son: primer momento espectral del campo de DF y
entropía espectral que pertenece al campo de audio.
133
tiempo y de la frecuencia para 31 condiciones

Cambio de
Cuarto momento
signo de 3 Tiempo EMG 2 Frecuencia DF
espectral
pendiente
3 Tiempo EMG Operador de energía 2 Tiempo DF
valor de varianza
Cambio de
Relación desviación-media 3 Tiempo DF amplitud 2 Tiempo EMG
promedio
Factor de
impulso de Momento
3 Tiempo DF 1 Tiempo DF
desviación normalizado
estándar
Primer momento
3 Frecuencia DF CP4 1 Frecuencia DF
espectral
Entropía
3 Frecuencia Audio CP3 1 Frecuencia DF
espectral
Curtosis 2 Tiempo DF 1 Frecuencia DF
central
134
4.6.. SISTEMA DE DIAGNÓSTICO DOS (SD2)
En el SD2 se implementó un proceso metodológico para el diagnóstico de fallos en

cajas de engranajes mediante el enfoque de fusión de datos a nivel de indicadores. Para
la evalúa ción del proceso metodológico propuesto se utilizaron cinco bases de datos
adquiridas y explicadas en el capítulo de experimentación.
En la Figura 36, se presenta proceso metodológico que se emplea el SD2, el proceso

consta de siete etapas que se describen a continuación.
Etapa uno: se adquiere y almacenan las señales de monitoreo de la condición. Esta

etapa se explicó en la sección 4.2.; para evalúa r el SD2 se emplearon las cinco
bases de datos y los siete subconjuntos de cada base de datos por tipo de señal y
sensor presentados en la Tabla 28.
Etapa dos: extracción de indicadores, se presentó en la sección 4.3., se realiza
la extracción de 64 indicadores en el dominio del tiempo, y 24 indicadores en el
dominio de la frecuencia de cada una de las bases de datos por tipo de señal y
sensor; en la Tabla 29 se presenta los subconjuntos de indicadores en el dominio
del tiempo (Wt), y en la Tabla 30 los subconjuntos de indicadores en el dominio
de la frecuencia (Wf).
Etapa tres: fusión de indicadores, a partir de los subconjuntos de indicadores obte-
nidos en la Etapa dos, por tipo de señal y sensor se procede normalizar entre cero
y uno a cada uno de los valores de los datos en cada subconjunto, luego se fusionan
los indicadores de tres maneras: la primera, se agrupa los indicadores en el dominio
del tiempo de las tres señales, formando el vector de indicadores fusionado en el
dominio del tiempo (Xt); la segunda fusión, se agrupa los indicadores en el dominio
de la frecuencia de las tres señales, formando el vector de indicadores fusionados
en el dominio de la frecuencia (Xf); y la tercera fusión, se agrupa los indicadores
del dominio del tiempo (Xt) y de la frecuencia (Xf) de las tres señales en un solo
vector (X), formando el vector de indicadores fusionados en el dominio del tiempo
y de la frecuencia; con lo cual se obtiene tres vectores fusionados Xt. Xf, y X.
Etapa cuatro: selección de indicadores, a cada uno de los vectores fusionados: Xt, Xf
y X, se le aplica un análisis de correlación lineal sobre el 95 % entre los indicadores
agrupados, para eliminar los atributos redundantes y posteriormente se aplican
los tres métodos diferentes de ranqueo a los indicadores remanentes: algoritmo de
135
ReliefF, Chi-cuadrado, y ganancia de información. Y se obtienen tres vectores de
indicadores fusionados ranqueados por cada uno de los vectores fusionados.
Etapa cinco: selección de Z indicadores, a partir de los tres vectores de indicadores
fusionados ranqueados en la Etapa cuatro se seleccionan los Z primeros indicadores
de cada vector ranqueado.
Etapa seis: cada vector fusionado y ranqueado con Z indicadores ingresa a los
clasificadores kNN para clasificar los distintos fallos; el objetivo es llegar a una
exactitud en la clasificación superior al 96 % con el menor número de Z indicadores.
Donde kNN fue configurado con 3 vecinos más cercanos y la métrica de distancia fue
cosine. Para el entrenamiento del clasificador se utilizó un criterio de k-folds, para
dividir el conjunto de datos en subconjuntos de entrenamiento y prueba, se generó
un total de 5-folds de los cuales cuatro se utilizaron para entrenar clasificador y
uno para probar el modelo entrenado.
Etapa siete: se obtienen los resultados de la exactitud de clasificación para cada
uno de los vectores de indicadores fusionados ranqueados.
136
Figura 36: Esquema del sistema de diagnóstico de fallos para engranajes mediante el
enfoque de fusión a nivel de indicadores
4.7.. RESULTADOS DEL SISTEMA DE DIAGNÓSTICO DOS
Las cinco bases de datos tienen siete señales; cuatro señales de vibración (A1, A2, A3, y
A4), dos de emisión acústica (EA1, EA2) y una señal de corriente (C1). El objetivo de
SD2 mediante el enfoque de fusión de datos de las señales vibración, emisión acústica y
corriente a nivel de indicadores es determinar que señal, sensor, e indicador de condición
permite obtener la mayor exactitud en la clasificación de fallos.
137
Para evalúa r el SD2 se presentan los resultados que superan el umbral de 96 % de
exactitud en la clasificación por cada sensor, método de ranqueo, y la máxima exactitud
de cada uno. Se toma el umbral del 96 % como referencia debido a que es una exactitud
exigente en un sistema de diagnóstico para el caso de los fallos de severidad de fallos
en engranajes. Para la base de datos de 31 condiciones, el umbral de exactitud en la
clasificación es de 94 %. Par realizar los respectivos análisis.
4.7.1.. Resultados del SD2 para la base de datos del fallo de rotura
En el anexo F. se presenta ranqueo de los IC y exactitud de la clasificación para los

vectores de indicadores fusionados y ranqueados en el dominio del tiempo (Fus_T),
vector de indicadores fusionados y ranqueados en el dominio de la frecuencia (Fus_F),
y vector de indicadores fusionados y ranqueados en el dominio del tiempo y la de
frecuencia (Fus_T_F) de donde se extrae la Tabla 67 y la Figura 37. En la tabla
se presentan los resultados que superen el umbral de 96 % y la máxima exactitud de
clasificación de cada señal y sensor por los diferentes métodos de ranqueo. De los tres
vectores fusionados y ranqueados, los IC extraídos del vector de indicadores fusionados
y ranqueados en el dominio del tiempo supera 20 veces el umbral y tiene la exactitud
máxima de 99,75 % que es la mayor de los tres vectores. Para los IC extraídos del vector
de indicadores fusionados y ranqueados en el dominio de la frecuencia supera diez veces
el umbral de exactitud y llega a una exactitud máxima de 98,76 % que es la menor
exactitud de los tres vectores, mientras que los IC extraídos del vector de indicadores
fusionados y ranqueados en el dominio del tiempo y de la frecuencia supera 19 veces el
umbral de exactitud.
138
Tabla 67: Resultados del SD2 que superan el umbral de 96 % y la máxima exactitud
de clasificación para los vectores fusionados ranqueados del fallo de rotura
Número
Exactitud Número de Número de veces
de veces Número de veces
máxima de veces que que supera el
Indicadores fusionados que que supera el
clasificación supera el umbral por
supera el umbral por
( %) umbral por Ganancia de
umbral Chi-cuadrado
ReliefF información
Vector de indicadores
fusionados y ranqueados en el 20 99,75 6 7 7
dominio del tiempo
dominio de la frecuencia
fusionados y ranqueados en el
19 99,67 5 7 7
dominio del tiempo y la
frecuencia

incremento de los IC mejor ranqueados de los vectores fusionados y ranqueados por
el método de ReliefF (Re), ganancia de información (Gi) y Chi-cuadrado (Chi). En
donde el vector de indicadores Fus_T alcanza con tres IC una exactitud del 95,87 %
por el método de ranqueo de Chi-cuadrado, además a partir de quinto IC se supera
la exactitud del 98 % para los tres métodos de ranqueo; para el vector de indicadores
Fus_T_F se supera la exactitud del 98 % a partir del sexto IC para los tres métodos
de ranqueo; para el vector de indicadores Fus_F no se supera el 98 % por los métodos
de ranqueo.
A partir de la Tabla F1 que presenta el Ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio del tiempo en la Tabla 68 se presenta el
número de veces que se repiten los IC para los tres métodos de ranqueo a que sensor y
campo pertenece cada IC. De los treinta IC, once IC son del sensor EA2, diez del sensor
A4, cinco del sensor A3, y cuatro del sensor EA1. En donde el IC media se repiten seis
veces, tres para el A3 y tres para A4 y pertenecen al campo de DF; el IC cruce por
cero se repite cuatro veces dos para el sensor A3 y dos para A4, el cambio de signo
de pendiente se repite tres veces para el sensor EA1 y una vez para EA2, estos dos IC
pertenecen al campo de EMG; los IC factor de forma y relación Log-Log se repiten tres
139
100
90
80
Exactitud (%) 70
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
Fus_T_Re 11,15 27,58 64,65 95,37 98,43 98,68 98,43 98,35 98,68 98,93
Fus_T_Chi 11,15 62,01 95,87 99,59 98,68 99,50 99,42 99,09 99,26 99,26
Fus_T_Gi 11,15 62,01 90,67 98,59 99,26 99,34 99,34 99,42 99,59 99,75
Fus_F_Re 11,19 59,74 78,63 93,37 93,78 94,86 98,34 97,93 98,01 98,67
Fus_F_Gi 11,19 59,74 86,41 92,54 96,35 98,34 98,76 98,43 98,35 97,76
Fus_F_Chi 11,19 59,74 77,05 92,21 93,11 92,53 93,86 94,11 94,53 95,78
Fus_T_F_Re 11,19 28,03 63,85 83,08 95,11 98,59 98,59 98,75 98,76 99,09
Fus_T_F_Chi 11,19 59,78 93,95 98,76 98,67 99,50 98,92 99,50 99,50 99,50
Fus_T_F_Gi 11,19 45,67 93,53 98,59 99,34 99,58 99,67 99,59 99,59 99,59
Figura 37: Exactitud de clasificación con los indicadores fusionados y ranqueados para
el fallo de rotura
veces cada uno para el sensor EA2 y pertenecen al campo del DF.
140
Tabla 68: Repeticiones de los IC para la base de datos del fallo de rotura con la fusión
de indicadores en el dominio del tiempo
Indicador de condición Repeticiones Campo A1 A2 A3 A4 EA1 EA2 C1

Media 6 DF 0 0 3 3 0 0 0
Cruce por cero 4 EMG 0 0 2 2 0 0 0
Cambio de signo de pendiente 4 EMG 0 0 0 0 3 1 0
Factor de forma 3 DF 0 0 0 0 0 3 0
Relación Log-Log 3 DF 0 0 0 0 0 3 0
Momento normalizado 2 DF 0 0 0 0 1 1 0
Factor de latitud 2 DF 0 0 0 2 0 0 0
Factor de impulso de desviación
2 DF 0 0 0 0 0 2 0
estándar
Relación desviación-media 1 DF 0 0 0 0 0 1 0
Longitud fractal máxima 1 EMG 0 0 0 1 0 0 0
Diferencia valor absoluto de
1 EMG 0 0 0 1 0 0 0
Diferencia absoluta del valor de varianza 1 EMG 0 0 0 1 0 0 0
Total de IC por sensor 0 0 5 10 4 11 0
En la Tabla F2 se presenta el ranqueo de los IC y exactitud de la clasificación para la

fusión de indicadores en el dominio de la frecuencia, en la Tabla 69 se expone el número
de veces que se repiten los IC para los tres métodos de ranqueo a que sensor y campo
pertenece cada IC. De los treinta IC, once pertenecen al sensor A4, ocho al sensor EA2
y A3, y tres al sensor EA1. En donde los IC que se repiten ocho veces es la media,
tres para A3, y EA1, dos para EA2 y pertenecen al campo DF; el centroide espectral y
CP5 se repiten cuatro veces respectivamente, dos para A3 y A4, el primero pertenece
al campo del audio el segundo al campo del DF; entropía espectral y primer momento
espectral se repiten tres veces cada uno en el sensor EA2, el primero pertenece al campo
de audio y el segundo al campo del DF.
141
Tabla 69: Resultados del SD2 para la base de datos del fallo de rotura con la fusión de
indicadores en el dominio de la frecuencia

CP4 8 DF 0 0 3 3 2 0 0
Centroide espectral 4 Audio 0 0 2 2 0 0 0
CP5 4 DF 0 0 2 2 0 0 0
Entropía espectral 3 Audio 0 0 0 0 0 3 0
Primer momento espectral 3 DF 0 0 0 0 0 3 0
Esparción espectral 2 Audio 0 0 0 2 0 0 0
Relación de frecuencia 2 DF 0 0 1 1 0 0 0
CP3 2 DF 0 0 0 0 1 1 0
Varianza de la frecuencia central 1 DF 0 0 0 0 0 1 0
Frecuencia máxima 1 DF 0 0 0 1 0 0 0
A partir de la Tabla F3 Ranqueo de los IC y exactitud de la clasificación para la fusión

de indicadores en el dominio del tiempo y de la frecuencia en la Tabla 70 se presenta el
número de veces que se repiten los IC para los tres métodos de ranqueo a que sensor,
campo y dominio pertenece. De los treinta IC, diez pertenecen al sensor A4, nueve
del sensor EA2, siete del sensor A3, y cuatro del sensor EA1. En donde los IC que se
repiten seis veces es media tres veces para el A3 y tres para A4 y pertenecen al dominio
del tiempo y al campo DF; el IC centroide espectral se repite cuatro veces dos para
el A3 y A4, pertenece al dominio de la frecuencia al campo de audio; el IC entropía
espectral se repite tres veces, pertenecen al dominio de la frecuencia, al campo de audio;
los IC primer momento espectral y CP4 se repiten tres veces pertenecen al dominio de
la frecuencia al campo DF.
142
Tabla 70: Resultados del SD2 para la base de datos del fallo de rotura on la fusión de
indicadores en el dominio del tiempo y de la frecuencia
Indicador de condición Repeticiones Dominio Campo A1 A2 A3 A4 EA1 EA2 C1

Media 6 Tiempo DF 0 0 3 3 0 0 0
Centroide espectral 4 Frecuencia Audio 0 0 2 2 0 0 0
Entropía espectral 3 Frecuencia Audio 0 0 0 0 0 3 0
Primer momento espectral 3 Frecuencia DF 0 0 0 0 0 3 0
CP4 3 Frecuencia DF 0 0 1 1 1 0 0
Momento normalizado 2 Tiempo DF 0 0 0 0 1 1 0
Cambio de signo de pendiente 2 Tiempo EMG 0 0 0 0 2 0 0
1 Tiempo DF 0 0 0 0 0 1 0
estándar
Relación desviación-media 1 Tiempo DF 0 0 0 0 0 1 0
Longitud fractal máxima 1 Tiempo EMG 0 0 0 1 0 0 0
1 Tiempo EMG 0 0 0 1 0 0 0
Diferencia absoluta del valor de varianza 1 Tiempo EMG 0 0 0 1 0 0 0
4.7.2.. Resultados del SD2 para la base de datos del fallo de gripado
En el anexo G. se presenta ranqueo de los IC y exactitud de la clasificación para los IC

extraídos de los vectores de indicadores Fus_T, Fus_F, y Fus_T_F de donde se extrae
la Tabla 71 y la Figura 38. De los tres vectores fusionados y ranqueados, los IC extraídos
del vector de indicadores Fus_T supera 20 veces el umbral y tiene la exactitud máxima
de 99,59 % que es la mayor de los tres vectores. Para los IC extraídos del vector de
indicadores fusionados y ranqueados en el dominio de la frecuencia supera ocho veces
el umbral de exactitud y llega a una exactitud máxima de 98,16 % que es la menor
exactitud de los tres vectores, mientras que los IC extraídos del vector de indicadores
fusionados y ranqueados en el dominio del tiempo y de la frecuencia supera 20 veces el
143
de clasificación para los vectores fusionados ranqueados del fallo de gripado
Número
umbral Chi-cuadrado
dominio del tiempo
20 99,4 6 7 7
frecuencia
En la Figura 38 se presenta como varía la exactitud de clasificación a medida que se

va incrementando los IC de los vectores fusionados y ranqueados por el método de
ReliefF, ganancia de información y Chi-cuadrado. En donde los IC extraídos del vector
Fus_T alcanza con tres IC una exactitud del 95,87 % por el método de ranqueo de
Chi-cuadrado, además a partir de quinto IC se supera la exactitud del 98 % para los
tres métodos de ranqueo; para el vector Fus_T_F se supera la exactitud del 98 % a
partir del sexto IC para los tres métodos de ranqueo; el vector Fus_F supera el 98 %
de exactitud por el método de ranqueo de ReliefF para el décimo IC.
144
100
90
80
Exactitud (%) 70
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
Fus_T_Re 11,12 32,13 48,68 83,77 98,68 98,68 98,60 99,18 98,85 98,85
Fus_T_Chi 11,12 63,18 95,64 99,01 99,09 99,01 99,50 99,34 99,42 99,42
Fus_T_Gi 11,12 63,18 89,37 98,27 99,18 99,51 99,42 99,51 99,59 99,26
Fus_F_Re 11,10 59,51 81,46 89,98 90,73 90,39 92,82 96,49 97,41 98,16
Fus_F_Chi 11,10 59,51 89,36 91,27 92,24 93,50 95,75 96,67 96,08 97,17
Fus_F_Gi 11,10 59,51 75,71 80,38 86,73 92,25 93,33 96,25 96,00 96,50
Fus_T_F_Re 11,12 32,04 49,26 82,29 97,03 98,19 98,19 98,60 98,76 98,85
Fus_T_F_Chi 11,12 60,38 93,99 98,76 98,85 99,09 99,09 98,68 98,27 98,93
Fus_T_F_Gi 11,12 60,38 89,95 97,69 98,19 99,34 98,27 98,85 98,85 99,01
el fallo de gripado
A partir de la Tabla G1 que presenta ranqueo de los IC y exactitud de la clasificación

campo pertenece. De los treinta IC, doce IC son del sensor EA2, ocho del sensor A4,
seis del sensor A1, tres del sensor EA1, y uno del sensor A3. En donde el IC media se
repiten ocho veces, cinco para el A4 y tres para A1 y pertenecen al campo de DF; el
IC relación Log-Log se repite cuatro veces tres para el sensor EA2 y una para A4, el
cambio de signo de pendiente se repite cuatro veces, dos para el sensor EA1 y dos para
EA2, estos dos IC pertenecen al campo de EMG; el IC factor de forma se repite tres
145
veces para el sensor EA2 y pertenece al campo del DF.
Tabla 72: Repeticiones de los IC para la base de datos del fallo de gripado con la
fusión de indicadores en el dominio del tiempo

Media 8 DF 3 0 0 5 0 0 0
Relación Log-Log 4 EMG 0 0 0 1 0 3 0
2 DF 0 0 0 0 0 2 0
estándar
Cruce por cero 2 DF 0 0 1 1 0 0 0
Asimetría 1 DF 0 0 0 1 0 0 0
Valor de verosimilitud negativo
1 EMG 1 0 0 0 0 0 0
normal normalizado
Indicadores de forma de onda 1 EMG 1 0 0 0 0 0 0
A partir de la Tabla G2 que se presenta el ranqueo de los IC y exactitud de la clasi-

ficación para la fusión de indicadores en el dominio de la frecuencia en la Tabla 73 se
presenta el número de veces que se repiten los IC para los tres métodos de ranqueo a
que sensor y campo pertenece. De los treinta IC, diez pertenecen al sensor EA2, nueve
al sensor A4, siete al sensor A3, dos al sensor A1, uno para EA1 y C1. En donde el
IC que se repite siete veces es CP5, tres para A3, y A4, una vez para el sensor A1 y
pertenecen al campo DF; varianza de la frecuencia central se repite cuatro veces, dos
para sensor EA2 y una vez tanto para A1 y A4 el IC pertenece al campo de audio.
146
Tabla 73: Resultados del SD2 para la base de datos del fallo de gripado con la fusión
de indicadores en el dominio de la frecuencia

CP5 7 DF 1 0 3 3 0 0 0
Varianza de la frecuencia central 4 Audio 1 0 0 1 0 2 0
Esparción espectral 3 DF 0 0 0 3 0 0 0
CP3 3 DF 0 0 0 0 1 2 0
Varianza de frecuencia 1 DF 0 0 0 1 0 0 0
A partir de la Tabla G3 se da a conocer el ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio del tiempo y de la frecuencia, en la Tabla 74
se presenta el número de veces que se repiten los IC para los tres métodos de ranqueo
a que sensor, campo y dominio pertenece. De los treinta IC, doce son del sensor EA2,
siete del sensor A4, cinco del sensor A1, cuatro del sensor EA1, además de los treinta
IC, dieciocho pertenecen al dominio del tiempo y doce al dominio de la frecuencia. En
donde el IC que se repite seis veces es media, cuatro veces para el A4 y dos para A1 y
pertenecen al dominio del tiempo y al campo DF; el IC cambio de signo de pendiente se
repite cuatro veces, dos para el sensor EA1 y EA2, y pertenece al dominio del tiempo
al campo EMG.
147
Tabla 74: Resultados del SD2 para la base de datos del fallo de gripado con la fusión
de indicadores en el dominio del tiempo y de la frecuencia

1 Tiempo DF 0 0 0 0 0 1 0
estándar
K-ésimo momento central 1 Tiempo DF 0 0 0 1 0 0 0
1 Tiempo DF 1 0 0 0 0 0 0
normal normalizado
Indicadores de forma de onda 1 Tiempo EMG 1 0 0 0 0 0 0
Esparción espectral 1 Frecuencia Audio 0 0 0 1 0 0 0
4.7.3.. Resultados del SD2 para la base de datos del fallo de picadura
En el anexo H. se presenta el ranqueo de los IC y exactitud de la clasificación para

los vectores de indicadores Fus_T, Fus_F, Fus_T_F de donde se extrae la Tabla 75 y
la Figura 39. De los tres vectores fusionados y ranqueados, los IC extraídos del vector
Fus_T supera 20 veces el umbral y tiene la exactitud máxima de 100 % que es la mayor
de los tres vectores. Para los IC extraídos del vector Fus_F supera doce veces el umbral
de exactitud y llega a una exactitud máxima de 98,91 % que es la menor exactitud de
los tres vectores, mientras que los IC extraídos del vector Fus_T_F supera 23 veces el
148
de clasificación para los vectores fusionados ranqueados del fallo de picadura
Número Exactitud Número de Número de veces

Número de veces
de veces máxima de veces que que supera el
Indicadores fusionados que supera el
que supera el clasificación supera el umbral por
umbral por
umbral ( %) umbral por Ganancia de
Chi-cuadrado
dominio del tiempo
dominio del tiempo y la frecuencia

va incrementando los IC de los vectores fusionados y ranqueados por Re, Gi y Chi. En
donde el vector de indicadores Fus_T alcanza con cuatro IC una exactitud del 100 %
por el método de ranqueo de Chi-cuadrado, además a partir de quinto IC se supera
la exactitud del 99 % para los tres métodos de ranqueo; para el vector de indicadores
Fus_T_F se supera la exactitud del 99 % a partir del séptimo IC para los tres métodos
de ranqueo; para el vector de indicadores Fus_F no se supera el 99 % de exactitud por
los métodos de ranqueo.
149
100
90
80
Exactitud (%) 70
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
Fus_T_Re 11,14 56,93 71,12 95,79 99,09 99,67 99,67 99,51 99,75 99,84
Fus_T_Chi 11,14 54,70 93,40 100,00 99,92 99,92 99,84 99,34 99,67 99,67
Fus_T_Gi 11,14 54,70 93,40 99,51 99,92 99,92 99,75 99,67 99,75 99,59
Fus_F_Re 11,10 56,77 76,20 92,43 94,37 96,81 98,07 98,32 97,98 98,24
Fus_F_Chi 11,10 56,77 86,54 91,84 92,01 95,88 97,40 98,82 98,40 98,91
Fus_F_Gi 11,10 56,77 79,82 90,08 92,35 95,88 95,55 97,57 98,41 98,40
Fus_T_F_Re 11,14 55,20 70,05 96,20 97,85 99,26 99,34 98,93 99,26 99,42
Fus_T_F_Chi 11,14 54,87 97,69 96,87 98,35 98,10 99,42 99,42 99,26 98,35
Fus_T_F_Gi 11,14 54,87 97,69 99,01 97,94 99,17 99,34 99,17 99,51 99,75
el fallo de picadura
A partir de la Tabla H1 que presenta el ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio del tiempo, en la Tabla 76 se presenta el
número de veces que se repiten los IC para los tres métodos de ranqueo a que sensor
y campo pertenece. De los treinta IC, veintiuno son del sensor EA2, cuatro del sensor
C1, dos de A1 y uno para A3, A4 y EA1. En donde el IC factor de forma se repiten seis
veces, tres para el EA1 y tres para C1 y pertenecen al campo de DF; los IC Relación
Log-Log y Factor de impulso de Desviación estándar se repiten tres veces tanto para el
sensor EA2, estos dos IC pertenecen al campo de EMG; el IC relación desviación-media
se repite tres veces y pertenecen al campo del DF.
150
Tabla 76: Repeticiones de los IC para la base de datos del fallo de picadura con la
fusión de indicadores en el dominio del tiempo

Relación Log-Log 3 EMG 0 0 0 0 0 3 0
3 EMG 0 0 0 0 0 3 0
estándar
Media 2 DF 1 0 0 1 0 0 0
Sexto momento estadístico 2 DF 0 0 0 0 0 2 0
CPT6 2 DF 0 0 0 0 0 2 0
Cambio de amplitud promedio 2 DF 0 0 0 0 0 2 0
Curtosis 2 EMG 0 0 0 0 0 2 0
Asimetría 1 EMG 0 0 1 0 0 0 0
1 EMG 0 0 0 0 0 1 0
valor de varianza
Factor de impulso 1 0 0 0 0 0 0 1
A partir de la Tabla H2 que se presenta el ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio de la frecuencia, en la Tabla 77 se presenta
el número de veces que se repiten los IC para los tres métodos de ranqueo a que sensor
y campo pertenece. De los treinta IC, diez pertenecen al sensor A4, nueve al sensor
EA2 y cinco al sensor A3, además de los treinta IC diecinueve pertenecen al campo de
DF y once al campo de audio. El IC entropía espectral se repite seis veces; tres para el
sensor EA2 y tres para el sensor de corriente C1, el indicador pertenece al campo de
DF. Se repite cuatro veces los IC varianza de la frecuencia central y CP4 que pertenece
al campo de DF, también se repite cuatro veces CP5 que pertenece al campo de DF.
151
Tabla 77: Resultados del SD2 para la base de datos del fallo de picadura con la fusión
de indicadores en el dominio de la frecuencia

Entropía espectral 6 DF 0 0 0 0 0 3 3
4 Audio 0 0 0 1 0 3 0
central
CP5 4 DF 0 0 1 3 0 0 0
CP4 4 Audio 0 0 2 2 0 0 0
Asimetría de frecuencia 3 Audio 1 0 1 1 0 0 0
Esparción espectral 3 DF 0 0 0 3 0 0 0
CP3 2 DF 0 0 0 0 2 0 0
Frecuencia mediana 1 DF 0 0 1 0 0 0 0
A partir de la Tabla H3 que presenta el ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio del tiempo y de la frecuencia, en la Tabla 78 se
presenta el número de veces que se repiten los IC para los tres métodos de ranqueo a que
sensor, campo y dominio pertenece. De los treinta IC, diecisiete pertenecen al dominio
del tiempo trece pertenecen al dominio de la frecuencia, con respecto a la pertenencia
del campo, veinte IC pertenecen al campo de DF, siete al campo de audio y tres al
campo de EMG, los IC provienen principalmente del sensor de EA2 con diecinueve IC,
y cinco del sensor C1. El IC que más veces se repite es entropía espectral con cinco,
veces tres para el sensor EA2 y dos para el sensor C1 y pertenece al dominio de la
frecuencia y al campo de audio.
152
Tabla 78: Resultados del SD2 para la base de datos del fallo de picadura con la fusión
de indicadores en el dominio del tiempo y de la frecuencia

Primer momento
3 Frecuencia DF 0 0 0 0 0 3 0
espectral
Factor de forma 3 Tiempo DF 0 0 0 0 0 0 3
3 Tiempo DF 0 0 0 0 0 3 0
CPT6 2 Tiempo DF 0 0 0 0 0 2 0
Cambio de amplitud
2 Tiempo EMG 0 0 0 0 0 2 0
promedio
Asimetría 1 Tiempo DF 0 0 1 0 0 0 0
1 Tiempo EMG 0 0 0 0 0 1 0
valor de varianza
central
4.7.4.. Resultados del SD2 para la base de datos del fallo de agrietamiento
En el anexo I. se presenta ranqueo de los IC y exactitud de la clasificación para los

vectores de indicadores Fus_T, Fus_F, y Fus_T_F de donde se extrae la Tabla 79 y
la Figura 40. De los tres vectores fusionados y ranqueados, los IC extraídos del vector
Fus_T supera 21 veces el umbral y tiene la exactitud máxima de 99,84 % que es la mayor
de los tres vectores. Para los IC extraídos del vector Fus_F supera trece veces el umbral
de exactitud y llega a una exactitud máxima de 98,74 % que es la menor exactitud de
los tres vectores, mientras que los IC extraídos del vector Fus_T_F supera 23 veces el
umbral y llega a una exactitud máxima de 99,92 %.
153
de clasificación para los vectores fusionados ranqueados para el fallo de agrietamiento
Número Exactitud Número de Número de veces

Número de veces
de veces máxima de veces que que supera el
Indicadores fusionados que supera el
que supera clasificación supera el umbral por
umbral por
el umbral ( %) umbral por Ganancia de
Chi-cuadrado
dominio del tiempo
23 99,92 7 8 8
frecuencia

va incrementando los IC de los vectores fusionados y ranqueados por el método de
ReliefF, ganancia de información y Chi-cuadrado. En donde el vector de indicadores
Fus_T alcanza con tres IC una exactitud del 95,46 % por el método de ranqueo de
Chi-cuadrado, además a partir de quinto IC se supera la exactitud del 98 % para los
tres métodos de ranqueo; para los vectores indicadores Fus_F y Fus_T_F a partir
del tercer IC por el método de ranqueo de Chi-cuadrado y ganancia de información se
obtiene una exactitud superior al 97 %.
154
100
90
80
Exactitud (%) 70
60
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
Fus_T_Re 10,97 54,05 90,10 98,68 98,76 99,09 99,01 99,67 99,75 99,75
Fus_T_Chi 10,97 67,33 95,46 98,84 99,01 99,34 99,42 99,42 99,59 99,84
Fus_T_Gi 10,97 67,33 93,81 96,95 99,51 99,59 99,51 99,51 99,51 99,83
Fus_F_Re 10,93 73,50 97,73 92,34 94,11 94,62 96,39 98,40 98,23 98,74
Fus_F_Chi 10,93 73,50 97,73 95,45 95,37 95,45 96,13 95,87 95,79 95,95
Fus_F_Gi 10,93 73,50 97,73 92,01 92,27 96,81 97,81 97,98 98,74 98,40
Fus_T_F_Re 10,93 51,14 85,95 98,07 98,91 98,82 98,74 99,24 99,41 99,16
Fus_T_F_Chi 10,93 72,66 97,73 97,73 98,66 96,89 98,57 98,82 99,41 98,99
Fus_T_F_Gi 10,93 72,66 97,73 97,90 99,16 99,75 99,83 99,83 99,33 99,92
el fallo de agrietamiento
A partir de la Tabla I1, que presenta el ranqueo de los IC y exactitud de la clasificación

campo pertenece. De los treinta IC, veinte pertenecen al campo de DF, diez al campo
de EMG; de los treinta IC los sensores que más aportan son quince de sensor EA2, y
ocho del sensor EA1. En donde el IC media se repiten seis veces, tres para el sensor
EA1 y tres para EA2. Se repite cuatro veces los IC factor de forma tres para EA2 y
una para C1; factor de impulso de desviación estándar y cambio de signo de pendiente,
dos para EA1 y EA2 respectivamente.
155
Tabla 80: Repeticiones de los IC para la base de datos del fallo de agrietamiento con
la fusión de indicadores en el dominio del tiempo

Cambio de signo de
4 EMG 0 0 0 0 2 2 0
pendiente
4 DF 0 0 0 0 2 2 0
3 EMG 0 0 1 0 0 2 0
valor de varianza
Media 2 DF 1 0 0 1 0 0 0
K-ésimo momento central 2 DF 0 0 0 0 0 2 0
Cruce por cero 2 EMG 0 0 1 1 0 0 0
1 EMG 0 0 1 0 0 0 0
A partir de la Tabla I2 que se presenta el ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio de la frecuencia en la Tabla 81 se presenta
y campo pertenece. De los treinta IC, veintiuno pertenecen al campo de DF y nueve
al campo de audio; los sensores que más aporta son el sensor A4 con once IC, y los
sensores EA1 y EA2 cada uno con ocho indicadores. En donde los IC que más se repiten
son CP4 siete veces tres para EA1, dos para EA2 y A3, centroide espectral 1 seis veces,
tres para EA1 y EA2 ambos IC pertenecen al campo de DF, el IC centroide espectral
se repite cuatro veces una para A3 y tres para A4.
156
Tabla 81: Resultados del SD2 para la base del fallo de agrietamiento con la fusión de

CP4 7 DF 0 0 2 3 2 0 0
CP5 2 DF 0 0 0 2 0 0 0
CP3 2 DF 0 0 0 0 1 1 0
Asimetría de frecuencia 1 DF 0 0 0 1 0 0 0
A partir de la Tabla I3 que se presenta el ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio del tiempo y de la frecuencia en la Tabla 82 se
presenta el número de veces que se repiten los IC para los tres métodos de ranqueo a que
sensor, campo y dominio pertenece. De los treinta IC, dieciocho pertenecen al dominio
del tiempo y doce al dominio de la frecuencia; de estos dieciocho son del campo de DF,
siete del campo EMG y cinco del campo de audio; de estos IC extraídos los sensores
que más indicadores aportan son EA2 dieciséis, EA1 ocho, y cuatro el sensor A4.
El IC primer momento espectral es el indicador que más se repite tres veces para EA1
y EA2 y pertenece al campo de DF; el IC primer momento espectral se repite cuatro
veces dos para EA1 y EA2 y pertenece al dominio del tiempo y al campo de EMG.
157
Tabla 82: Resultados del SD2 para la base de datos del fallo de agrietamiento con la
fusión de indicadores en el dominio del tiempo y de la frecuencia

Primer momento
espectral
Cambio de signo
4 Tiempo EMG 0 0 0 0 2 2 0
de pendiente
3 Tiempo DF 0 0 0 0 2 1 0
estándar
K-ésimo momento central 2 Tiempo DF 0 0 0 0 0 2 0
2 Tiempo EMG 0 0 0 0 0 2 0
valor de varianza
1 Tiempo EMG 0 0 1 0 0 0 0
158
Para el fallo de agrietamiento el sensor A2 no aporta IC para la clasificación.
4.7.5.. Resultados del SD1 para la base de datos del fallo de 31 condiciones
En el anexo J. se presenta ranqueo de los IC y exactitud de la clasificación para el

vector de indicadores Fus_T, Fus_F, Fus_T_F de donde se extrae la Tabla 83 y la
Figura 35. De los tres vectores fusionados y ranqueados, los IC extraídos del vector
Fus_T supera 12 veces el umbral y tiene la exactitud máxima de 94,55 %. Para los IC
extraídos del vector Fus_F no supera el umbral de exactitud y llega a una exactitud
máxima de 91,56 % que es la menor exactitud de los tres vectores, mientras que los
IC extraídos del vector Fus_T_F supera 12 veces el umbral y llega a una exactitud
máxima de 94,73 %.
de clasificación para los vectores fusionados ranqueados para la base de datos de 31
condiciones
Número
umbral Chi-cuadrado
dominio del tiempo
12 94,73 0 6 6
frecuencia
En la Figura 41 se presenta como varía la exactitud de clasificación a medida que se va

incrementando los IC de los vectores fusionados y ranqueados por el método de ReliefF,
ganancia de información y Chi-cuadrado. En donde los vectores de indicadores Fus_T
y Fus_T_F alcanzan con cuatro IC una exactitud mayor al 94 % por los métodos
de ranqueo de Chi-cuadrado y ganancia de información; para el vector de indicadores
159
Fus_F se supera la exactitud del 98 % a partir del sexto IC para los tres métodos de
ranqueo; para el vector Fus_F se alcanza una exactitud máxima de 91,56 %.
100
90
80
70
60
Exactitud (%)
50
40
30
20
10
Número de IC
0
1 2 3 4 5 6 7 8 9 10
Fus_T_Re 3,21 27,50 58,10 87,19 92,42 91,16 90,83 91,30 91,70 92,82
Fus_T_Chi 3,21 39,19 87,62 92,67 94,12 94,30 94,44 94,41 94,48 94,48
Fus_T_Gi 3,21 39,19 87,62 92,67 94,55 94,41 94,44 94,44 94,44 94,48
Fus_F_Re 3,23 18,85 9,55 13,43 13,93 42,91 72,42 75,91 77,85 78,71
Fus_F_Chi 3,23 29,95 87,97 91,56 88,90 88,54 87,68 87,07 87,22 87,50
Fus_F_Gi 3,23 29,95 87,97 85,46 86,64 85,17 87,22 87,18 86,50 89,08
Fus_T_F_Re 3,21 48,58 73,22 88,23 89,21 88,38 88,52 91,77 83,11 82,61
Fus_T_F_Chi 3,21 29,02 86,83 93,76 94,30 94,73 94,70 94,70 94,70 94,66
Fus_T_F_Gi 3,21 38,40 86,83 93,76 94,30 94,62 94,73 94,70 94,70 94,73
31 condiciones
A partir de la Tabla J1 donde se presenta el ranqueo de los IC y exactitud de la

clasificación para la fusión de indicadores en el dominio del tiempo en la Tabla 84 se
presenta el número de veces que se repiten los IC para los tres métodos de ranqueo a
que sensor y campo pertenece. De los treinta IC, veintitrés pertenecen al campo de DF
y siete al campo de EMG; los sensores que más IC aportan son el sensor EA2 doce IC,
EA1 con ocho.
El IC que más se repite es la media, tres veces para los sensores A2 y A4, y dos veces
160
para el sensor A1, el IC relación Log-Log se repite cuatro veces dos para EA1 y EA2,
ambos IC pertenecen al campo de DF.
Tabla 84: Repeticiones de los IC para la base de datos de 31 condiciones con la fusión
de indicadores en el dominio del tiempo

Media 8 DF 2 3 0 3 0 0 0
3 EMG 0 0 0 0 0 3 0
2 DF 0 0 0 0 2 0 0
estándar
Verosimilitud negativa
2 EMG 0 0 0 0 0 2 0
logarítmica de Weibull
Límite superior de histograma 1 DF 0 0 0 0 0 0 1
Quinto momento estadístico 1 DF 0 0 0 0 0 0 1
A partir de la Tabla J2 que se presenta el ranqueo de los IC y exactitud de la clasificación

para la fusión de indicadores en el dominio de la frecuencia, en la Tabla 85 se presenta
y campo pertenece. De los treinta IC, veintiséis pertenecen al campo de DF y cuatro al
campo de audio; de estos IC los sensores que más aportan son EA2 con doce, EA1 con
nueve, y corriente con siete indicadores. El IC primer momento espectral se repite seis
veces, tres para el sensor EA1 y EA2, la Varianza de la frecuencia central se repite seis
veces tres para el sensor EA2, dos para EA1 y una para C1, ambos IC pertenecen al
campo de DF; el IC CP3 se repite cuatro veces dos para el sensor EA1, una para EA2
y C1.
161
Tabla 85: Resultados del SD2 para la base de datos de 31 condiciones con la fusión de

CP3 4 DF 0 0 0 0 2 1 1
Relación de frecuencia 2 DF 0 0 0 0 0 0 2
Cuarto momento espectral 2 DF 0 0 0 0 0 2 0
CP4 2 DF 0 0 0 0 2 0 0
Asimetría de frecuencia 1 DF 0 0 0 0 0 0 1
CP5 1 DF 1 0 0 0 0 0 0
A partir de la Tabla J3 ranqueo de los IC y exactitud de la clasificación para la fusión

de indicadores en el dominio del tiempo y de la frecuencia en la Tabla 86 se presenta el
número de veces que se repiten los IC para los tres métodos de ranqueo a que sensor,
campo y dominio pertenece. De los treinta IC, veinte pertenecen al dominio del tiempo
y diez al dominio de la frecuencia; de estos indicadores extraídos los sensores que más
aporta son el sensor EA2 con diez indicadores, EA1 con siete indicadores y el sensor
de corriente con cuatro indicadores. El IC media se repite nueve veces tres para los
sensores A2 y A4, dos para A1 y una para A3 pertenece al dominio del tiempo y campo
de DF; el IC Primer momento espectral se repite cuatro veces dos para EA1 y EA2
pertenece al dominio de la frecuencia y al campo de DF.
162
Tabla 86: Resultados del SD2 para la base de datos de 31 condiciones con la fusión de
indicadores en el dominio del tiempo y de la frecuencia

3 Tiempo EMG 0 0 0 0 0 3 0
2 Tiempo DF 0 0 0 0 2 0 0
estándar
Frecuencia máxima 1 Frecuencia DF 0 0 0 0 0 0 1
Varianza de la frecuencia central 1 Frecuencia DF 0 0 0 0 0 0 1
Relación de frecuencia 1 Frecuencia DF 0 0 0 0 0 0 1
Para la base de datos de 31 condiciones todos los sensores aportan IC para la clasifica-
ción.
163
4.8.. COMPARACIÓN DE LOS RESULTADOS DE LOS SD1 Y SD2
En esta sección se presenta la comparación de los resultados del SD1 y SD2, para hacer
la comparación se evalúa el número de veces que supera el umbral de exactitud de
clasificación cada sistema de diagnóstico para las cinco bases de datos.
4.8.1.. Comparación de los resultados para el fallo de rotura
En la Tabla 87 se presenta el resumen de los resultados SD1 que superan el umbral de

96 % de exactitud para cada método de ranqueo y la máxima exactitud de clasificación
para los IC extraídos de la señal de los siete sensores de la base de datos del fallo de
rotura. En la Tabla 88 se presenta el resumen de los resultados del SD2 que superan el
umbral de 96 % y la máxima exactitud de clasificación para los vectores fusionados y
ranqueados.
De las señales analizadas en el dominio del tiempo del SD1 los IC extraídos del sensor
EA2 supera 18 veces el umbral y su exactitud máxima de clasificación es de 99,59 %,
mientras que para los IC extraídos del vector de indicadores fusionados y ranqueados
en el dominio del tiempo del SD2 supera 20 veces el umbral y la exactitud máxima es
de 99,75 %. De los IC extraídos en el dominio de la frecuencia del SD1 ninguno de los
sensores supera el umbral de exactitud, mientras que de los IC extraídos del vector de
indicadores fusionados y ranqueados en el dominio de la frecuencia del SD2 supera diez
veces el umbral de exactitud y alcanza la máxima exactitud de 98,76 %. Los IC extraídos
en dominio del tiempo y de la frecuencia del SD1 del sensor EA2 supera 19 veces el
umbral y la exactitud máxima es de 99,01 %, mientras los IC extraídos del vector de
indicadores fusionados y ranqueados en el dominio del tiempo y de la frecuencia del
SD2 igual supera 19 veces el umbral y la exactitud máxima es de 99,67 %.
Los resultados indican que el SD2 presenta mejores resultados que el SD1 para los
indicadores extraídos en el dominio del tiempo y dominio de la frecuencia; en el caso
de la combinación de IC en el dominio del tiempo y de la frecuencia no se presenta
diferencia en el número de veces que supera el umbral de exactitud de clasificación
entre el SD1 y SD2.
164
Tabla 87: Resumen de los resultados del SD1 que superan el umbral de 96 % y la
máxima exactitud de clasificación del fallo de rotura
Número de Número de Número de veces

Dominio veces que veces que que supera el
de supera el supera el umbral por
análisis umbral por umbral por Ganancia de
umbral ( %)
A1 0 95,13 0 0 0
A2 6 97,77 3 0 3
A3 11 98,76 3 2 6
Tiempo A4 12 98,93 4 2 6
EA1 17 99,18 6 6 5
EA2 18 99,59 7 8 3
C1 0 39,62 0 0 0
A1 0 87,27 0 0 0
A2 0 89,03 0 0 0
A3 0 93,89 0 0 0
Frecuencia A4 0 94,47 0 0 0
EA1 0 93,98 0 0 0
EA2 0 90,26 0 0 0
C1 0 25,27 0 0 0
A1 0 94,79 0 0 0
A2 1 97,52 1 0 0
A3 13 98,93 5 6 2
Tiempo y
A4 13 99,67 5 4 4
frecuencia
EA1 19 98,76 6 6 7
EA2 19 99,01 6 7 6
C1 0 44,81 0 0 0
165
de clasificación para los vectores fusionados ranqueados del fallo de rotura
Número Número de veces

de veces que supera el
Indicadores fusionados que umbral por
supera el Ganancia de
( %) umbral por Chi-cuadrado
umbral información
ReliefF
dominio del tiempo
19 99,67 5 7 7
frecuencia
166
4.8.2.. Comparación de los resultados para el fallo de gripado

gripado. En la Tabla 90 se presenta el resumen de los resultados del SD2 que superan
el umbral de 96 % y la máxima exactitud de clasificación para los vectores fusionados
y ranqueados.
De las señales analizadas en el dominio del tiempo los IC extraídos del sensor EA2 del
SD1 supera 13 veces el umbral y su exactitud máxima de clasificación es de 99,67 %,
mientras que para los IC extraídos del vector de indicadores fusionados y ranqueados
en el dominio del tiempo del SD2 supera 20 veces el umbral y la exactitud máxima
es de 99,59 %. De las señales de los sensores analizadas en el dominio de la frecuencia
del SD1 ninguno supera el umbral de exactitud, mientras que los IC del vector de
indicadores fusionados y ranqueados en el dominio de la frecuencia del SD2 supera
ocho veces el umbral de exactitud y alcanza la máxima exactitud de 98,16 %. Los IC
extraídos en dominio del tiempo y de la frecuencia del sensor EA2 del SD1 supera 18
veces el umbral y la exactitud es de 98,76 %, mientras los IC del vector de indicadores
fusionados y ranqueados en el dominio del tiempo y la frecuencia del SD2 supera 20
veces el umbral y la exactitud máxima es de 99,34 %.
Los resultados indican que el SD2 presenta mejores resultados que el SD1 para los indi-
cadores extraídos en el dominio del tiempo, dominio de la frecuencia, y la combinación
de los indicadores del dominio del tiempo y de la frecuencia.
167
máxima exactitud de clasificación del fallo de gripado
Número de
Número de Número de veces
Dominio veces que que supera el
de supera el umbral por
análisis umbral por Ganancia de
umbral ( %) Chi -
cuadrado
A1 1 96,38 1 0 0
A2 9 97,61 3 2 4
A3 4 97,04 0 0 4
Tiempo A4 11 98,85 5 3 3
EA1 13 98,85 3 7 3
EA2 13 99,67 3 7 3
C1 0 51,77 0 0 0
A1 0 94,3 0 0 0
A2 0 94,38 0 0 0
A3 0 90,46 0 0 0
EA1 0 93,2 0 0 0
EA2 0 89,08 0 0 0
C1 0 24,34 0 0 0
A1 6 98,35 2 2 2
A2 3 97,6 0 2 1
A3 2 96,94 2 0 0
Tiempo y
A4 9 98,18 3 2 4
frecuencia
EA1 16 98,26 6 6 4
EA2 18 98,76 7 7 4
C1 0 51,98 0 0 0
168
de clasificación para los vectores fusionados ranqueados del fallo de gripado
Número
umbral Chi-cuadrado
dominio del tiempo
20 99,4 6 7 7
frecuencia
169
4.8.3.. Comparación de los resultados para el fallo de picadura

picadura. En la Tabla 92 se presenta el resumen de los resultados del SD2 que superan
el umbral de 96 % y la máxima exactitud de clasificación para los vectores fusionados
y ranqueados.
Para las señales en el dominio del tiempo los IC extraídos del sensor EA2 del SD1
supera 21 veces el umbral y su exactitud máxima de clasificación es de 100 %, mientras
que para el vector de indicadores fusionados y ranqueados en el dominio del tiempo del
SD2 se supera 20 veces el umbral. De las señales de los sensores analizadas en el dominio
de la frecuencia los IC extraídos del sensor A3 del SD1 supera una vez el umbral de
exactitud y su exactitud máxima es de 96,86 %, mientras que de los IC extraídos del
vector de indicadores fusionados y ranqueados en el dominio de la frecuencia del SD2
supera 12 veces el umbral de exactitud y alcanza la máxima exactitud de 98,91 %. Los
IC extraídos en dominio del tiempo y de la frecuencia del sensor del EA2 del SD1 supera
24 veces el umbral y la exactitud máxima es de 99,75 %, mientras los IC del vector de
indicadores fusionados y ranqueados en el dominio del tiempo y de la frecuencia del
SD2 supera 23 veces el umbral y la exactitud máxima es de 99,75 %.
indicadores extraídos en el dominio del tiempo y la combinación de los indicadores del
dominio del tiempo y de la frecuencia; mientras que para los indicadores extraídos del
dominio de la frecuencia el SD2 presenta mejores resultados.
170
máxima exactitud de clasificación del fallo de picadura
Número de
Número de Número de veces
Dominio veces que que supera el
de supera el umbral por
análisis umbral por Ganancia de
umbral ( %) Chi -
cuadrado
A1 12 97,69 4 4 4
A2 9 98,02 4 1 4
A3 3 96,61 0 0 3
Tiempo A4 6 97,61 2 0 4
EA1 21 99,59 7 7 7
EA2 21 100 7 7 7
C1 0 62,47 0 0 0
A1 0 90,91 0 0 0
A2 0 93,22 0 0 0
A3 1 96,86 1 0 0
EA1 0 93,76 0 0 0
EA2 0 92,45 0 0 0
C1 0 42,4 0 0 0
A1 4 96,7 0 3 1
A2 6 98,43 4 2 0
A3 7 98,76 4 0 3
Tiempo y
A4 4 98,1 2 0 2
frecuencia
EA1 22 99,42 6 8 8
EA2 24 99,75 8 8 8
C1 0 62,86 0 0 0
171
de clasificación para los vectores fusionados ranqueados del fallo de picadura
Número de
Número Exactitud veces que veces que
veces que
Indicadores de veces máxima de supera el supera el
supera el
fusionados que supera clasificación umbral por umbral por
umbral por
el umbral ( %) Chi- Ganancia de
ReliefF
cuadrado información
fusionados y ranqueados 20 100,00 6 7 7
en el dominio del tiempo
fusionados y ranqueados
12 98,91 5 4 3
en el dominio de la
frecuencia
23 99,75 7 8 8
y la frecuencia
172
4.8.4.. Comparación de los resultados para el fallo de agrietamiento

para los IC extraídos de la señal de los siete sensores de la base del fallo de agrietamiento.
En la Tabla 94 se presenta el resumen de los resultados del SD2 que superan el umbral de
96 % y la máxima exactitud de clasificación para los vectores fusionados y ranqueados.
En el SD1 las señales analizadas en el dominio del tiempo los IC extraídos del sensor EA1
supera 21 veces el umbral y su exactitud máxima de clasificación es 100 %, mientras
que para el SD2 el vector de indicadores fusionados y ranqueados en el dominio del
tiempo supera 21 veces el umbral y la exactitud máxima es de 99,84 %. En el SD1 las
señales de los sensores analizadas en el dominio de la frecuencia los IC extraídos del
sensor A4 supera dos veces el umbral de exactitud y alcanzan una exactitud máxima de
96,36 %, mientras que en el SD2 los IC extraídos del vector de indicadores fusionados
y ranqueados en el dominio de la frecuencia supera 13 veces el umbral de exactitud y
alcanza la máxima exactitud de 98,74 %. Para el SD1 los IC extraídos en dominio del
tiempo y de la frecuencia del sensor EA1 supera 21 veces el umbral y la exactitud es de
99,83 %, mientras los IC extraídos del vector de indicadores fusionados y ranqueados en
el dominio del tiempo y la frecuencia del SD2 supera 23 veces el umbral y la exactitud
máxima es de 99,92 %.
indicadores extraídos en el dominio de la frecuencia y la agrupación de los indicadores
del dominio del tiempo y de la frecuencia; mientras que para los indicadores extraídos
en el dominio del tiempo presentan similares resultados los SD1 y SD2 con respecto al
número de veces que supera el umbral de exactitud.
173
Tabla 93: Resumen de los resultados que superan el umbral de 96 % y la máxima
exactitud de clasificación del fallo de agrietamiento
Número Número de Número de veces

Exactitud Número de veces
Dominio de veces veces que que supera el
Señal del máxima de que supera el
de que supera el umbral por
sensor clasificación umbral por Chi -
análisis supera el umbral por Ganancia de
( %) cuadrado
umbral ReliefF información
A1 4 97,03 1 2 1
A2 14 98,35 6 3 5
A3 12 99,09 4 3 5
Tiempo A4 12 99,01 4 4 4
EA1 21 100 7 7 7
EA2 20 99,84 6 7 7
C1 0 61,95 0 0 0
A1 0 91,76 0 0 0
A2 0 93,21 0 0 0
A3 0 93,46 0 0 0
EA1 0 93,82 0 0 0
EA2 0 91,82 0 0 0
C1 0 34,87 0 0 0
A1 10 98,85 4 3 3
A2 12 98,84 5 3 4
A3 13 99,50 5 4 4
Tiempo y
A4 9 99,26 4 1 4
frecuencia
EA1 21 99,83 7 7 7
EA2 20 99,75 6 7 7
C1 0 61,38 0 0 0
174
de clasificación para los vectores fusionados ranqueados para el fallo de agrietamiento
Número de
veces que
supera el
umbral por
ReliefF
13 98,74 5 2 6
en el dominio de la
frecuencia
23 99,92 7 8 8
y la frecuencia
175
4.8.5.. Comparación de los resultados para para la base de datos de 31 condiciones

para los IC extraídos de la señal de los siete sensores de la base de datos de 31 condi-
ciones. En la Tabla 96 se presenta el resumen de los resultados del SD2 que superan el
umbral de 94 % y la máxima exactitud de clasificación para los vectores fusionados y
ranqueados.
El SD1 para las señales en el dominio del tiempo los IC extraídos del sensor EA1 supera
seis veces el umbral y su exactitud máxima de clasificación es de 94,48 %, mientras que
para el vector de indicadores fusionados y ranqueados en el dominio del tiempo del SD2
supera 12 veces el umbral y la exactitud máxima es de 94,55 %. De las señales de los
sensores analizadas en el dominio de la frecuencia ninguno de los sensores supera el
umbral para el caso del SD1, del vector de indicadores fusionados y ranqueados en el
dominio de la frecuencia del SD2 tampoco supera el umbral, pero la exactitud máxima
de clasificación es mayor que las de SD1. Para el SD1 los IC extraídos en dominio
del tiempo y de la frecuencia del sensor EA1 supera una vez el umbral y la exactitud
máxima es de 94,25 %, mientras los IC extraídos del vector de indicadores fusionados
y ranqueados en el dominio del tiempo y de la frecuencia del SD2 supera 12 veces el
umbral y la exactitud máxima es de 94,73 %.
Los resultados indican que el SD2 presenta mejores resultados que el SD1 para los indi-
cadores extraídos en el dominio del tiempo, dominio de la frecuencia y la combinación
de los indicadores del dominio del tiempo y de la frecuencia; es importante indicar que
los dos sistemas no superan el umbral de exactitud para los indicadores extraídos en el
dominio de la frecuencia.
176
Tabla 95: Resumen de los resultados que superan el umbral de 94 % y la máxima
exactitud de clasificación de la base de datos de 31 condiciones
Número Número de Número de veces

Exactitud Número de veces
Dominio de veces veces que que supera el
Señal del máxima de que supera el
de que supera el umbral por
sensor clasificación umbral por Chi -
análisis supera el umbral por Ganancia de
( %) cuadrado
umbral ReliefF información
A1 0 91,5 0 0 0
A2 0 92,22 0 0 0
A3 0 92,54 0 0 0
Tiempo A4 3 94,31 0 0 3
EA1 6 94,48 0 4 2
EA2 0 93,80 0 0 0
C1 0 59,18 0 0 0
A1 0 87,97 0 0 0
A2 0 85,91 0 0 0
A3 0 86,09 0 0 0
EA1 0 82,25 0 0 0
EA2 0 84,69 0 0 0
C1 0 40,75 0 0 0
A1 0 92,43 0 0 0
A2 0 91,92 0 0 0
A3 0 90,69 0 0 0
Tiempo y
A4 0 93,08 0 0 0
frecuencia
EA1 1 94,25 0 0 1
EA2 0 93,71 0 0 0
C1 0 68,28 0 0 0
177
de clasificación para los vectores fusionados ranqueados para la base de datos de 31
condiciones
Número de
veces que
supera el
umbral por
ReliefF
0 91,56 0 0 0
en el dominio de la
frecuencia
12 94,73 0 0 0
y la frecuencia
178
4.8.6.. evalúa ción de SD1 con otras bases de datos
De los dos diagnóstico desarrollados e implementados SD1 y SD2, el SD1 se pudo evalúa
r con otras bases de datos y comparar su exactitud de clasificación con otros sistemas
de diagnóstico reportados en la literatura, esto debido a que, por lo general, las bases
disponibles cuentan con un solo tipo de señal de monitoreo de la condición que es la
señal de vibración. La evalúa ción del SD1 se realizó en el trabajo desarrollado por
Sánchez et al. [256] denominado Feature ranking for multi-fault diagnosis of rotating
machinery by using random forest and KNN.
En este trabajo se desarrolló el marco metodológico para la selección de la cantidad

óptima de IC utilizando los métodos de ranqueo Chi-Square, ReliefF y de Ganancia de
información. La evalúa ción se realizó mediante el uso de clasificadores Random Forest
(RF) y KNN. Se utilizaron cinco bases de datos de señales de vibración para evalúa r
el marco metodológico; cuatro bases de datos corresponden a diferentes configuraciones
de una misma caja de engranajes y la base de datos cinco se obtuvo del Centro de datos
de rodamientos de la Universidad Case Western Reserve (CWRU) [257]. La base de
datos 1 fue reportada en [258, 259], la base de datos 2 reportada en [260], la base de
datos 3 reportada en [261, 262] y la base de datos 4 reportada en [263].
Para cada una de las cinco bases de datos se calcularon 30 IC en el dominio de tiempo;
24 corresponden a IC convencionales y 6 IC no convencionales (generalmente se usan
en el campo de EMG). Las características calculadas de cada una de las bases de datos
se ranquearon según los métodos Chi-Square, Infor-mation Gain y ReliefF. A partir del
ranqueo de los IC, se observó que en las cinco bases de datos y por los tres métodos de
ranqueo utilizados, al menos dos características no convencionales estuvieron presentes
en las primeras diez características. Además, las características no convencionales cruce
por cero, cambio de signo de pendiente, amplitud de Wilson, y raíz cuadrada del valor de
amplitud se encontraban presentes en las primeras diez características por los diferentes
métodos de ranqueo. Esto indica que la inclusión de las características no convencionales
fue relevante para el diagnóstico de fallos en la maquinaria rotativa.
Por otro lado, para las bases de datos 1, 2, 4 y 5 la exactitud de la clasificación empleando
RF y KNN fue mayor comparada con cada una de las referencias citadas para cada base
de datos; mientras que, para la base de datos 3 su exactitud fue de 83.0 % con RF y
76.9 % con KNN, por lo que, no se superó la exactitud de 94 % obtenida por Cerrada
179
[261], y Cabrera [262], esto se debe a que el SD1 emplea 30 IC solo del domino del
tiempo, mientras que, [261, 262] emplean 256 y 185 IC respectivamente del dominio
tiempo-frecuencia que implica un mayor procesamiento de la señal.
180
5.. CONCLUSIONES Y TRABAJOS FUTUROS
5.1.. CONCLUSIONES
En esta tesis se desarrolló una metodología para el diagnóstico de fallos en cajas de

engranajes con base en la fusión de datos de señales de vibración corriente y emisión
acústica. A través de la metodología se logró diagnosticar la severidad de cuatro tipos
de fallos de engranajes rectos y 31 condiciones de una caja de engranajes, mediante el
ranqueo de indicadores de condición y la fusión de datos de las señales de monitoreo de
condición a nivel de indicadores empleando el clasificador KNN. A partir del trabajo
realizado se establecen las siguientes conclusiones:
Se levantaron cinco bases de datos, cuatro bases datos de severidad de fallo en

engranajes y una base de datos de 31 condiciones, cada base de datos está formada
por cuatro señales de vibración, dos de emisión acústica y una de corriente.
Se procesaron las señales de vibración, emisión acústica y corriente de las cinco
bases de datos; en el dominio del tiempo, dominio de la frecuencia y se obtuvieron
indicadores de condición para cada dominio.
Se implementaron y evalúa ron dos sistemas de diagnóstico. Para el primero, SD1,
se desarrolló una metodología para el ranqueo de indicadores de condición en el
dominio del tiempo y de la frecuencia de señales de monitoreo de la condición
para la clasificación de fallos en engranajes rectos. En el segundo, SD2, mediante
el enfoque de fusión de datos de las señales de monitoreo de condición a nivel de
indicadores, se evaluó como se pude mejorar el diagnóstico de fallos en cajas de
engranajes. Para evalúa r y comparar los dos sistemas de diagnóstico se empleó las
cinco bases de datos adquiridas.
Los resultados del SD1 han demostrado que, para las señales de emisión acústica,
vibración y corriente, de las bases de datos estudiadas, los IC extraídos en el domi-
nio del tiempo y de la frecuencia de las señales de emisión acústica alcanzan mejor
desempeño en la clasificación con menor número de IC, sin embrago, a medida que
181
se incrementa el número de IC de las señales de vibración, la diferencia de exactitud
de clasificación entre los IC de las señales de vibración y emisión acústica dismi-
nuye o incluso es superada por los IC de la señal de vibración. Los IC extraídos de
la señal de corriente no alcanzaron buenos resultados para ninguna de las bases de
datos estudiadas.
El SD2 presentó mejor desempeño que el SD1 para la base de datos de 31 condicio-
nes, esto para los IC extraídos en el dominio del tiempo, dominio de la frecuencia
y la agrupación de los mismos. El SD2 presentó mejor desempeño que el SD1 para
las cuatro bases de datos de severidad de fallo, utilizando los IC extraídos en el do-
minio de la frecuencia. Mientras que el desempeño del SD2 no se puede generalizar
para los IC extraídos en el dominio del tiempo y para su agrupación en el dominio
del tiempo y de la frecuencia, debido a que el desempeño no es mayor para todos
los casos de severidad de fallos estudiados, por lo cual no se justificaría emplear
varios sensores para detectar severidad de fallos como es el caso de SD2, pero si se
justificaría al momento de diagnosticar un sistema complejo como lo es la base de
datos de 31 condiciones.
A partir del procesamiento y extracción de los IC en el dominio del tiempo y de la
frecuencia tanto en el SD1 y SD2 se logran mejores resultados con los IC extraídos
de las señales de emisión acústica y vibración, mientras que, con los IC extraídos
de la señal de corriente no se alcanzaron buenos resultados para ninguna de las
bases de datos estudiadas. Esto se atribuye a que los IC depende de los cambios en
la forma de la señal, cambios que no son distinguidos en la señal de corriente con
el proceso de extracción de IC en el presente trabajo.
El comportamiento de la exactitud de clasificación de las señales de los sensores de
emisión acústica EA1 y EA2 son similares para las cinco bases de datos tanto del
SD1 y SD2. Lo cual revela que las señales de emisión acústica son omnidireccionales.
Esto se puede apoyar en que los diez IC ranqueados por los tres diferentes métodos
son mayoritariamente los mismos, tanto para el sensor EA1 y EA2, en cada una de
las bases de datos. Mientras que, para los sensores de vibración la posición afecta
a la señal y el comportamiento de la exactitud varia para cada sensor de vibración.
Los IC del campo de EMG en el dominio del tiempo y los indicadores del campo de
audio en el dominio de la frecuencia están presentes dentro de los diez mejores IC
ranqueados por los diferentes métodos. Además, están presentes tanto en el SD1 y
SD2 en las tres señales monitoreadas; por lo cual su inclusión ha sido relevante en
los sistemas de diagnóstico.
182
5.2.. TRABAJOS FUTUROS
Como consecuencia del presente trabajo pueden señalarse las siguientes líneas de inves-
tigación:
evalúa r los indicadores de condición en rodamientos, ejes y con diferentes tipos de

fallos.
La utilización clasificadores basados en lógica difusa para generar un índice de
degradación de la caja de engranajes basado en los indicadores de condiciones más
relevantes.
Integrar los sistemas de diagnóstico desarrollados a una aplicación en el campo
industrial para realizar un diagnóstico en línea.
Estudiar como varían los IC de la señal de emisión acústica en el dominio de
la frecuencia al modificar los parámetros de carga y velocidad en una caja de
engranajes.
Estudiar la monotonía de los indicadores de condición en pruebas run-to-failure en
cajas de engranajes.
Estudiar como IC de los campos de EMG y audio pueden apoyar en el manejo de
falsas alarmas cuando existe variación de las condiciones de operación.
183
BIBLIOGRAFÍA
[1] J. Koochaki, J. A. Bokhorst, H. Wortmann, and W. Klingenberg, “Condition

based maintenance in the context of opportunistic maintenance,” International
Journal of Production Research, vol. 50, no. 23, pp. 6918–6929, 2012.
[2] V. Coria, S. Maximov, F. Rivas-Dávalos, C. Melchor, and J. Guardado, “Analy-

tical method for optimization of maintenance policy based on available system
failure data,” Reliability Engineering & System Safety, vol. 135, pp. 55–63, Mar.
2015.
[3] M. Bevilacqua and M. Braglia, “The analytic hierarchy process applied to main-
tenance strategy selection,” Reliability Engineering & System Safety, vol. 70,
no. 1, pp. 71–83, Oct. 2000.
[4] R. Kothamasu, S. H. Huang, and W. H. VerDuin, System health monitoring and

prognostics a review of current paradigms and practices. Springer London, 2006,
no. 9, pp. 337–362.
[5] A. K. Jardine, D. Lin, and D. Banjevic, “A review on machinery diagnostics

and prognostics implementing condition-based maintenance,” Mechanical Sys-
tems and Signal Processing, vol. 20, no. 7, pp. 1483–1510, Oct. 2006.
[6] C.-C. Chang, “Optimum preventive maintenance policies for systems subject to
random working times, replacement, and minimal repair,” Computers & Indus-
trial Engineering, vol. 67, pp. 185–194, 2014.
[7] E. Gustavsson, M. Patriksson, A.-B. Stromberg, A. Wojciechowski, and M. Onn-

heim, “Preventive maintenance scheduling of multi-component systems with in-
terval costs,” Computers & Industrial Engineering, vol. 76, pp. 390–400, Oct.
2014.
184
[8] S. Selcuk, “Predictive maintenance, its implementation and latest trends,” Pro-
ceedings of the Institution of Mechanical Engineers, Part B: Journal of Enginee-
ring Manufacture, vol. In press, Jan. 2016.
[9] T. Mitoma, H. Wang, and P. Chen, “Fault diagnosis and condition surveillance
for plant rotating machinery using partially-linearized neural network,” Compu-
ters & Industrial Engineering, vol. 55, no. 4, pp. 783–794, 2008.
[10] C.-C. Lin and H.-Y. Tseng, “A neural network application for reliability mode-
lling and condition-based predictive maintenance,” The International Journal of
Advanced Manufacturing Technology, vol. 25, no. 1-2, pp. 174–179, 2005.
[11] J. Lee and B. Wang, Computer-aided Maintenance: Methodologies and Practices.

Surrey, UK: Springer, Dec. 2012.
[12] G. Niu, B.-S. Yang, and M. Pecht, “Development of an optimized condition-

based maintenance system by data fusion and reliability-centered maintenance,”
Reliability Engineering & System Safety, vol. 95, no. 7, pp. 786–796, Jul. 2010.
[13] S. Alaswad and Y. Xiang, “A review on condition-based maintenance optimiza-

tion models for stochastically deteriorating system,” Reliability Engineering &
System Safety, vol. 157, pp. 54–63, 2017.
[14] D. Galar, A. Thaduri, M. Catelani, and L. Ciani, “Context awareness for main-
tenance decision making: A diagnosis and prognosis approach,” Measurement,
vol. 67, pp. 137–150, May 2015.
[15] H.-E. Kim, “Machine prognostics based on health state probability estimation,”
PhD Thesis, School of Engineering Systems, Queensland University of Techno-
logy, 2010.
[16] J.-H. Shina and H.-B. Jun, “On condition based maintenance policy,” Journal
of Computational Design and Engineering, vol. 2, no. 2, pp. 119–127, 2015.
[17] R. Ahmad and S. Kamaruddin, “An overview of time-based and condition-based

maintenance in industrial application,” Computers & Industrial Engineering,
vol. 63, no. 1, pp. 135–149, 2012.
185
[18] G. Vachtsevanos, F. Lewis, M. Roemer, A. Hess, and B. Wu, Intelligent fault
diagnosis and prognosis for engineering systems. Hoboken, NJ: John Wiley &
Sons, 2006.
[19] N. F. Alonso, R. J. Garcia-Martin, and P. F. Fernández, “Determination of the

bending strength geometry factor J for the calculation of stress in parallel-axis
gears as a function of the reference correction and slope angle of the gear tooth,”
International Journal of Mechanical Engineering and Automation, vol. 3, no. 1,
pp. 27–33, 2016.
[20] A. Bahramighahnavieh, P. Mosaddegh, and S. Akbarzadeh, “Investigation of the

Hertzian stress distribution on the surface of the straight bevel gear,” Applied
Mechanics and Materials, vol. 307, pp. 304–307, 2013.
[21] H. Ozturk, M. Sabuncu, and I. Yesilyurt, “Early detection of pitting damage

in gears using mean frequency of scalogram,” Journal of Vibration and Control,
vol. 14, no. 4, pp. 469–484, Apr. 2008.
[22] L. Zhang, G. Xiong, L. Liu, and Q. Cao, “Gearbox health condition identifica-
tion by neuro-fuzzy ensemble,” Journal of Mechanical Science and Technology,
vol. 27, no. 3, pp. 603–608, Mar. 2013.
[23] J. Lin and M. Zuo, “Gearbox fault diagnosis using adaptive wavelet filter,” Me-
chanical Systems and Signal Processing, vol. 17, no. 6, pp. 1259–1269, Nov. 2003.
[24] A. Cubillo, S. Perinpanayagam, and M. Esperon-Miguez, “A review of physics-

based models in prognostics: Application to gears and bearings of rotating ma-
chinery,” Advances in Mechanical Engineering, vol. 8, no. 8, pp. 1–21, Aug. 2016.
[25] S. Rajagopalan, T. G. Habetler, R. G. Harley, T. Sebastian, and B. Lequesne,

“Current/voltage-based detection of faults in gears coupled to electric motors,”
IEEE Transactions on Industrial Electronics, vol. 42, no. 6, pp. 1412–1420, 2006.
[26] M. Amarnath, S. Chandramohan, and S. Seetharaman, “Experimental investi-

gations of surface wear assessment of spur gear teeth,” Journal of Vibration and
Control, vol. 18, no. 7, pp. 1009–1024, Sep. 2011.
[27] S. Devendiran and K. Manivannan, “Vibration based condition monitoring and
186
fault diagnosis technologies for bearing and gear components-a review,” Inter-
national Journal of Applied Engineering Research, vol. 11, no. 6, pp. 3966–3975,
2016.
[28] J. J. Zakrajsek, R. F. Handschuh, D. G. Lewicki, and H. J. Decker, “Detecting

gear tooth fracture in a high contact ratio face gear mesh,” U.S. Army Research
Laboratory, Tech. Rep. ARL-TR-600, 1995.
[29] R. Snidle, H. Evans, M. Alanou, and M. Holmes, “Understanding scuffing and

micropitting of gears,” NATO Research and Technology Organisation, Tech.
Rep. RTO-MP-AVT-109, 2004.
[30] R. Martins, N. Cardoso, and J. Seabra, “Influence of lubricant type in gear

scuffing,” Industrial Lubrication and Tribology, vol. 60, no. 6, pp. 299–308, 2008.
[31] W. Bowman and G. Stachowiak, “A review of scuffing models,” Tribology Letters,

vol. 2, no. 2, pp. 113–131, Jun. 1996.
[32] J. R. Davis, Gear Materials, Properties, and Manufacture. Materials Park, OH:
ASM International, Sep. 2005.
[33] S. Al-Arbi, C. J. Talbot, T. Wang, G. Fengshou, and A. Ball, “Characteriza-

tion of vibration transmission paths for gearbox condition monitoring,” in 39th
International congress on Noise Control Engineering, 2010, pp. 1–10.
[34] J. Igba, K. Alemzadeh, C. Durugbo, and E. T. Eiriksson, “Analysing RMS and

peak values of vibration signals for condition monitoring of wind turbine gear-
boxes,” Renewable Energy, vol. 91, pp. 90–106, Jun. 2016.
[35] R. Bajrić, D. Sprečić, and N. Zuber, “Review of vibration signal processing

techniques towards gear pairs damage identification,” International Journal of
Engineering & Technology, vol. 11, no. 4, pp. 124–128, 2011.
[36] Y. Li, K. Ding, G. He, and H. Lin, “Vibration mechanisms of spur gear pair
in healthy and fault states,” Mechanical Systems and Signal Processing, vol. 81,
pp. 183–201, Dec. 2016.
[37] C. Hu, W. A. Smith, R. B. Randall, and Z. Peng, “Development of a gear vibra-
187
tion indicator and its application in gear wear monitoring,” Mechanical Systems
and Signal Processing, vol. 76-77, pp. 319–336, Aug. 2016.
[38] C. Kar and A. Mohanty, “Monitoring gear vibrations through motor current
signature analysis and wavelet transform,” Mechanical Systems and Signal Pro-
cessing, vol. 20, no. 1, pp. 158–187, 2006.
[39] C. Verucchi, G. Bossio, J. Bossio, and G. Acosta, “Fault detection in gear box
with induction motors: an experimental study,” IEEE Intelligent Systems and
their Applications, vol. 14, no. 6, pp. 2726–2731, 2016.
[40] A. Mohanty and C. Kar, “Fault detection in a multistage gearbox by demodula-

tion of motor current waveform,” IEEE Transactions on Industrial Electronics,
vol. 53, no. 4, pp. 1285–1297, Jun. 2006.
[41] S. H. Kia, H. Henao, and G.-A. Capolino, “Gear tooth surface damage fault
detection using induction machine stator current space vector analysis,” IEEE
Transactions on Industrial Electronics, vol. 62, no. 3, pp. 1866–1878, Mar. 2015.
[42] Y. H. Ali, S. M. Ali, R. A. Rahman, and R. I. Raja-Hamzah, “Acoustic emission

and artificial intelligent methods in condition monitoring of rotating machine a
review,” in National Conference For Postgraduate Research (NCON-PGR 2016),
2016.
[43] S. Ulus and S. Erkaya, “An experimental study on gear diagnosis by using
acoustic emission technique,” International Journal of Acoustics and Vibration,
vol. 21, no. 1, pp. 103–111, 2016.
[44] M. A. Hamel, “Condition monitoring of helical gears using acoustic emission

(AE) technology,” PhD Thesis, School of Engineering, Cranfield University, 2013,
00000.
[45] D. Ozevin, J. Cox, W. Hardman, S. Kessler, and A. Timmons, “Fatigue crack

detection at gearbox spline component using acoustic emission method,” in Prog-
nostics and Health Management Society, 2014.
[46] Y. Qu, D. He, J. Yoon, B. V. Hecke, E. Bechhoefer, and J. Zhu, “Gearbox tooth
cut fault diagnostics using acoustic emission and vibration sensors a comparative
188
study,” Sensors, vol. 14, no. 1, pp. 1372–1393, Jan. 2014.
[47] A. Ahmaida, D. Zhen, F. Gu, and A. Ball, “Gear wear process monitoring using
acoustic signals,” in 21st International Congress on Sound and Vibration, July
2014, pp. 1–8.
[48] B. Eftekharnejad and D. Mba, “Monitoring natural pitting progress on helical

gear mesh using acoustic emission and vibration,” Strain, vol. 47, pp. 299–310,
Dec. 2011.
[49] P. Boshkoski and A. Urevc, “Monitoring pitting gear faults using electrical cu-
rrent and sound emissions,” in 9th International PhD Workshop on Systems and
Control, Izola, Slovenia, Oct. 2008, pp. 1–6.
[50] S. H. Kia, H. Henao, and G.-A. Capolino, “A comparative study of acoustic,

vibration and stator current signatures for gear tooth fault diagnosis,” in 2012
XXth International Conference on Electrical Machines (ICEM). IEEE, 2012,
pp. 1514–1519.
[51] W. Li and C. K. Mechefske, “Detection of induction motor faults: A comparison

of stator current, vibration and acoustic method,” Journal of Vibration and
Control, vol. 12, no. 2, pp. 165–188, Feb. 2006.
[52] T. Loutas, D. Roulias, E. Pauly, and V. Kostopoulos, “The combined use of

vibration, acoustic emission and oil debris on-line monitoring towards a more
effective condition monitoring of rotating machinery,” Mechanical Systems and
Signal Processing, vol. 25, no. 4, pp. 1339–1352, May 2011.
[53] R. Moreno, J. Chicharro, and P. Pintado, “Comparison of minimum detectable

crack size in a geared system from three different vibration transducer types,”
Experimental Techniques, vol. 38, no. 1, pp. 76–87, Jan. 2014.
[54] C. K. Tan, P. Irving, and D. Mba, “Diagnostics and prognostics with acoustic
emission, vibration and spectrometric oil analysis for spur gears a comparati-
ve study,” Insight-Non-Destructive Testing and Condition Monitoring, vol. 47,
no. 8, pp. 478–480, 2005.
[55] ——, “A comparative experimental study on the diagnostic and prognostic ca-
189
pabilities of acoustics emission, vibration and spectrometric oil analysis for spur
gears,” Mechanical Systems and Signal Processing, vol. 21, no. 1, pp. 208–233,
2007.
[56] S. Venugopal, “Acoustics, vibration, or condition monitoring: Fusion of vibration

based features for gear condition classification,” in 15th International Congress
on Sound and Vibration 2008, vol. 2008, no. 1, 2008, pp. 1183–1190.
[57] Z. Liu, W. Guo, Z. Tang, and Y. Chen, “Multi-sensor data fusion using a relevan-
ce vector machine based on an ant colony for gearbox fault detection,” Sensors,
vol. 15, no. 9, pp. 21 857–21 875, Aug. 2015.
[58] C. G. Ortiz Farfán and I. A. Pérez Rivera, “Adquisición de señales vibracionales

y emisiones acústicas combinando fallos en maquinaria rotativa y elaboración de
guías de práctica sobre detección de fallos en engranajes por medio de emisiones
acústicas,” Trabajo de Titulación de Ingeniero Mecánico, Universidad Politécnica
Salesiana, Cuenca, Ecuador, 2016.
[59] E. E. Pacheco Córdova, “Adquisición de señales de vibración y emisión acústica

para el diagnóstico de severidad de fallos en maquinaria rotativa,” Trabajo de
Titulación de Ingeniero Mecánico, Universidad Politécnica Salesiana, Cuenca,
Ecuador, 2018.
[60] D. E. Chingal Imaicela, “Adquisición de señales de corriente del motor de induc-

ción combinando fallos en la maquinaria rotativa y elaboración de una guía de
práctica sobre detección de fallos por medio del afcm,” Trabajo de Titulación de
Ingeniero Mecánico, Universidad Politécnica Salesiana, Cuenca, Ecuador, 2018.
[61] N. Bayar, S. Darmoul, S. Hajri-Gabouj, and H. Pierreval, “Fault detection, diag-

nosis and recovery using artificial immune systems: A review,” Engineering Ap-
plications of Artificial Intelligence, vol. 46, pp. 43–57, Nov. 2015.
[62] G. Niu, Data-Driven Technology for Engineering Systems Health Management.

Springer, 2017.
[63] M. S. Kan, A. C. Tan, and J. Mathew, “A review on prognostic techniques for

non-stationary and non-linear rotating systems,” Mechanical Systems and Signal
190
Processing, vol. 62-63, pp. 1–20, Oct. 2015.
[64] S. Yin, S. X. Ding, X. Xie, and H. Luo, “A review on basic data-driven approaches
for industrial process monitoring,” IEEE Transactions on Industrial Electronics,
vol. 61, no. 11, pp. 6418–6428, Nov. 2014.
[65] Y. Xu, Y. Sun, J. Wan, X. Liu, and Z. Song, “Industrial big data for fault
diagnosis: Taxonomy, review, and applications,” IEEE Access, vol. 5, pp. 17 368–
17 380, 2017.
[66] J. Park, J. M. Ha, H. Oh, B. D. Youn, J.-H. Choi, and N. H. Kim, “Model-based
fault diagnosis of a planetary gear: A novel approach using transmission error,”
IEEE Transactions on Reliability, vol. 65, no. 4, pp. 1830–1841, 2016.
[67] C. J. Li and J. Limmer, “Model-based condition index for tracking gear wear
and fatigue damage,” Wear, vol. 241, no. 1, pp. 26–32, 2000.
[68] R. Isermann, Fault-diagnosis systems: an introduction from fault detection to

fault tolerance. New York, NY: Springer, 2006.
[69] E. Khalastchi, M. Kalech, G. A. Kaminka, and R. Lin, “Online data-driven

anomaly detection in autonomous robots,” Knowledge and Information Systems,
vol. 43, no. 3, pp. 657–688, Jun. 2015.
[70] M. Yang and V. Makis, “Arx model-based gearbox fault detection and localiza-
tion under varying load conditions,” Journal of Sound and Vibration, vol. 329,
no. 24, pp. 5209–5221, 2010.
[71] Y. Zhan, V. Makis, and A. K. Jardine, “Adaptive state detection of gearbo-

xes under varying load conditions based on parametric modelling,” Mechanical
Systems and Signal Processing, vol. 20, no. 1, pp. 188–221, Jan. 2006.
[72] Y. Zhan and V. Makis, “A robust diagnostic model for gearboxes subject to
vibration monitoring,” Journal of Sound and Vibration, vol. 290, no. 3-5, pp.
928–955, Mar. 2006.
[73] H. Stadhouders, A framework for implementing condition based maintenance

based on operational data. Eindhoven, NL: Eindhoven University of Technology,
191
2011.
[74] X. Gros, NDT data fusion. New York, NY: John Wiley & Sons, 1997.
[75] M. Perzyk, A. Kochanski, J. Kozlowski, A. Soroczynski, and R. Biernacki, “Com-

parison of data mining tools for significance analysis of process parameters in
applications to process fault diagnosis,” Information Sciences, vol. 259, pp. 380–
392, 2014.
[76] D. Raheja, J. Llinas, R. Nagi, and C. Romanowski, “Data fusion/data mining-

based architecture for condition-based maintenance,” International Journal of
Production Research, vol. 44, no. 14, pp. 2869–2887, Jul. 2006.
[77] Z. Zhang, “Data mining approaches for intelligent condition-based maintenan-

ce: A framework of intelligent fault diagnosis and prognosis system (IFDPS),”
PhD Thesis, Department of Production and Quality Engineering, Norwegian
University of Science and Technology NTNU, 2014.
[78] M. Baqqar, M. Ahmed, and F. Gu, “Data mining for gearbox condition moni-
toring,” in Proceedings of the 17th International Conference on Automation &
Computing. Huddersfield: Chinese Automation and Computing Society, Sep.
2011, pp. 152–156.
[79] T. P. Banerjee and S. Das, “Multi-sensor data fusion using support vector ma-
chine for motor fault detection,” Information Sciences, vol. 217, pp. 96–107, Dec.
2012.
[80] G. Hang and Y. Min, “Data fusion in distributed multi-sensor system,” Geo-
spatial Information Science, vol. 7, no. 3, pp. 214–217, Jan. 2004.
[81] B. Khaleghi, A. Khamis, F. O. Karray, and S. N. Razavi, “Corrigendum to

multisensor data fusion: A review of the state of the art [Information Fusion 14
(1) (2013) 28-44],” Information Fusion, vol. 14, no. 4, p. 562, Oct. 2013.
[82] Y. Lei, J. Lin, Z. He, and D. Kong, “A method based on multi-sensor data
fusion for fault detection of planetary gearboxes,” Sensors, vol. 12, no. 2, pp.
2005–2017, Feb. 2012.
192
[83] B. Gren, P. Kepski, and T. Barszcz, “Challenges in maintenance of vibration
monitoring systems dedicated to underground mining machinery,” Diagnostyka,
pp. 13–18, 2012.
[84] P. Kepski and T. Barszcz, “Validation of vibration signals for diagnostics of

mining machinery,” Diagnostyka, pp. 25–30, 2012.
[85] F. Chaari, R. Zimroz, W. Bartelmus, T. Fakhfakh, and M. Haddar, “Model

based investigation on a two stages gearbox dynamics under non stationary ope-
rations,” in Condition Monitoring of Machinery in Non-Stationary Operations,
2012, pp. 133–142.
[86] R. Bogue, “Sensors for condition monitoring: a review of technologies and appli-
cations,” Sensor Review, vol. 33, no. 4, pp. 295–299, 2013.
[87] A. Davies, Handbook of Condition Monitoring. Dordrecht, NL: Springer Net-

herlands, 1998.
[88] J. Courrech and R. L. Eshleman, Condition monitoring of machinery, 5th ed.

McGraw-Hill, 1995.
[89] P. Vecer, M. Kreidl, and R. Smid, “Condition indicators for gearbox condition
monitoring systems,” Acta Polytechnica, vol. 45, pp. 35–43, 2005.
[90] S. Aouabdi, M. Taibi, S. Bouras, and N. Boutasseta, “Using multi-scale entropy

and principal component analysis to monitor gears degradation via the motor
current signature analysis,” Mechanical Systems and Signal Processing, vol. 90,
pp. 298–316, Jun. 2017.
[91] R. B. Randall, Vibration-based condition monitoring: industrial, aerospace and

automotive applications. West Sussex, UK: John Wiley & Sons, Apr. 2011.
[92] V. Sharma and A. Parey, “Frequency domain averaging based experimental eva-
luation of gear fault without tachometer for fluctuating speed conditions,” Me-
chanical Systems and Signal Processing, vol. 85, pp. 278–295, Feb. 2017.
[93] P. Jayaswal, A. K. Wadhwani, and K. B. Mulchandani, “Machine fault signatu-

re analysis,” International Journal of Rotating Machinery, vol. 2008, pp. 1–10,
193
2008.
[94] G. Dalpiaz and A. Rivola, “Condition monitoring and diagnostics in automatic

machines: comparison of vibration analysis techniques,” Mechanical Systems and
Signal Processing, vol. 11, no. 1, pp. 53–73, 1997.
[95] J. Zhang, L. Hong, and J. S. Dhupia, “Gear fault detection in planetary gearbox
using stator current measurement of ac motors,” in ASME 2012 5th Annual Dy-
namic Systems and Control Conference, JSME 2012 11th Motion and Vibration
Conference, DSCC 2012-MOVIC 2012, vol. 1, 2012, pp. 673–680.
[96] H. Czichos, Handbook of Technical Diagnostics. Berlin: Springer, 2013.
[97] Y.-H. Pao, R. R. Gajewski, and A. N. Ceranoglu, “Acoustic emission and transient
waves in an elastic plate,” The Journal of the Acoustical Society of America,
vol. 65, no. 96, pp. 96–105, Jan. 1979.
[98] D. Mba and R. B. Rao, “Development of acoustic emission technology for condi-
tion monitoring and diagnosis of rotating machines; bearings, pumps, gearboxes,
engines and rotating structures,” The Shock and Vibration Digest, vol. 38, pp.
3–16, 2006.
[99] V. M. Baranov, E. M. Kudryavtsev, G. A. Sarychev, and V. M. Schavelin, Acous-

tic Emission in Friction. Oxford, UK: Elsevier, Jul. 2011.
[100] A. M. Al-Ghamd and D. Mba, “A comparative experimental study on the use

of acoustic emission and vibration analysis for bearing defect identification and
estimation of defect size,” Mechanical Systems and Signal Processing, vol. 20,
no. 7, pp. 1537–1571, Oct. 2006.
[101] B. Eftekharnejad and D. Mba, “Seeded fault detection on helical gears with
acoustic emission,” Applied Acoustics, vol. 70, no. 4, pp. 547–555, Apr. 2009.
[102] C. K. Tan and D. Mba, “Identification of the acoustic emission source during
a comparative study on diagnosis of a spur gearbox,” Tribology International,
vol. 38, no. 5, pp. 469–480, 2005.
[103] ——, “The source of acoustic emission during meshing of spur gears,” in The
194
26 th European conference on Acoustic Emission testing EWGAE, 2004, pp.
559–565.
[104] Y. Qu, “Development of effective and efficient acoustic emission based gear fault
diagnosis methods and tools,” PhD Thesis, Mechanical and Industrial Enginee-
ring, University of Illinois at Chicago, 2014.
[105] R. R. Hamzah and D. Mba, “The influence of operating condition on acoustic

emission (AE) generation during meshing of helical and spur gear,” Tribology
International, vol. 42, no. 1, pp. 3–14, 2009.
[106] K. Miyachika, S. Oda, and T. Koide, “Acoustic emission of bending fatigue

process of spur gear teeth,” International Journal of Fatigue, vol. 3, no. 19, p.
267, 1997.
[107] S. Oda, K. Miyachika, T. Koide, and K. Aimi, “Acoustic emission in bending

fatigue process of spur gear teeth,” Transactions of the Japan Society of Mecha-
nical Engineers, Series C, vol. 58, no. 551, pp. 2219–2225, 1992.
[108] J. Wheitner, C. Blazakis, and D. Houser, Gear tooth bending fatigue crack de-
tection by Acoustic Emissions and tooth compliance measurements. Alexandria,
VA: AGMA, 1993.
[109] H. Sentoku, “AE in tooth surface failure process of spur gears,” Journal of Acous-
tic Emission, vol. 16, no. 1-4, pp. 19–24, 1998.
[110] A. Singh, D. Houser, and S. Vijayakar, “Early detection of gear pitting,” in

Power Transmission and Gearing Conference ASME, 1996, pp. 673–678.
[111] N. Tandon and S. Mata, “Detection of defects in gears by acoustic emission

measurements,” Journal of Acoustic Emission, vol. 17, pp. 23–27, 1999.
[112] A. Singh, D. Houser, and S. Vijayakar, “Detecting gear tooth breakage using
acoustic emission: a feasibility and sensor placement study,” Journal of Mecha-
nical Design, vol. 121, no. 4, pp. 587–593, 1999.
[113] E. Siores and A. Negro, “Condition monitoring of a gear box using acoustic
emission testing,” Materials Evaluation, vol. 55, no. 2, 1997.
195
[114] M. Hamel, A. Addali, and D. Mba, “Investigation of the influence of oil film thick-
ness on helical gear defect detection using acoustic emission,” Applied acoustics,
vol. 79, pp. 42–46, 2014.
[115] C. M. Vicuña, “Effects of operating conditions on the acoustic emissions (ae)

from planetary gearboxes,” Applied Acoustics, vol. 77, pp. 150–158, 2014.
[116] D. He, R. Li, and E. Bechhoefer, “Split torque gearbox fault diagnosis using
AE sensors,” in Proceedings IIE Annual Conference. Institute of Industrial
Engineers-Publisher, 2010, p. 1.
[117] X. Jin, F. Cheng, Y. Peng, W. Qiao, and L. Qu, “A comparative study on

vibration and current based approaches for drivetrain gearbox fault diagnosis,”
in 2016 IEEE Industry Applications Society Annual Meeting. IEEE, 2016, pp.
1–8.
[118] R. Li, D. He, and E. Bechhoefe, “Investigation on fault detection for split torque
gearbox using acoustic emission and vibration signals,” in Proceedings 2009 An-
nual Conference of the Prognostics and Health Management Society, 2009, pp.
1–11.
[119] T. Loutas, G. Sotiriades, I. Kalaitzoglou, and V. Kostopoulos, “Condition moni-

toring of a single-stage gearbox with artificially induced gear cracks utilizing on-
line vibration and acoustic emission measurements,” Applied Acoustics, vol. 70,
no. 9, pp. 1148–1159, Sep. 2009.
[120] S. Soua, P. V. Lieshout, A. Perera, T.-H. Gan, and B. Bridge, “Determination

of the combined vibrational and acoustic emission signature of a wind turbine
gearbox and generator shaft in service as a pre-requisite for effective condition
monitoring,” Renewable Energy, vol. 51, pp. 175–181, Mar. 2013.
[121] L. Gao, F. Zai, S. Su, H. Wang, P. Chen, and L. Liu, “Study and application
of acoustic emission testing in fault diagnosis of low-speed heavy-duty gears,”
Sensors, vol. 11, no. 12, pp. 599–611, Jan. 2011.
[122] T. J. Holroyd, “Condition monitoring of very slowly rotating machinery using

AE techniques,” in 14th International congress on Condition monitoring and
196
Diagnostic engineering management (COMADEM’2001), 2001, pp. 50 004–4.
[123] T. J. Holroyd and C. W. Reeves, The Acoustic Emission & Ultrasonic Monitoring
Handbook. Kingham, UK: Coxmoor Publishing Company, 2000.
[124] B. Lu, Y. Li, X. Wu, and Z. Yang, “A review of recent advances in wind tur-
bine condition monitoring and fault diagnosis,” in IEEE Power Electronics and
Machines in Wind Applications, PEMWA 2009. IEEE, 2009, pp. 1–7.
[125] C. K. Tan and D. Mba, “Limitation of acoustic emission for identifying seeded
defects in gearboxes,” Journal of Nondestructive Evaluation, vol. 24, no. 1, pp.
11–28, Mar. 2005.
[126] N. Tandon and A. Choudhury, “A review of vibration and acoustic measure-

ment methods for the detection of defects in rolling element bearings,” Tribology
International, vol. 32, no. 8, pp. 469–480, 1999.
[127] T. Toutountzakis, C. K. Tan, and D. Mba, “Application of acoustic emission to

seeded gear fault detection,” NDT & E International, vol. 38, no. 1, pp. 27–36,
Jan. 2005.
[128] A. R. Mohanty, Machinery Condition Monitoring. Principles and Practices. Bo-

ca Raton, FL: CRC Press, 2014.
[129] M. Benbouzid, “A review of induction motors signature analysis as a medium

for faults detection,” IEEE Transactions on Industrial Electronics, vol. 47, no. 5,
pp. 984–993, 2000.
[130] P. Vas, Sensorless vector and direct torque control. New York, NY: Oxford
University Press, 1998.
[131] H. Henao, G.-A. Capolino, M. Fernandez-Cabanas, F. Filippetti, C. Bruzzese,

E. Strangas, R. Pusca, J. Estima, M. Riera-Guasp, and S. Hedayati-Kia, “Trends
in fault diagnosis for electrical machines: a review of diagnostic techniques,”
IEEE Industrial Electronics Magazine, vol. 8, no. 2, pp. 31–42, Jun. 2014.
[132] M. Haram, T. Wang, F. Gu, and A. Ball, “Electrical motor current signal analy-
sis using a modulation signal bispectrum for the fault diagnosis of a gearbox
197
downstream,” Journal of Physics: Conference Series, vol. 364, p. 012050, May
2012.
[133] C. Rahmoune and D. Benazzouz, “Monitoring gear fault by using motor cu-
rrent signature analysis and fast kurtogram method,” International Review of
Electrical Engineering (IREE), vol. 8, no. 2, pp. 616–625, 2013.
[134] Q. He, X. Ren, G. Jiang, and P. Xie, “A hybrid feature extraction methodology
for gear pitting fault detection using motor stator current signal,” Insight-Non-
Destructive Testing and Condition Monitoring, vol. 56, no. 6, pp. 326–333, 2014.
[135] B. R. Rajendra and S. V. Bhaskar, “Condition monitoring of gear box by using

motor current signature analysis,” International Journal of Scientific and Re-
search Publications, vol. 3, Aug. 2013.
[136] S. H. Kia, H. Henao, and G.-A. Capolino, “Gear tooth surface damage fault
detection using induction machine electrical signature analysis,” in 2013 9th
IEEE International Symposium on Diagnostics for Electric Machines, Power
Electronics and Drives (SDEMPED), 2013, pp. 358–364.
[137] Y. Peng, W. Qiao, L. Qu, and J. Wang, “Gearbox fault diagnosis using vibra-
tion and current information fusion,” in IEEE Energy Conversion Congress and
Exposition (ECCE) 2016. IEEE, Sep. 2016, pp. 1–6.
[138] J. J. Saucedo-Dorantes, M. Delgado-Prieto, J. A. Ortega-Redondo, R. A. Osornio-

Rios, and R. J. Romero-Troncoso, “Multiple-fault detection methodology based
on vibration and current analysis applied to bearings in induction motors and
gearboxes on the kinematic chain, multiple-fault detection methodology based
on vibration and current analysis applied to bearings in induction motors and
gearboxes on the kinematic chain,” Shock and Vibration, vol. 2016, pp. 1–13,
Mar. 2016.
[139] W. Zhou, T. G. Habetler, and R. G. Harley, “Bearing condition monitoring

methods for electric machines: a general review,” in 2007 IEEE International
Symposium on Diagnostics for Electric Machines, Power Electronics and Drives,
Sep. 2007, pp. 3–6.
198
[140] S. V. Vaseghi, Advanced digital signal processing and noise reduction. West
Sussex, UK: John Wiley & Sons, 2008.
[141] K. F. Tom, “Survey of diagnostic techniques for dynamic components,” U.S.

Army Research Laboratory, Tech. Rep. ARL-TR-5082, 2010.
[142] Z. F. Ninoslav, B. Rusmir, and D. Cvetkovic, “Vibration feature extraction met-

hods for gear faults diagnosis-a review,” Facta Universitatis, Series: Working
and Living Environmental Protection, vol. 12, no. 1, pp. 63–72, 2015.
[143] K. M. Vagadia and P. J. Chaudhary, “A review article on speaker recognition

with feature extraction,” International Journal of Emerging Technology and Ad-
vanced Engineering IJETAE, vol. 5, no. 2, 2015.
[144] I. Mierswa and K. Morik, “Automatic feature extraction for classifying audio
data,” Machine learning, vol. 58, no. 2-3, pp. 127–149, 2005.
[145] S. Karpagachelvi, M. Arthanari, and M. Sivakumar, “Ecg feature extraction

techniques-a survey approach,” arXiv preprint arXiv:1005.0957, 2010.
[146] P. E. William and M. W. Hoffman, “Identification of bearing faults using time

domain zero-crossings,” Mechanical systems and signal processing, vol. 25, no. 8,
pp. 3078–3088, 2011.
[147] H. Çalış and A. Çakır, “Rotor bar fault diagnosis in three phase induction motors
by monitoring fluctuations of motor current zero crossing instants,” Electric
Power Systems Research, vol. 77, no. 5-6, pp. 385–392, 2007.
[148] B. Nayana and P. Geethanjali, “Analysis of statistical time-domain features effec-

tiveness in identification of bearing faults from vibration signal,” IEEE Sensors
Journal, vol. 17, no. 17, pp. 5618–5625, 2017.
[149] Z. Yang, W. I. Hoi, and J. Zhong, “Gearbox fault diagnosis based on artifi-
cial neural network and genetic algorithms,” in System Science and Engineering
(ICSSE), 2011 International Conference on. IEEE, 2011, pp. 37–42.
[150] A. K. Nandi, C. Liu, and M. D. Wong, “Intelligent Vibration Signal Processing

for Condition Monitoring,” Apr. 2014.
199
[151] J. Yuan and X. Liu, “Semi-supervised learning and condition fusion for fault
diagnosis,” Mechanical Systems and Signal Processing, vol. 38, no. 2, pp. 615–
627, Jul. 2013.
[152] B. Bagheri, H. Ahmadi, and R. Labbafi, “Application of data mining and fea-
ture extraction on intelligent fault diagnosis by Artificial Neural Network and
k-nearest neighbor,” in Electrical Machines (ICEM), 2010 XIX International
Conference on. IEEE, 2010, pp. 1–7.
[153] Y. Lei, J. Lin, Z. He, and Y. Zi, “A new approach to intelligent fault diagnosis
of rotating machinery,” Expert Systems with Applications, vol. 35, no. 4, pp.
1593–1600, Nov. 2008.
[154] X. Zhao, M. J. Zuo, and Z. Liu, “Diagnosis of pitting damage levels of planet
gears based on ordinal ranking,” in 2011 IEEE Conference on Prognostics and
Health Management (PHM), 2011, pp. 1–8.
[155] P. Gupta and S. Wadhwani, “Feature Selection by Genetic Programming, And

Artificial Neural Network-based Machine Condition Monitoring,” International
Journal of Engineering and Innovative Technology (IJEIT), vol. 1, no. 4, pp.
177–181, 2012.
[156] Z. F. Ninoslav, B. Rusmir, and D. Cvetkovic, “Vibration feature extraction met-

hods for gear faults diagnosis-a review,” Facta Universitatis, Series: Working
and Living Environmental Protection, vol. 12, no. 1, pp. 63–72, 2015.
[157] B. Sreejith, A. K. Verma, and A. Srividya, “Fault diagnosis of rolling element

bearing using time-domain features and neural networks,” in Industrial and In-
formation Systems, 2008. ICIIS 2008. IEEE Region 10 and the Third interna-
tional Conference on. IEEE, 2008, pp. 1–6.
[158] A. Sait and Y. Sharaf-Eldeen, “A review of gearbox condition monitoring based

on vibration analysis techniques diagnostics and prognostics,” in Rotating Ma-
chinery, Structural Health Monitoring, Shock and Vibration, 2011, pp. 307–324.
[159] K. N. Gupta, “VibrationA tool for machine diagnostics and condition monito-
ring,” Sadhana, vol. 22, no. 3, pp. 393–410, 1997.
200
[160] P. D. Samuel and D. J. Pines, “A review of vibration-based techniques for heli-
copter transmission diagnostics,” Journal of Sound and Vibration, vol. 282, no.
1-2, pp. 475–508, Apr. 2005.
[161] I. Elamvazuthi, G. A. Ling, K. R. K. Nurhanim, P. Vasant, and S. Parasuraman,

“Surface electromyography (sEMG) feature extraction based on Daubechies wa-
velets,” in 2013 IEEE 8th Conference on Industrial Electronics and Applications
(ICIEA). IEEE, 2013, pp. 1492–1495.
[162] A. Phinyomark, F. Quaine, S. Charbonnier, C. Serviere, F. Tarpin-Bernard, and

Y. Laurillau, “Feature extraction of the first difference of EMG time series for
EMG pattern recognition,” Computer methods and programs in biomedicine, vol.
117, no. 2, pp. 247–256, 2014.
[163] O. Cardona, “Time-Frequency analysis of mechanic vibration signals for fault de-
tection in rotating machines,” Tesis Maestría, Universidad Nacional de Colombia
- Sede Manizales, 2011.
[164] V. Vakharia, V. K. Gupta, and P. K. Kankar, “A comparison of feature ranking

techniques for fault diagnosis of ball bearing,” Soft Computing, vol. 20, no. 4,
pp. 1601–1619, Apr. 2016.
[165] Y. Zhu, W. Jiang, X. Kong, Z. Zheng, and H. Hu, “An Accurate Integral Met-
hod for Vibration Signal Based on Feature Information Extraction,” Shock and
Vibration, vol. 2015, pp. 1–13, 2015.
[166] I.-K. Jeong, M. Kang, J. Kim, J.-M. Kim, J.-M. Ha, B.-K. Choi, and W. Xu,
“Enhanced DET-Based Fault Signature Analysis for Reliable Diagnosis of Single
and Multiple-Combined Bearing Defects,” Shock and Vibration, vol. 2015, 2015.
[167] K. F. Tom, “A Primer on Vibrational Ball Bearing Feature Generation for Prog-
nostics and Diagnostics Algorithms,” DTIC Document, Tech. Rep., 2015.
[168] Y. Fuqing and U. Kumar, “Statistical index development from time domain for
rolling element bearings,” Int J Perform Eng, vol. 10, no. 3, p. 313, 2014.
[169] H. Kumar, S. P. Pai, N. Sriram, and G. Vijay, “Rolling element bearing fault
diagnostics: Development of health index,” Proceedings of the Institution of Me-
201
chanical Engineers, Part C: Journal of Mechanical Engineering Science, vol. 231,
no. 21, pp. 3923–3939, Nov. 2017.
[170] Ahmed, Mahmud, Abdusslam, S.A., Baqqar, Mabrouka, Gu, Fengshou and Ball,
Andrew, “Fault Classification of Reciprocating Compressor Based on Neural
Networks and Support Vector Machines,” 2011.
[171] A. Sharma, M. Amarnath, and P. Kankar, “Feature extraction and fault severity
classification in ball bearings,” Journal of Vibration and Control, vol. 22, no. 1,
pp. 176–192, Jan. 2016.
[172] S. W. Lee, T. Yi, J.-W. Jung, and Z. Bien, “Design of a Gait Phase Recogni-
tion System That Can Cope With EMG Electrode Location Variation,” IEEE
Transactions on Automation Science and Engineering, pp. 1–11, 2015.
[173] A. Phinyomark, C. Limsakul, and P. Phukpattaranont, “A novel feature ex-

traction for robust EMG pattern recognition,” arXiv preprint arXiv:0912.3973,
2009.
[174] R. Chowdhury, M. Reaz, M. Ali, A. Bakar, K. Chellappan, and T. Chang, “Surfa-

ce Electromyography Signal Processing and Classification Techniques,” Sensors,
vol. 13, no. 9, pp. 12 431–12 466, Sep. 2013.
[175] C. Shen, D. Wang, F. Kong, and P. W. Tse, “Fault diagnosis of rotating machi-
nery based on the statistical parameters of wavelet packet paving and a generic
support vector regressive classifier,” Measurement, vol. 46, no. 4, pp. 1551–1564,
May 2013.
[176] D. Wang, P. W. Tse, W. Guo, and Q. Miao, “Support vector data description
for fusion of multiple health indicators for enhancing gearbox fault diagnosis
and prognosis,” surement Science and Technology, vol. 22, no. 2, p. 025102, Feb.
2011.
[177] B. Mokhlesabadifarahani and V. K. Gunjan, EMG Signals Characterization in

Three States of Contraction by Fuzzy Network and Feature Extraction. Springer,
2015.
[178] R. K. Raut and A. A. Gurjar, “Bio-medical (EMG) Signal Feature Extraction
202
Using Wavelet Transform for Design of Prosthetic Leg,” International Jour-
nal of Electronics, Communication and Soft Computing Science & Engineering
(IJECSCSE), vol. 4, p. 81, 2015.
[179] A. Phinyomark, A. Nuidod, P. Phukpattaranont, and C. Limsakul, “Feature

extraction and reduction of wavelet transform coefficients for EMG pattern clas-
sification,” Elektronika ir Elektrotechnika, vol. 122, no. 6, pp. 27–32, 2012.
[180] W. Huang, F. Kong, and X. Zhao, “Spur bevel gearbox fault diagnosis using
wavelet packet transform and rough set theory,” Journal of Intelligent Manu-
facturing, Dec. 2015.
[181] J. Sikorska and M. Hodkiewicz, “Comparison of acoustic emission, vibration

and dynamic pressure measurements for detecting change in flow conditions on
a centrifugal pump,” in 18th International Congress and Exhibition on Condition
Monitoring and Diagnostic Engineering Management COMADEM, 2005.
[182] M. Norton and S. Drew, Vibration generated sound | Fundamentals. Elsevier,

2001, pp. 1443–1455.
[183] A. A. Mohammed, R. D. Neilson, W. F. Deans, and P. MacConnell, “Crack

detection in a rotating shaft using artificial neural networks and PSD characte-
risation,” Meccanica, vol. 49, no. 2, pp. 255–266, Feb. 2014.
[184] S. Lee and P. White, “Two-stage adaptive line enhancer and sliced wigner tris-
pectrum for the characterization of faults from gear box vibration data,” Journal
of Vibration and Acoustics, vol. 121, no. 4, pp. 488–494, 1999.
[185] Z. Youjian and L. Jian, “Feature extraction of gearbox fault diagnosis based on
cepstrum analysis,” Science Mosaic, vol. 8, p. 043, 2008.
[186] A. V. Oppenheim and R. W. Schafer, “From frequency to quefrency: A history

of the cepstrum,” IEEE Signal Processing Magazine, vol. 21, no. 5, pp. 95–106,
2004.
[187] Y. Lei, M. J. Zuo, Z. He, and Y. Zi, “A multidimensional hybrid intelligent

method for gear fault diagnosis,” Expert Systems with Applications, vol. 37, no. 2,
pp. 1419–1430, Mar. 2010.
203
[188] Y. Lei, Z. He, Y. Zi, and X. Chen, “New clustering algorithm-based fault diagno-
sis using compensation distance evaluation technique,” Mechanical Systems and
Signal Processing, vol. 22, no. 2, pp. 419–435, Feb. 2008.
[189] H. Q. Wang and P. Chen, “Fault diagnosis of centrifugal pump using symptom
parameters in frequency domain,” Agricultural Engineering International: The
CIGR EJournal., 2007.
[190] G. C. A. P. H. Hu and P. P. C. Limsakul, “Evaluation of EMG Feature Extraction

for Classification of Exercises in Preventing Falls in the Elderly,” 2012.
[191] T. Giannakopoulos and A. Pikrakis, Introduction to audio analysis: a Matlab

approach, 1st ed., ser. MATLAB examples. Amsterdam: Academic Press, an
imprint of Elsevier, 2014, oCLC: 879185833.
[192] H.-G. Kim, N. Moreau, and T. Sikora, MPEG-7 audio and beyond: audio content
indexing and retrieval. Chichester: Wiley, 2005, oCLC: 728067493.
[193] Y. N. Pan, J. Chen, and X. L. Li, “Spectral entropy: a complementary index for
rolling element bearing performance degradation assessment,” Proceedings of the
Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering
Science, vol. 223, no. 5, pp. 1223–1231, May 2009.
[194] N. Baydar and A. Ball, “Detection of gear failures via vibration and acoustic
signals using wavelet transform,” Mechanical Systems and Signal Processing,
vol. 17, no. 4, pp. 787–804, Jul. 2003.
[195] W. Wang. and P. McFadden, “Early detection of gear failure by vibration analy-
sis i. calculation of the time-frequency distribution,” Mechanical Systems and
Signal Processing, vol. 7, no. 3, pp. 193–203, May 1993.
[196] Y. Lei, J. Lin, Z. He, and M. J. Zuo, “A review on empirical mode decompo-
sition in fault diagnosis of rotating machinery,” Mechanical Systems and Signal
Processing, vol. 35, no. 1-2, pp. 108–126, Feb. 2013.
[197] R. Yan, R. X. Gao, and X. Chen, “Wavelets for fault diagnosis of rotary machines:
A review with applications,” Signal Processing, vol. 96, no. A, pp. 1–15, Mar.
2014.
204
[198] H. Bendjama, S. Bouhouche, and M. S. Boucherit, “Application of Wavelet trans-
form for fault diagnosis in rotating machinery,” International Journal of Machine
Learning and Computing, vol. 2, no. 1, pp. 82–87, 2012.
[199] S. K. Abraham, V. Sugumaran, and M. Amarnath, “Acoustic signal based con-

dition monitoring of gearbox using wavelets and decision tree classifier,” Indian
Journal of Science and Technology, vol. 9, no. 33, pp. 1–9, Sep. 2016.
[200] Z. Ye, B. Wu, and A. Sadeghian, “Current signature analysis of induction mo-
tor mechanical faults by wavelet packet decomposition,” IEEE Transactions on
Industrial Electronics, vol. 50, no. 6, pp. 1217–1228, 2003.
[201] N. Saravanan and K. Ramachandran, “Incipient gear box fault diagnosis using
discrete wavelet transform (DWT) for feature extraction and classification using
artificial neural network (ANN),” Expert Systems with Applications, vol. 37,
no. 6, pp. 4168–4181, Jun. 2010.
[202] J. Wang, D. Kong, S. Dong, and C. Wang, “The gearbox fault diagnosis based
on Wavelet transform,” in International Industrial Informatics and Computer
Engineering Conference (IIICEC 2015), 2015.
[203] H. Chen, Y. Lu, and L. Tu, “Fault identification of gearbox degradation with
optimized wavelet neural network,” Shock and Vibration, vol. 20, no. 2, pp. 247–
262, 2013.
[204] X. Fan and M. J. Zuo, “Gearbox fault detection using Hilbert and wavelet packet
transform,” Mechanical Systems and Signal Processing, vol. 20, no. 4, pp. 966–
982, May 2006.
[205] C. Scheer, W. Reimche, and F. wilhelm Bach, “Early fault detection at gear
units by acoustic emission and wavelet analysis,” Journal of Acoustic Emission,
vol. 25, pp. 331–340, 2007.
[206] M. J. Gómez-García, “Metodología de selección de indicadores óptimos para el

análisis y diagnosis del estado de la máquina: aplicación a elementos mecáni-
cos rotativos,” Tesis Doctoral, Departamento de Ingeniería Mecánica, Madrid,
España, 2014.
205
[207] C. Castejón, M. Gómez, J. Prada, and A. Junior, “Automatic selection of the
WPT decomposition level for condition monitoring of rotor elements based on
the sensitivity analysis of the Wavelet energy,” International Journal of Acous-
tics and Vibration, vol. 20, no. 2, pp. 95–100, 2015.
[208] V. Bolón-Canedo, N. S. M. no, and A. Betanzos, Feature Selection for High-

Dimensional Data. Switzerland: Springer International Publishing, 2015.
[209] J. C. Ang, A. Mirzal, H. Haron, and H. N. Hamed, “Supervised, unsupervised,

and semi supervised feature selection: A review on gene selection,” IEEE/ACM
Trans. Comput. Biol. Bioinform, vol. 13, p. 971 989, 2016.
[210] Z. A. Zhao and H. Liu, Spectral feature selection for data mining. CRC Press,
2011.
[211] Y. Bengio, J.-f. Paiement, P. Vincent, O. Delalleau, N. L. Roux, and M. Ouimet,

“Out-of-sample extensions for lle, isomap, mds, eigenmaps, and spectral cluste-
ring,” in Advances in neural information processing systems, 2004, pp. 177–184.
[212] J. Hamon, “Optimisation combinatoire pour la sélection de variables en régres-

sion en grande dimension: Application en génétique animale,” Ph.D. dissertation,
Université des Sciences et Technologie de Lille-Lille I, 2013.
[213] A. Jović, K. Brkić, and N. Bogunović, “A review of feature selection methods

with applications,” in 2015 38th International Convention on Information and
Communication Technology, Electronics and Microelectronics (MIPRO). IEEE,
2015, pp. 1200–1205.
[214] V. Mladenov, C. Jayne, and L. Iliadis, Engineering Applications of Neural Net-

works. Berlin: Springer, 2016.
[215] Z. Wang, Y. Zhang, Z. Chen, H. Yang, Y. Sun, J. Kang, Y. Yang, and X. Liang,
“Application of relieff algorithm to selecting feature sets for classification of high
resolution remote sensing image,” in Geoscience and Remote Sensing Symposium
(IGARSS), 2016 IEEE International. IEEE, 2016, pp. 755–758.
[216] R. L. Plackett, “Karl pearson and the chi-squared test,” International Statistical
Review/Revue Internationale de Statistique, pp. 59–72, 1983.
206
[217] V. Vinay, G. V. Kumar, and K. P. Kumar, “Application of chi square feature
ranking technique and random forest classifier for fault classification of bearing
faults,” in Proceedings of the 22th International Congress on Sound and Vibra-
tion, Florence, Italy, 2015, pp. 12–16.
[218] J. Novaković, “Toward optimal feature selection using ranking methods and clas-
sification algorithms,” Yugoslav Journal of Operations Research, vol. 21, no. 1,
2016.
[219] S. Aksoy and R. M. Haralick, “Feature normalization and likelihood-based simi-

larity measures for image retrieval,” Pattern recognition letters, vol. 22, no. 5,
pp. 563–582, 2001.
[220] S. Ioffe and C. Szegedy, “Batch normalization: Accelerating deep network trai-
ning by reducing internal covariate shift,” in International conference on machine
learning, 2015, pp. 448–456.
[221] Z. Liu et al., “A method of svm with normalization in intrusion detection,”

Procedia Environmental Sciences, vol. 11, pp. 256–262, 2011.
[222] J. Liu, C. S. Yang, and Q. F. Lou, “Vibration analysis based feature extraction
for bearing fault detection,” Applied Mechanics and Materials, vol. 197, pp. 124–
128, Sep. 2012.
[223] Z. Y. Han, Y. L. Liu, H. Y. Jin, and H. Y. Fu, “A review of methodologies used

for fault diagnosis of gearbox,” Applied Mechanics and Materials, vol. 415, pp.
510–514, Sep. 2013.
[224] G. Piatetsky-Shapiro, “The data-mining industry coming of age,” IEEE Intelli-

gent Systems and their Applications, vol. 14, no. 6, pp. 32–34, 1999.
[225] M. H. Lee, “The knowledge-based factory,” Artificial Intelligence in Engineering,

vol. 8, no. 2, pp. 109–125, 1993.
[226] H. Liu and H. Motoda, Feature selection for knowledge discovery and data mi-
ning. Boston: Springer US, 1998, no. 454.
[227] X. Wu, V. Kumar, J. R. Quinlan, J. Ghosh, Q. Yang, H. Motoda, G. J. McLa-
207
chlan, A. Ng, B. Liu, P. S. Yu, Z.-H. Zhou, M. Steinbach, D. J. Hand, and
D. Steinberg, “Top 10 algorithms in data mining,” Knowledge and Information
Systems, vol. 14, no. 1, pp. 1–37, Jan. 2008.
[228] Z. Liu, M. J. Zuo, and H. Xu, “Feature ranking for support vector machine
classification and its application to machinery fault diagnosis,” Proceedings of the
Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering
Science, vol. 227, no. 9, pp. 2077–2089, Sep. 2013.
[229] E. J. Carmona-Suárez, “Tutorial sobre Máquinas de Vectores Soporte (SVM),”

Dpto. de Inteligencia Artificial, ETS de Ingeniería Informática, Universidad Na-
cional de Educación a Distancia (UNED), Tech. Rep. SVM, 2014.
[230] C. Burges, “A tutorial on support vector machines for pattern recognition,” Data
Mining and Knowledge Discovery, vol. 2, no. 2, pp. 121–167, 1998.
[231] J. Shawe-Taylor and N. Cristianini, Kernel methods for pattern analysis. New
York, NY: Cambridge University Press, 2004.
[232] L. Auria and R. A. Moro, “Support vector machines (svm) as a technique for
solvency analysis,” DIW Berlin Discussion, vol. 811, pp. 1–16, 2008.
[233] V. Vakharia, V. Gupta, and P. Kankar, “A comparison of feature ranking tech-

niques for fault diagnosis of ball bearing,” Soft Computing, vol. 20, no. 4, pp.
1601–1619, 2016.
[234] V. Vinay, G. V. Kumar, and K. P. Kumar, “Application of chi square feature

ranking technique and random forest classifier for fault classification of bearing
faults,” in Proceedings of the 22th International Congress on Sound and Vibra-
tion, Florence, Italy, 2015, pp. 12–16.
[235] B. Samanta, “Gear fault detection using artificial neural networks and support
vector machines with genetic algorithms,” Mechanical Systems and Signal Pro-
cessing, vol. 18, no. 3, pp. 625–644, 2004.
[236] Y. Xu and W. Li, “Fault diagnosis for gearbox based on genetic-SVM classi-
fier,” in 2010 The 2nd International Conference on Computer and Automation
Engineering (ICCAE), vol. 1. IEEE, 2010, pp. 361–363.
208
[237] D. Lu and W. Qiao, “Adaptive feature extraction and SVM classification for
real-time fault diagnosis of drivetrain gearboxes,” in IEEE Energy Conversion
Congress and Exposition (ECCE) 2013. IEEE, 2013, pp. 3934–3940.
[238] X. Wu, V. Kumar, J. R. Quinlan, J. Ghosh, Q. Yang, H. Motoda, G. J. McLa-

chlan, A. Ng, B. Liu, S. Y. Philip et al., “Top 10 algorithms in data mining,”
Knowledge and information systems, vol. 14, no. 1, pp. 1–37, 2008.
[239] L.-Y. Hu, M.-W. Huang, S.-W. Ke, and C.-F. Tsai, “The distance function effect
on k-nearest neighbor classification for medical datasets,” SpringerPlus, vol. 5,
no. 1, p. 1304, 2016.
[240] O. Kramer, Dimensionality reduction with unsupervised nearest neighbors. Sprin-

ger, 2017.
[241] D. Wang, “K-nearest neighbors based methods for identification of different gear
crack levels under different motor speeds and loads: Revisited,” Mechanical Sys-
tems and Signal Processing, vol. 70, pp. 201–208, 2016.
[242] Y. Lei and M. J. Zuo, “Gear crack level identification based on weighted k nearest
neighbor classification algorithm,” Mechanical Systems and Signal Processing,
vol. 23, no. 5, pp. 1535–1547, 2009.
[243] A. Moosavian, H. Ahmadi, A. Tabatabaeefar, and M. Khazaee, “Comparison of

two classifiers; k-nearest neighbor and artificial neural network, for fault diagno-
sis on a main engine journal-bearing,” Shock and Vibration, vol. 20, no. 2, pp.
263–272, 2013.
[244] D. Dou and S. Zhou, “Comparison of four direct classification methods for inte-
lligent fault diagnosis of rotating machinery,” Applied Soft Computing, vol. 46,
pp. 459–468, 2016.
[245] R. Liu, B. Yang, E. Zio, and X. Chen, “Artificial intelligence for fault diagnosis
of rotating machinery: A review,” Mechanical Systems and Signal Processing,
vol. 108, pp. 33–47, 2018.
[246] M. Hossin and M. Sulaiman, “A review on evaluation metrics for data classifi-
cation evaluations,” International Journal of Data Mining & Knowledge Mana-
209
gement Process, vol. 5, no. 2, p. 1, 2015.
[247] R. Kohavi et al., “A study of cross-validation and bootstrap for accuracy esti-
mation and model selection,” in Ijcai, vol. 14, no. 2. Montreal, Canada, 1995,
pp. 1137–1145.
[248] E. Blasch, I. Kadar, J. Salerno, M. M. Kokar, S. Das, G. M. Powell, D. D.

Corkill, and E. H. Ruspini, “Issues and challenges of knowledge representation
and reasoning methods in situation assessment (Level 2 Fusion),” in Defense and
Security Symposium. International Society for Optics and Photonics, 2006, pp.
623 510–14.
[249] M. Liggins, D. Hall, and J. Llinas, Handbook of multisensor data fusion: theory
and practice, 2nd ed. Boca Raton, FL: CRC Press, 2009.
[250] L. Jing, T. Wang, M. Zhao, and P. Wang, “An adaptive multi-sensor data fu-
sion method based on deep convolutional neural networks for fault diagnosis of
planetary gearbox,” Sensors, vol. 17, no. 2, p. 414, Feb. 2017.
[251] Y. Lu, J. Tang, and H. Luo, “Wind turbine gearbox fault detection using multiple
sensors with features level data fusion,” Journal of Engineering for Gas Turbines
and Power, vol. 134, no. 4, pp. 042 501–8, 2012.
[252] M. Khazaee, H. Ahmadi, M. Omid, A. Banakar, and A. Moosavian, “Feature-

level fusion based on wavelet transform and artificial neural network for fault
diagnosis of planetary gearbox using acoustic and vibration signals,” Insight-
Non-Destructive Testing and Condition Monitoring, vol. 55, no. 6, pp. 323–330,
2013.
[253] G. Cheng, X. hui Chen, X. lei Shan, H. guang Liu, and C. fei Zhou, “A new
method of gear fault diagnosis in strong noise based on multi-sensor information
fusion,” Journal of Vibration and Control, pp. 1504–1515, Jul. 2014.
[254] P. J. Dempsey, R. F. Handschuh, and A. A. Afjeh, “Decision fusion analysis

detects spiral bevel gear damage,” IEEE Aerospace and Electronic Systems Ma-
gazine, vol. 18, no. 9, pp. 11–17, 2003.
[255] M. Khazaee, H. Ahmadi, M. Omid, A. Moosavian, and M. Khazaee, “Classi-
210
fier fusion of vibration and acoustic signals for fault diagnosis and classification
of planetary gears based on Dempster Shafer evidence theory,” Proceedings of
the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical
Engineering, vol. 228, no. 1, pp. 21–32, 2014.
[256] R.-V. Sánchez, P. Lucero, R. E. Vásquez, M. Cerrada, J.-C. Macancela, and

D. Cabrera, “Feature ranking for multi-fault diagnosis of rotating machinery by
using random forest and knn,” Journal of Intelligent & Fuzzy Systems, vol. 34,
no. 6, pp. 3463–3473, 2018.
[257] K. Loparo, “Bearing vibration data set,” http://www. eecs. cwru. edu/laboratory/bearing/dow
htm, 2003.
[258] M. Cerrada, R.-V. Sánchez, F. Pacheco, D. Cabrera, G. Zurita, and C. Li, “Hie-
rarchical feature selection based on relative dependency for gear fault diagnosis,”
Applied Intelligence, vol. 44, no. 3, pp. 687–703, 2016.
[259] C. Li, R.-V. Sanchez, G. Zurita, M. Cerrada, D. Cabrera, and R. E. Vásquez,

“Multimodal deep support vector classification with homologous features and its
application to gearbox fault diagnosis,” Neurocomputing, vol. 168, pp. 119–127,
2015.
[260] ——, “Gearbox fault diagnosis based on deep random forest fusion of acoustic
and vibratory signals,” Mechanical Systems and Signal Processing, vol. 76, pp.
283–293, 2016.
[261] M. Cerrada, G. Zurita, D. Cabrera, R.-V. Sánchez, M. Artés, and C. Li, “Fault
diagnosis in spur gears based on genetic algorithm and random forest,” Mecha-
nical Systems and Signal Processing, vol. 70, pp. 87–103, 2016.
[262] D. Cabrera, F. Sancho, R.-V. Sánchez, G. Zurita, M. Cerrada, C. Li, and R. E.

Vásquez, “Fault diagnosis of spur gearbox based on random forest and wavelet
packet decomposition,” Frontiers of Mechanical Engineering, vol. 10, no. 3, pp.
277–286, 2015.
[263] D. Cabrera, F. Sancho, C. Li, M. Cerrada, R.-V. Sánchez, F. Pacheco, and J. V.

de Oliveira, “Automatic feature extraction of time-series applied to fault severity
211
assessment of helical gearbox in stationary and non-stationary speed operation,”
Applied Soft Computing, vol. 58, pp. 53–64, 2017.
212
ANEXOS
213
A.. RESULTADOS DEL SD1 PARA LA BASE DE DATOS DEL FALLO
DE ROTURA
A.1.. RESULTADOS DEL SD1 PARA EL FALLO DE ROTURA EN EL

DOMINIO DEL TIEMPO
214
Tabla A1.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo
de las señales de vibración para el fallo de rotura
ReliefF Chi- Cuadrado Ganancia de información
KNN KNN KNN
Ranking Ranking Ranking
( %) ( %) ( %)
1 Media 11,15 1 Media 11,15 1 Media 11,15
2 Asimetría 18,99 2 Relación desviación-media 36,42 2 Factor de latitud 21,80
3 Cambio de signo de pendiente 52,27 3 Curtosis 69,94 3 Cruce por cero 45,83
4 Cruce por cero 79,44 4 87,78 4 Cambio de signo de pendiente 71,18
A1
5 Límite superior de histograma 89,10 5 Operador de energía 89,10 5 Índice de margen 74,73
6 Índice de margen 90,01 6 Diferencia absoluta del valor de varianza 92,40 6 Asimetría 88,94
7 Curtosis 91,41 7 Cambio de signo de pendiente 95,13 7 Operador de energía 88,85
8 Factor de latitud 91,66 8 Factor de latitud 94,14 8 Límite superior de histograma 90,92
9 Factor de holgura 91,00 9 Relación Log-Log 94,05 9 94,47
10 Relación desviación-media 91,82 10 K-ésimo momento central 94,96 10 Curtosis 94,88
1 Índice de margen 11,15 1 Longitud fractal máxima 11,15 1 Media 11,15
2 Cruce por cero 26,67 2 Diferencia absoluta del valor de varianza 39,64 2 Longitud fractal máxima 29,39
3 Media 52,52 3 Quinto momento estadístico 51,70 3 Índice de margen 62,43
4 Límite inferior de histograma 77,62 4 Relación desviación-media 70,69 4 Límite superior de histograma 73,33
5 Límite superior de histograma 88,44 5 Factor de holgura 82,83 5 Asimetría 85,72
A2
6 Asimetría 94,63 6 Curtosis 87,78 6 Factor de latitud 88,11
7 Curtosis 95,13 7 89,35 7 Límite inferior de histograma 92,90
8 Longitud fractal máxima 97,03 8 Operador de energía 90,59 8 Cruce por cero 96,86
9 Factor de latitud 96,94 9 Índice de margen 88,93 9 Porcentaje de Myopulso 97,27
10 Relación desviación-media 97,36 10 Relación Log-Log 89,10 10 97,77
2 Cruce por cero 36,50 2 Curtosis 36,01 2 Cruce por cero 36,50
3 Factor de latitud 63,17 3 Quinto momento estadístico 68,54 3 Longitud fractal máxima 78,28
4 Curtosis 69,86 4 Longitud fractal máxima 90,01 4 Factor de latitud 88,69
A3 5 Indicadores de pulso 88,44 5 91,58 5 Porcentaje de Myopulso 97,03
6 Asimetría 95,79 6 Diferencia absoluta del valor de varianza 91,33 6 Indicadores de pulso 96,61
7 Índice de margen 96,04 7 K-ésimo momento central 93,64 7 Índice de margen 96,45
8 Límite superior de histograma 95,71 8 Indicadores de forma de onda 95,79 8 Asimetría 98,60
9 Longitud fractal máxima 97,03 9 Operador de energía 96,53 9 Límite superior de histograma 98,60
Diferencia valor absoluto
10 Indicadores de forma de onda 97,36 10 Relación Log-Log 96,86 10 98,76
de desviación estándar
2 Cruce por cero 36,17 2 Longitud fractal máxima 38,40 2 Cruce por cero 36,17
3 Factor de latitud 63,83 3 71,27 3 Factor de latitud 63,83
4 Asimetría 88,77 4 Diferencia absoluta del valor de varianza 72,50 4 Longitud fractal máxima 90,18
A4
5 Operador de energía 91,17 5 Quinto momento estadístico 86,21 5 Asimetría 96,20
6 Límite superior de histograma 95,95 6 Curtosis 93,39 6 Índice de margen 96,78
7 Longitud fractal máxima 97,36 7 Operador de energía 96,37 7 Porcentaje de Myopulso 97,61
8 Curtosis 97,94 8 Factor de latitud 94,96 8 Operador de energía 98,60
9 Relación desviación-media 98,10 9 Relación desviación-media 95,87 9 Curtosis 98,93
10 Índice de margen 98,10 10 K-ésimo momento central 97,36 10 98,93
215
de las señales de EA para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
1 Momento normalizado 11,13 1 Factor de forma 11,13 1 Factor de forma 11,13
2 Factor de forma 34,96 2 Relación Log-Log 49,47 2 Relación Log-Log 49,47
Factor de impulso de Cambio de signo de
3 Relación Log-Log 66,04 3 90,93 3 90,35
desviación estándar pendiente
Cambio de signo Cambio de signo de Factor de impulso de
EA1 4 92,66 4 95,47 4 95,47
de pendiente pendiente desviación estándar
Factor de impulso
5 96,70 5 Relación desviación-media 98,35 5 Relación desviación-media 98,35
6 Relación desviación-media 98,52 6 Diferencia absoluta del valor de varianza 99,09 6 Diferencia absoluta del valor de varianza 99,09
Sexto momento
7 98,19 7 Curtosis 99,09 7 Operador de energía 98,93
estadístico
Sexto momento
8 Diferencia absoluta del valor de varianza 99,09 8 Operador de energía 99,18 8 98,76
estadístico
Sexto momento
9 Operador de energía 98,60 9 99,09 9 Asimetría 96,04
estadístico
10 Curtosis 98,85 10 Indicadores de pulso 98,19 10 Indicadores de pulso 94,73
1 Factor de forma 11,13 1 Factor de forma 11,13 1 Factor de forma 11,13
2 Relación Log-Log 62,90 2 Relación Log-Log 62,90 2 Relación Log-Log 62,9
Cambio de signo Cambio de signo de
3 91,26 3 Relación desviación-media 96,79 3 91,26
de pendiente pendiente
Factor de impulso de Factor de impulso de
EA2 4 Relación desviación-media 97,36 4 99,59 4 95,05
desviación estándar desviación estándar
5 98,52 5 98,52 5 Relación desviación-media 98,52
Sexto momento
6 98,27 6 Diferencia absoluta del valor de varianza 99,01 6 Diferencia absoluta del valor de varianza 99,01
estadístico
7 Operador de energía 98,60 7 Operador de energía 99,09 7 Operador de energía 99,09
Sexto momento
8 Diferencia absoluta del valor de varianza 98,85 8 98,85 8 Asimetría 95,55
estadístico
Cambio de amplitud Cambio de amplitud Sexto momento
9 99,26 9 99,26 9 95,39
promedio promedio estadístico
10 Indicadores de pulso 98,68 10 Curtosis 99,42 10 Indicadores de pulso 94,56
216
de la señal de corriente para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
1 Factor de impulso 11,12 1 Factor de impulso 11,12 1 Factor de impulso 11,12
Límite superior de
histograma
Cambio de signo de
3 33,94 3 Indicadores de pulso 29,49 3 Operador de energía 27,51
pendiente
C1
K-ésimo momento
4 Indicadores de pulso 30,07 4 31,88 4 Indicadores de pulso 31,55
central
Límite superior de Cambio de signo de
5 Porcentaje de Myopulso 29,66 5 39,29 5 33,28
histograma pendiente
K-ésimo momento Cambio de signo de Límite superior de
6 30,81 6 39,62 6 36,90
central pendiente histograma
K-ésimo momento
7 Operador de energía 33,77 7 Operador de energía 36,90 7 36,90
central
8 Diferencia absoluta del valor de varianza 36,66 8 Porcentaje de Myopulso 36,66 8 Media de amplitud 29,49
Pendiente media del Pendiente media del
9 Momento normalizado 35,75 9 33,03 9 25,21
valor absoluto valor absoluto
Pendiente media del
10 31,96 10 Delta RMS 28,59 10 Delta RMS 21,50
valor absoluto
Tabla A1.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo para el fallo de rotura
Indicador de condición Repeticiones Campo Indicador de condición Repeticiones Campo

Media 11 DF Diferencia absoluta del valor de varianza 4 EMG
Curtosis 10 DF 4 EMG
Factor de latitud 10 DF Cambio de signo de pendiente 3 EMG
Índice de margen 9 EMG Relación Log-Log 3 DF
Longitud fractal máxima 9 EMG K-ésimo momento central 3 DF
Asimetría 8 DF Quinto momento estadístico 3 DF
Cruce por cero 8 EMG Porcentaje de Myopulso 3 EMG
Límite superior de histograma 7 DF Factor de holgura 2 DF
Operador de energía 7 DF Límite inferior de histograma 2 DF
Relación desviación-media 6 DF Indicadores de pulso 2 EMG
4 EMG Indicadores de forma de onda 2 EMG
217
Tabla A1.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del
tiempo para el fallo de rotura

Factor de forma 6 DF Operador de energía 6 DF
Relación Log-Log 6 DF Indicadores de pulso 4 EMG
Cambio de signo de pendiente 6 EMG Curtosis 3 DF
6 DF Cambio de amplitud promedio 2 EMG
Relación desviación-media 6 DF Asimetría 2 DF
Sexto momento estadístico 6 DF Momento normalizado 1 DF
Diferencia absoluta del valor de varianza 6 EMG
Tabla A1.6: Resumen de los IC para la señal de corriente en el dominio del tiempo
para el fallo de rotura

Factor de impulso 3 DF Diferencia absoluta del valor de varianza 3 EMG
Pendiente media del
Límite superior de histograma 3 DF 3 EMG
valor absoluto
Cambio de signo de pendiente 3 EMG Porcentaje de Myopulso 2 EMG
Indicadores de pulso 3 EMG Delta RMS 2 DF
K-ésimo momento central 3 DF Momento normalizado 1 DF
Operador de energía 3 DF Media de amplitud 1 EMG
218
DOMINIO DE LA FRECUENCIA
219
Tabla A2.1: Ranqueo de los IC y exactitud de clasificación en el dominio de la
frecuencia de las señales de vibración para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
1 Varianza de la frecuencia central 11,16 1 Frecuencia máxima 11,16 1 Varianza de la frecuencia central 11,16
2 Asimetría de frecuencia 15,53 2 Varianza de la frecuencia central 27,10 2 CP5 20,66
3 Relación de frecuencia 44,63 3 Cuarto momento espectral 62,39 3 CP2 32,56
4 Entropía espectral 61,74 4 CP3 64,78 4 Asimetría de frecuencia 49,91
5 Cuarto momento espectral 73,64 5 CP5 62,06 5 Centroide espectral 63,72
A1
6 CP5 79,18 6 Entropía espectral 70,50 6 Esparción espectral 66,12
7 CP3 80,34 7 Relación de frecuencia 79,51 7 Entropía espectral 73,88
8 Esparción espectral 82,81 8 Asimetría de frecuencia 83,32 8 Cuarto momento espectral 77,68
9 CP4 85,87 9 Esparción espectral 84,88 9 CP3 80,91
10 Frecuencia máxima 87,27 10 CP4 87,27 10 CP4 82,31
1 Asimetría de frecuencia 11,15 1 Varianza de frecuencia 11,15 1 CP4 11,15
2 Varianza de la frecuencia central 21,22 2 CP4 21,06 2 Entropía espectral 22,38
3 Relación de frecuencia 49,71 3 Cuarto momento espectral 49,46 3 Centroide espectral 35,26
4 CP4 63,25 4 CP3 58,38 4 CP5 52,93
5 Entropía espectral 74,99 5 Entropía espectral 67,30 5 Asimetría de frecuencia 66,14
A2
6 CP5 78,21 6 Frecuencia máxima 74,41 6 Esparción espectral 67,46
7 Cuarto momento espectral 84,48 7 CP5 70,94 7 Cuarto momento espectral 74,73
8 CP3 85,89 8 Asimetría de frecuencia 78,04 8 CP3 78,95
9 Varianza de frecuencia 86,96 9 Centroide espectral 82,33 9 Varianza de la frecuencia central 83,99
10 Centroide espectral 89,03 10 Relación de frecuencia 87,37 10 Relación de frecuencia 86,96
1 Centroide espectral 11,15 1 CP4 11,15 1 CP4 11,15
2 Varianza de la frecuencia central 20,89 2 Centroide espectral 28,24 2 Centroide espectral 28,24
3 CP4 59,21 3 CP3 63,09 3 CP5 49,05
4 Asimetría de frecuencia 77,29 4 Frecuencia máxima 70,52 4 Esparción espectral 68,05
A3
6 Cuarto momento espectral 87,37 6 Varianza de frecuencia 77,62 6 Asimetría de frecuencia 75,06
7 Relación de frecuencia 90,42 7 Varianza de la frecuencia central 86,87 7 Varianza de la frecuencia central 84,39
8 Esparción espectral 90,09 8 CP5 88,93 8 CP3 89,76
9 Entropía espectral 93,89 9 CP2 89,10 9 Cuarto momento espectral 91,49
10 CP2 93,89 10 Cuarto momento espectral 90,58 10 Entropía espectral 92,81
1 CP4 11,15 1 CP4 11,15 1 CP4 11,15
2 Centroide espectral 28,08 2 Relación de frecuencia 32,45 2 Centroide espectral 28,08
3 Esparción espectral 46,65 3 Frecuencia máxima 51,11 3 CP5 48,39
4 CP5 62,92 4 Centroide espectral 68,62 4 Esparción espectral 62,92
5 Varianza de la frecuencia central 76,96 5 CP5 77,54 5 CP2 72,17
A4
6 CP3 86,70 6 Cuarto momento espectral 83,48 6 Varianza de la frecuencia central 81,25
7 Relación de frecuencia 90,50 7 Esparción espectral 81,75 7 Asimetría de frecuencia 88,69
8 Entropía espectral 91,00 8 CP3 89,01 8 Cuarto momento espectral 90,75
9 Asimetría de frecuencia 93,89 9 Varianza de la frecuencia central 91,74 9 CP3 92,81
10 CP2 94,22 10 CP2 92,40 10 Relación de frecuencia 94,47
220
frecuencia de las señales de EA para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
1 Entropía espectral 11,14 1 Entropía espectral 11,14 1 Entropía espectral 11,14
2 Primer momento espectral 52,14 2 Primer momento espectral 52,14 2 Primer momento espectral 52,14
4 CP4 89,19 4 CP3 93,98 4 Varianza de la frecuencia central 89,19
5 CP3 93,73 5 Varianza de la frecuencia central 93,73 5 CP3 93,73
EA1
6 Cuarto momento espectral 92,49 6 Cuarto momento espectral 92,49 6 Cuarto momento espectral 92,49
7 Relación de frecuencia 84,98 7 Asimetría de frecuencia 93,40 7 Relación de frecuencia 84,98
8 CP5 87,62 8 Curtosis de frecuencia 89,93 8 Asimetría de frecuencia 85,81
9 Esparción espectral 88,61 9 CP5 90,26 9 Curtosis de frecuencia 82,84
10 Centroide espectral 88,94 10 Relación de frecuencia 86,05 10 Centroide espectral 85,97
4 CP3 90,26 4 Varianza de la frecuencia central 90,26 4 Varianza de la frecuencia central 90,26
EA2
6 Relación de frecuencia 84,32 6 Curtosis de frecuencia 88,95 6 Relación de frecuencia 84,32
8 Curtosis de frecuencia 88,45 8 Relación de frecuencia 82,26 8 Esparción espectral 86,05
9 Centroide espectral 89,77 9 Centroide espectral 84,89 9 Centroide espectral 87,62
10 CP5 87,46 10 Esparción espectral 87,46 10 Curtosis de frecuencia 87,46

frecuencia de la señal de corriente para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
2 Relación de frecuencia 17,94 2 Relación de frecuencia 17,94 2 Tercer momento espectral 16,63
3 Varianza de la frecuencia central 25,27 3 Varianza de la frecuencia central 25,27 3 Esparción espectral 19,84
4 Tercer momento espectral 18,93 4 Esparción espectral 19,59 4 CP5 17,94
5 Esparción espectral 19,92 5 Tercer momento espectral 19,92 5 Cuarto momento espectral 19,09
C1
6 CP5 18,02 6 CP5 18,02 6 CP2 22,80
8 Cuarto momento espectral 22,88 8 Curtosis de frecuencia 23,13 8 Relación de frecuencia 22,88
9 Curtosis de frecuencia 23,13 9 Cuarto momento espectral 23,13 9 Curtosis de frecuencia 23,13
221
Tabla A2.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de
la frecuencia para el fallo de rotura

CP5 12 DF Centroide espectral 10 Audio
CP4 12 DF Relación de frecuencia 9 DF
Varianza de la frecuencia central 11 DF Entropía espectral 9 Audio
Cuarto momento espectral 11 DF CP2 7 DF
CP3 11 DF Frecuencia máxima 5 DF
Asimetría de frecuencia 10 DF Varianza de frecuencia 3 DF
Esparción espectral 10 Audio
Tabla A2.5: Resumen de los IC para las señales de EA1, EA2 en el dominio de la
.
Entropía espectral 6 Audio CP5 5 DF
Primer momento espectral 6 DF Centroide espectral 5 Audio
Varianza de la frecuencia central 6 DF Curtosis de frecuencia 5 DF
CP3 6 DF Esparción espectral 4 Audio
Relación de frecuencia 6 DF Asimetría de frecuencia 2 DF
Tabla A2.6: Resumen de los IC para la señal de corriente en el dominio de la


Relación de frecuencia 3 DF CP2 3 DF
Varianza de la frecuencia central 3 DF Cuarto momento espectral 3 DF
Tercer momento espectral 3 DF Curtosis de frecuencia 3 DF
Esparción espectral 3 Audio
222
DOMINIO DEL TIEMPO Y FRECUENCIA
Tabla A3.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y

frecuencia de las señales de vibración para el fallo de rotura
KNN KNN KNN
Ranking Dominio Ranking Dominio Ranking Dominio
( %) ( %) ( %)
1 Asimetría de frecuencia Frecuencia 11,16 1 Media Tiempo 11,16 1 Media Tiempo 11,16
2 Media Tiempo 17,44 2 Relación desviación-media Tiempo 33,8 2 Varianza de la frecuencia central Frecuencia 23,06
3 Asimetría Tiempo 37,60 3 Curtosis Tiempo 68,76 3 Factor de latitud Tiempo 47,44
4 Varianza de la frecuencia central Frecuencia 72,48 4 Operador de energía Tiempo 75,62 4 Cruce por cero Tiempo 73,55
Cambio de signo de
A1 5 Cambio de signo de pendiente Tiempo 86,28 5 Diferencia absoluta del valor de varianza Tiempo 81,24 5 Tiempo 88,76
pendiente
6 CP5 Frecuencia 86,36 6 Frecuencia máxima Frecuencia 84,79 6 Índice de margen Tiempo 90,50
7 Relación de frecuencia Frecuencia 89,01 7 Cambio de signo de pendiente Tiempo 89,75 7 CP5 Frecuencia 87,52
8 Cruce por cero Tiempo 93,55 8 Factor de latitud Tiempo 90,58 8 CP2 Frecuencia 90,01
9 Límite superior de histograma Tiempo 93,89 9 Relación Log-Log Tiempo 92,73 9 Asimetría Tiempo 92,89
10 Curtosis Tiempo 94,79 10 Varianza de la frecuencia central Frecuencia 94,79 10 Asimetría de frecuencia Frecuencia 93,64
1 Índice de margen Tiempo 11,15 1 Diferencia absoluta del valor de varianza Tiempo 11,15 1 CP4 Frecuencia 11,15
2 Cruce por cero Tiempo 25,85 2 Quinto momento estadístico Tiempo 38,64 2 Media Tiempo 17,67
3 Asimetría de frecuencia Frecuencia 48,96 3 Relación desviación-media Tiempo 54,34 3 Índice de margen Tiempo 46,00
Límite superior de
4 Media Tiempo 73,74 4 Factor de holgura Tiempo 77,13 4 Tiempo 66,56
histograma
A2
Límite inferior de
5 Tiempo 86,45 5 Curtosis Tiempo 84,64 5 Asimetría Tiempo 83,15
histograma
6 Asimetría Tiempo 92,89 6 Operador de energía Tiempo 87,95 6 Factor de latitud Tiempo 85,13
Límite superior de Límite inferior de
7 Tiempo 95,79 7 Índice de margen Tiempo 84,23 7 Tiempo 90,83
histograma histograma
8 Varianza de la frecuencia central Frecuencia 97,52 8 Relación Log-Log Tiempo 86,21 8 Entropía espectral Frecuencia 91,16
9 CP5 Frecuencia 95,46 9 Límite superior de histograma Tiempo 85,55 9 Centroide espectral Frecuencia 92,32
10 Curtosis Tiempo 95,71 10 K-ésimo momento central Tiempo 87,95 10 Cruce por cero Tiempo 95,96
1 Media Tiempo 11,15 1 Media Tiempo 11,15 1 Media Tiempo 11,15
2 Centroide espectral Frecuencia 32,28 2 Curtosis Tiempo 36 2 CP4 Frecuencia 44,84
3 CP5 Frecuencia 57,80 3 CP4 Frecuencia 75,56 3 Centroide espectral Frecuencia 73,49
4 Cruce por cero Tiempo 80,43 4 Quinto momento estadístico Tiempo 89,1 4 CP5 Frecuencia 81,26
5 CP4 Frecuencia 92,07 5 Longitud fractal máxima Tiempo 97,19 5 Esparción espectral Frecuencia 84,97
A3
6 Factor de latitud Tiempo 96,86 6 Tiempo 97,6 6 Cruce por cero Tiempo 92,65
7 Cuarto momento espectral Frecuencia 97,69 7 Diferencia absoluta del valor de varianza Tiempo 97,69 7 CP2 Frecuencia 92,65
Asimetría de
8 Asimetría de frecuencia Frecuencia 98,76 8 K-ésimo momento central Tiempo 98,1 8 Frecuencia 95,46
frecuencia
Longitud fractal
9 Relación de frecuencia Frecuencia 98,93 9 Indicadores de forma de onda Tiempo 98,27 9 Tiempo 97,85
máxima
10 Esparción espectral Frecuencia 98,84 10 Operador de energía Tiempo 98,27 10 Varianza de la frecuencia central Frecuencia 98,10
2 Centroide espectral Frecuencia 26,09 2 Longitud fractal máxima Tiempo 38,56 2 CP4 Frecuencia 26,75
3 CP5 Frecuencia 57,23 3 Tiempo 72,26 3 Centroide espectral Frecuencia 64,90
4 CP4 Frecuencia 79,11 4 Diferencia absoluta del valor de varianza Tiempo 73,41 4 CP5 Frecuencia 79,11
A4
5 Cruce por cero Tiempo 92,16 5 Quinto momento estadístico Tiempo 86,95 5 Esparción espectral Frecuencia 82,58
6 Factor de latitud Tiempo 98,10 6 Curtosis Tiempo 95,54 6 Cruce por cero Tiempo 92,40
7 Esparción espectral Frecuencia 98,10 7 CP4 Frecuencia 96,53 7 Factor de latitud Tiempo 98,10
Longitud fractal
8 Asimetría Tiempo 99,01 8 Operador de energía Tiempo 97,36 8 Tiempo 98,76
máxima
9 CP2 Frecuencia 99,42 9 Factor de latitud Tiempo 96,7 9 CP2 Frecuencia 98,84
10 Varianza de la frecuencia central Frecuencia 99,42 10 Relación desviación-media Tiempo 97,52 10 Asimetría Tiempo 99,67
223
frecuencia de las señales de EA para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
1 Momento normalizado Tiempo 11,16 1 Entropía espectral Frecuencia 11,16 1 Entropía espectral Frecuencia 11,16
2 Entropía espectral Frecuencia 35,87 2 Primer momento espectral Frecuencia 51,74 2 Primer momento espectral Frecuencia 51,74
3 Primer momento espectral Frecuencia 68,10 3 Tiempo 94,79 3 Tiempo 85,78
EA1 4 Cambio de signo de pendiente Tiempo 89,09 4 CP4 Frecuencia 94,47 4 Tiempo 97,60
5 Relación desviación-media Tiempo 96,94 5 Relación desviación-media Tiempo 98,1 5 CP4 Frecuencia 96,69
6 Tiempo 98,10 6 Tiempo 97,44 6 Relación desviación-media Tiempo 97,44
7 Sexto momento estadístico Tiempo 98,02 7 CP3 Frecuencia 97,02 7 Diferencia absoluta del valor de varianza Tiempo 98,35
8 Diferencia absoluta del valor de varianza Tiempo 98,76 8 Diferencia absoluta del valor de varianza Tiempo 97,77 8 Varianza de la frecuencia central Frecuencia 98,35
9 Operador de energía Tiempo 98,51 9 Varianza de la frecuencia central Frecuencia 97,36 9 Operador de energía Tiempo 97,93
Sexto momento
10 Varianza de la frecuencia central Frecuencia 98,43 10 Curtosis Tiempo 98,18 10 Tiempo 97,93
estadístico
1 Entropía espectral Frecuencia 11,16 1 Primer momento espectral Frecuencia 11,16 1 Entropía espectral Frecuencia 11,16
2 Primer momento espectral Frecuencia 60,09 2 Entropía espectral Frecuencia 60,09 2 Primer momento espectral Frecuencia 60,09
Cambio de signo de Cambio de signo de
3 Tiempo 87,77 3 Relación desviación-media Tiempo 91,57 3 Tiempo 87,77
pendiente pendiente
EA2 4 Relación desviación-media Tiempo 95,87 4 Tiempo 99,01 4 Tiempo 97,19
5 Tiempo 98,68 5 CP3 Frecuencia 98,18 5 Relación desviación-media Tiempo 98,68
Cambio de signo de
6 Sexto momento estadístico Tiempo 98,60 6 Tiempo 98,26 6 CP3 Frecuencia 98,26
pendiente
7 Varianza de la frecuencia central Frecuencia 98,68 7 Diferencia absoluta del valor de varianza Tiempo 98,76 7 Varianza de la frecuencia central Frecuencia 98,26
8 Operador de energía Tiempo 98,76 8 Varianza de la frecuencia central Frecuencia 98,59 8 Diferencia absoluta del valor de varianza Tiempo 98,59
9 CP3 Frecuencia 98,35 9 Operador de energía Tiempo 98,68 9 Operador de energía Tiempo 98,68
10 Diferencia absoluta del valor de varianza Tiempo 98,51 10 Sexto momento estadístico Tiempo 98,51 10 Asimetría Tiempo 95,37

frecuencia de la señal de corriente para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
1 Entropía espectral Frecuencia 11,12 1 Entropía espectral Frecuencia 11,12 1 Factor de impulso Tiempo 11,12
2 Factor de impulso Tiempo 20,67 2 Factor de impulso Tiempo 20,67 2 Entropía espectral Frecuencia 20,67
Cambio de signo de
3 Tiempo 26,94 3 Relación de frecuencia Frecuencia 24,05 3 Diferencia absoluta del valor de varianza Tiempo 33,03
pendiente
4 Relación de frecuencia Frecuencia 27,35 4 Diferencia absoluta del valor de varianza Tiempo 34,1 4 Esparción espectral Frecuencia 34,35
C1
5 Varianza de la frecuencia central Frecuencia 29,24 5 Varianza de la frecuencia central Frecuencia 35 5 Cuarto momento espectral Frecuencia 36,49
6 Diferencia absoluta del valor de varianza Tiempo 36,65 6 Indicadores de pulso Tiempo 37,97 6 CP5 Frecuencia 34,43
7 Tercer momento espectral Frecuencia 44,81 7 K-ésimo momento central Tiempo 37,97 7 Operador de energía Tiempo 34,43
Cambio de signo de
8 Indicadores de pulso Tiempo 44,15 8 Tiempo 39,21 8 Tercer momento espectral Frecuencia 35,01
pendiente
9 K-ésimo momento central Tiempo 44,40 9 Operador de energía Tiempo 36,82 9 Indicadores de pulso Tiempo 34,02
Cambio de signo de
10 Cuarto momento espectral Frecuencia 42,84 10 Esparción espectral Frecuencia 35,09 10 Tiempo 36,16
pendiente
224
Tabla A3.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo y frecuencia para el fallo de rotura
Indicador de Indicador de
Repeticiones Dominio Campo Repeticiones Dominio Campo
condición condición
Media 11 Tiempo DF Diferencia absoluta del valor de varianza 4 Tiempo EMG
Cruce por cero 8 Tiempo EMG Longitud fractal máxima 4 Tiempo EMG
CP5 7 Frecuencia DF Cambio de signo de pendiente 3 Tiempo EMG
CP4 7 Frecuencia DF Relación desviación-media 3 Tiempo DF
Factor de latitud 7 Tiempo DF Quinto momento estadístico 3 Tiempo DF
Asimetría 6 Tiempo DF Relación de frecuencia 2 Frecuencia DF
Varianza de la frecuencia central 6 Frecuencia DF Límite inferior de histograma 2 Tiempo DF
Curtosis 6 Tiempo DF Relación Log-Log 2 Tiempo DF
Asimetría de frecuencia 5 Frecuencia DF K-ésimo momento central 2 Tiempo DF
Centroide espectral 5 Frecuencia Audio 2 Tiempo EMG
Límite superior de histograma 4 Tiempo DF Cuarto momento espectral 1 Frecuencia DF
Índice de margen 4 Tiempo EMG Frecuencia máxima 1 Frecuencia DF
Esparción espectral 4 Frecuencia Audio Factor de holgura 1 Tiempo DF
CP2 4 Frecuencia DF Indicadores de forma de onda 1 Tiempo EMG
Operador de energía 4 Tiempo DF Entropía espectral 1 Frecuencia Audio
Tabla A3.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del
tiempo y frecuencia para el fallo de rotura
Entropía espectral 6 Frecuencia Audio Operador de energía 5 Tiempo DF
Primer momento espectral 6 Frecuencia DF Sexto momento estadístico 4 Tiempo DF
Cambio de signo de pendiente 6 Tiempo EMG CP3 4 Frecuencia DF
Relación desviación-media 6 Tiempo DF CP4 2 Frecuencia DF
6 Tiempo DF Momento normalizado 1 Tiempo DF
Diferencia absoluta del valor de varianza 6 Tiempo EMG Curtosis 1 Tiempo DF
Varianza de la frecuencia central 6 Frecuencia DF Asimetría 1 Tiempo DF
Tabla A3.6: Resumen de los IC para la señal de corriente en el dominio del tiempo y
Entropía espectral 3 Frecuencia Audio Tercer momento espectral 2 Frecuencia DF
Factor de impulso 3 Tiempo DF K-ésimo momento central 2 Tiempo DF
Cambio de signo de pendiente 3 Tiempo EMG Cuarto momento espectral 2 Frecuencia DF
Diferencia absoluta del valor de varianza 3 Tiempo EMG Operador de energía 2 Tiempo DF
Indicadores de pulso 3 Tiempo EMG Esparción espectral 2 Frecuencia Audio
Relación de frecuencia 2 Frecuencia DF CP5 1 Frecuencia DF
225
B.. RESULTADOS DEL SD1 PARA LA BASE DE DATOS DEL FALLO
DE GRIPADO
B.1.. RESULTADOS DEL SD1 PARA EL FALLO DE GRIPADO EN EL

DOMINIO DEL TIEMPO
226
Tabla B1.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo
de las señales de vibración para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Media 11,12 1 11,12 1 Media 11,12
normal normalizado
2 Porcentaje de Myopulso 31,79 2 Indicadores de forma de onda 40,77 2 Porcentaje de Myopulso 31,79
3 Asimetría 66,80 3 CPT6 75,86 3 Cruce por cero 75,29
Valor de verosimilitud negativo normal
4 81,71 4 Relación desviación-media 79,41 4 Longitud fractal máxima 91,76
A1 normalizado
5 Indicadores de forma de onda 88,71 5 Media 85,50 5 Relación desviación-media 93,57
6 Longitud fractal máxima 92,17 6 Relación Log-Log 85,34 6 Asimetría 93,66
Verosimilitud negativa logarítmica
7 Relación desviación-media 92,59 7 85,42 7 CPT6 93,66
de Weibull
8 Cruce por cero 94,40 8 Longitud fractal máxima 92,34 8 93,99
de Weibull
9 Curtosis 95,80 9 Diferencia absoluta del valor de varianza 91,93 9 Indicadores de forma de onda 94,15
10 96,38 10 Cruce por cero 95,55 10 Factor de holgura 94,15
estándar
1 Media 11,12 1 Relación desviación-media 11,12 1 Media 11,12
2 Asimetría 22,32 2 Relación Log-Log 46,13 2 Longitud fractal máxima 35,01
Factor de impulso de desviación Verosimilitud negativa logarítmica
3 59,15 3 65,41 3 Porcentaje de Myopulso 71,00
estándar de Weibull
A2 4 Cruce por cero 80,40 4 Longitud fractal máxima 83,53 4 93,66
de Weibull
5 Longitud fractal máxima 92,34 5 Diferencia absoluta del valor de varianza 83,36 5 Índice de margen 95,22
6 Curtosis 93,41 6 Media 89,78 6 Relación desviación-media 95,63
7 Porcentaje de Myopulso 95,22 7 Porcentaje de Myopulso 95,14 7 Cruce por cero 97,12
Verosimilitud negativa logarítmica Factor de impulso de desviación
8 97,12 8 Quinto momento estadístico 95,96 8 97,61
de Weibull estándar
9 Relación desviación-media 97,45 9 Cruce por cero 97,20 9 Límite inferior de histograma 97,03
10 Límite inferior de histograma 97,28 10 K-ésimo momento central 97,12 10 Asimetría 97,61
1 Asimetría 11,12 1 Relación Log-Log 11,12 1 Cruce por cero 11,12
2 19,61 2 Diferencia absoluta del valor de varianza 30,39 2 Media 25,37
estándar
3 Cruce por cero 61,45 3 Relación desviación-media 66,39 3 Asimetría 60,38
A3 4 Media 84,60 4 65,16 4 Índice de margen 76,28
de Weibull
5 Curtosis 89,62 5 Cruce por cero 79,82 5 90,61
de Weibull
6 Índice de margen 90,94 6 Media 87,72 6 Porcentaje de Myopulso 95,06
7 Límite superior de histograma 92,01 7 K-ésimo momento central 91,10 7 96,21
estándar
8 Diferencia absoluta del valor de varianza 93,41 8 Factor de holgura 91,60 8 Límite superior de histograma 96,29
9 95,64 9 Porcentaje de Myopulso 94,07 9 Relación desviación-media 96,54
de Weibull
10 Relación desviación-media 95,80 10 Asimetría 95,80 10 Diferencia absoluta del valor de varianza 97,04
2 Cruce por cero 29,25 2 Diferencia absoluta del valor de varianza 38,55 2 Cruce por cero 29,25
3 Asimetría 65,07 3 Relación Log-Log 71,91 3 Asimetría 65,07
4 Relación desviación-media 83,19 4 Relación desviación-media 75,78 4 Porcentaje de Myopulso 88,22
5 Diferencia absoluta del valor de varianza 93,16 5 Cruce por cero 85,67 5 Límite superior de histograma 94,97
A4
6 96,54 6 Porcentaje de Myopulso 92,25 6 Relación desviación-media 95,47
estándar
7 Porcentaje de Myopulso 98,10 7 K-ésimo momento central 94,89 7 Índice de margen 94,89
8 Límite histograma 98,27 8 Asimetría 96,46 8 96,95
estándar
9 Curtosis 98,85 9 Límite superior de histograma 97,28 9 Diferencia absoluta del valor de varianza 97,86
Momentos temporales de orden
10 Índice de margen 98,27 10 97,36 10 Curtosis 98,27
superior
227
de las señales de EA para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
2 Momento normalizado 34,98 2 Relación Log-Log 49,96 2 Relación Log-Log 49,96
3 Relación Log-Log 65,35 3 95,64 3 Cambio de signo de pendiente 89,96
EA1 4 Cambio de signo de pendiente 92,59 4 Cambio de signo de pendiente 96,63 4 96,63
5 98,19 5 Relación desviación-media 98,77 5 Operador de energía 96,54
6 Sexto momento estadístico 97,86 6 Diferencia absoluta del valor de varianza 98,85 6 Relación desviación-media 98,27
7 Operador de energía 96,79 7 Curtosis 98,85 7 Asimetría 94,24
8 Indicadores de pulso 93,83 8 Operador de energía 98,60 8 Indicadores de pulso 91,93
9 Relación desviación-media 95,72 9 Sexto momento estadístico 98,77 9 Sexto momento estadístico 92,18
10 Diferencia absoluta del valor de varianza 95,80 10 Indicadores de pulso 96,30 10 K-ésimo momento central 91,93
3 Cambio de signo de pendiente 91,36 3 Factor de impulso de desviación estándar 95,31 3 Cambio de signo de pendiente 91,36
4 96,13 4 Relación desviación-media 99,67 4 96,13
EA2
5 Sexto momento estadístico 97,04 5 Cambio de signo de pendiente 98,35 5 Relación desviación-media 98,35
6 Operador de energía 97,70 6 Diferencia absoluta del valor de varianza 98,52 6 Operador de energía 98,52
7 Indicadores de pulso 94,32 7 Operador de energía 98,68 7 Asimetría 92,51
8 Relación desviación-media 95,97 8 Sexto momento estadístico 98,52 8 Sexto momento estadístico 94,07
9 Porcentaje de Myopulso 93,91 9 Indicadores de pulso 96,63 9 Indicadores de pulso 92,67
10 Quinto momento estadístico 93,42 10 Curtosis 96,54 10 Quinto momento estadístico 92,1

de la señal de corriente para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
Verosimilitud negativa logarítmica Verosimilitud negativa logarítmica Verosimilitud negativa logarítmica
1 11,11 1 11,11 1 11,11
de Weibull de Weibull de Weibull
3 Relación Log-Log 33,58 3 Asimetría 25,76 3 Diferencia absoluta del valor de varianza 33,25
4 Asimetría 39,34 4 Sexto momento estadístico 25,93 4 Factor de forma 51,77
C1 5 Cambio de signo de pendiente 43,70 5 Diferencia absoluta del valor de varianza 31,36 5 Cambio de signo de pendiente 51,69
6 Diferencia absoluta del valor de varianza 45,19 6 Cambio de signo de pendiente 37,53 6 Sexto momento estadístico 49,22
7 Sexto momento estadístico 46,42 7 Factor de forma 46,42 7 Asimetría 46,42
8 K-ésimo momento central 43,29 8 Factor de impulso 41,98 8 Límite superior de histograma 40,33
9 Factor de impulso 41,23 9 Pendiente media del valor absoluto 36,13 9 Factor de impulso 40,66
10 Límite inferior de histograma 41,56 10 Delta RMS 31,85 10 K-ésimo momento central 37,94
228
Tabla B1.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo para el fallo de gripado

Media 12 DF Límite superior de histograma 5 DF
Relación desviación-media 12 DF Relación Log-Log 4 DF
Cruce por cero 12 EMG Indicadores de forma de onda 3 EMG
Porcentaje de Myopulso 10 EMG K-ésimo momento central 3 DF
Asimetría 10 DF 2 DF
normal normalizado
8 EMG Límite inferior de histograma 2 DF
de Weibull
Diferencia absoluta del valor de varianza 8 EMG CPT6 2 DF
7 DF Factor de holgura 2 DF
estándar
Longitud fractal máxima 6 EMG Quinto momento estadístico 1 DF
Momentos temporales de
Curtosis 5 DF 1 EMG
orden superior
Índice de margen 5 EMG
Tabla B1.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del
tiempo para el fallo de gripado

Factor de forma 6 DF Diferencia absoluta del valor de varianza 3 EMG
Relación Log-Log 6 DF Quinto momento estadístico 2 DF
Cambio de signo de pendiente 6 EMG Curtosis 2 DF
estándar
Sexto momento estadístico 6 DF Momento normalizado 1 DF
Operador de energía 6 DF Porcentaje de Myopulso 1 EMG
Indicadores de pulso 6 EMG K-ésimo momento central 1 DF
229
Tabla B1.6: Resumen de los IC para la señal de corriente en el dominio del tiempo
para el fallo de gripado

3 EMG Factor de impulso 3 DF
Factor de forma 3 DF K-ésimo momento central 2 DF
Relación Log-Log 3 DF Límite inferior de histograma 1 DF
Pendiente media del valor
Asimetría 3 DF 1 EMG
absoluto
Cambio de signo de pendiente 3 EMG Delta RMS 1 DF
Diferencia absoluta del valor de varianza 3 EMG Límite superior de histograma 1 DF
Sexto momento estadístico 3 DF
230
DOMINIO DE LA FRECUENCIA
231
Tabla B2.1: Ranqueo de los IC y exactitud de clasificación en el dominio de la
frecuencia de las señales de vibración para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Varianza de la frecuencia central 11,15 1 Varianza de la frecuencia central 11,15 1 CP5 11,15
2 Cuarto momento espectral 28,82 2 Varianza de frecuencia 26,34 2 Varianza de la frecuencia central 23,28
3 Asimetría de frecuencia 52,10 3 CP3 49,96 3 CP3 54,50
4 CP5 67,05 4 CP5 66,14 4 Centroide espectral 69,53
5 Entropía espectral 81,75 5 Centroide espectral 74,40 5 CP2 80,84
A1
6 CP3 90,83 6 Cuarto momento espectral 82,66 6 Asimetría de frecuencia 89,43
7 Centroide espectral 93,97 7 CP4 91,41 7 Esparción espectral 89,02
8 Relación de frecuencia 94,30 8 Entropía espectral 92,73 8 Entropía espectral 91,00
9 Esparción espectral 93,72 9 CP2 91,91 9 Cuarto momento espectral 93,23
10 CP2 93,47 10 Esparción espectral 91,58 10 Relación de frecuencia 93,47
1 Cuarto momento espectral 11,16 1 CP3 11,16 1 CP5 11,16
2 CP5 20,17 2 Varianza de frecuencia 25,95 2 Varianza de la frecuencia central 24,79
4 Asimetría de frecuencia 64,88 4 CP2 60,33 4 Centroide espectral 69,01
5 CP3 82,81 5 Cuarto momento espectral 77,19 5 CP3 81,90
A2
6 Entropía espectral 90,66 6 Centroide espectral 82,15 6 Esparción espectral 81,16
7 Centroide espectral 91,57 7 Varianza de la frecuencia central 86,37 7 CP4 83,14
8 CP4 93,47 8 CP5 89,59 8 Asimetría de frecuencia 88,43
9 Relación de frecuencia 94,21 9 Entropía espectral 91,82 9 Cuarto momento espectral 91,82
10 Varianza de frecuencia 94,38 10 Relación de frecuencia 92,97 10 Entropía espectral 92,15
1 CP5 11,20 1 CP5 11,20 1 CP5 11,20
2 Frecuencia máxima 24,56 2 Centroide espectral 22,07 2 Centroide espectral 22,07
3 Esparción espectral 41,24 3 CP4 47,72 3 Esparción espectral 38,59
5 Relación de frecuencia 75,44 5 CP2 70,87 5 CP4 61,08
A3
6 Cuarto momento espectral 79,59 6 Entropía espectral 75,68 6 Cuarto momento espectral 74,36
7 Centroide espectral 83,73 7 Varianza de frecuencia 78,51 7 CP3 81,49
8 Varianza de la frecuencia central 87,55 8 Cuarto momento espectral 84,73 8 Asimetría de frecuencia 83,65
9 CP3 90,12 9 Frecuencia máxima 87,55 9 Relación de frecuencia 88,30
10 CP4 90,46 10 Relación de frecuencia 89,79 10 Frecuencia máxima 89,29
1 CP5 11,24 1 Frecuencia máxima 11,24 1 Esparción espectral 11,24
2 Varianza de la frecuencia central 22,98 2 Esparción espectral 25,06 2 CP5 16,74
3 Relación de frecuencia 49,79 3 CP5 37,22 3 Centroide espectral 34,89
4 Cuarto momento espectral 70,77 4 CP4 54,87 4 CP4 48,29
5 Esparción espectral 73,35 5 Centroide espectral 63,28 5 Varianza de la frecuencia central 69,52
A4
6 Frecuencia máxima 75,44 6 Varianza de frecuencia 73,43 6 CP2 74,60
7 Asimetría de frecuencia 79,60 7 CP3 76,77 7 Cuarto momento espectral 81,93
8 CP4 84,43 8 Entropía espectral 78,68 8 Relación de frecuencia 85,76
9 Centroide espectral 87,09 9 Varianza de la frecuencia central 84,26 9 Asimetría de frecuencia 87,59
232
frecuencia de las señales de EA para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
EA1
8 Centroide espectral 87,14 8 Curtosis de frecuencia 88,38 8 CP5 80,92
9 Asimetría de frecuencia 86,98 9 CP5 84,65 9 Esparción espectral 84,9
10 Curtosis de frecuencia 83,99 10 Relación de frecuencia 79,50 10 Curtosis de frecuencia 83,24
4 CP3 87,26 4 Varianza de la frecuencia central 87,26 4 Varianza de la frecuencia central 87,26
EA2
8 Centroide espectral 89,08 8 Relación de frecuencia 77,68 8 Esparción espectral 85,7
9 Curtosis de frecuencia 88,17 9 Centroide espectral 82,39 9 Centroide espectral 85,7
10 CP5 84,78 10 Esparción espectral 84,78 10 Curtosis de frecuencia 84,78

frecuencia de la señal de corriente para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Frecuencia máxima 11,06 1 Frecuencia máxima 11,06 1 Frecuencia máxima 11,06
2 Varianza de la frecuencia central 12,96 2 Frecuencia media 11,14 2 Primer momento espectral 12,79
3 Primer momento espectral 17,24 3 Asimetría de frecuencia 12,63 3 Frecuencia media 12,79
5 Entropía espectral 20,71 5 CP1 12,21 5 Varianza de la frecuencia central 20,71
C1
6 Frecuencia media 21,78 6 CP2 13,20 6 CP5 22,19
7 CP5 21,04 7 CP4 12,29 7 CP1 20,62
8 CP4 20,79 8 CP5 12,54 8 CP4 20,13
9 Esparción espectral 19,64 9 Primer momento espectral 14,03 9 Esparción espectral 21,12
10 CP1 20,54 10 Varianza de la frecuencia central 15,02 10 Asimetría de frecuencia 16,83
233
Tabla B2.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de
la frecuencia para el fallo de gripado

Cuarto momento espectral 12 DF Esparción espectral 9 Audio
CP5 12 DF Asimetría de frecuencia 8 DF
CP3 12 DF Entropía espectral 8 Audio
Centroide espectral 12 Audio CP2 8 DF
Varianza de la frecuencia central 10 DF Varianza de frecuencia 5 DF
Relación de frecuencia 9 DF
Tabla B2.5: Resumen de los IC para las señales de EA1, EA2 en el dominio de la

Entropía espectral 6 Audio Curtosis de frecuencia 6 DF
Primer momento espectral 6 DF CP5 5 DF
Varianza de la frecuencia central 6 DF Centroide espectral 4 Audio
Tabla B2.6: Resumen de los IC para la señal de corriente en el dominio de la


Frecuencia máxima 3 DF Relación de frecuencia 2 DF
Varianza de la frecuencia central 3 DF Esparción espectral 2 Audio
Primer momento espectral 3 DF Asimetría de frecuencia 2 DF
Frecuencia media 3 DF Entropía espectral 1 Audio
CP5 3 DF Curtosis de frecuencia 1 DF
CP4 3 DF CP2 1 DF
CP1 3 DF
234
DOMINIO DEL TIEMPO Y FRECUENCIA
Tabla B3.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y

frecuencia de las señales de vibración para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Media Tiempo 11,15 1 Tiempo 11,15 1 Media Tiempo 11,15
normal normalizado
2 Varianza de la frecuencia central Frecuencia 33,69 2 Indicadores de forma de onda Tiempo 40,96 2 CP5 Frecuencia 39,64
3 Porcentaje de Myopulso Tiempo 67,05 3 CPT6 Tiempo 75,06 3 Porcentaje de Myopulso Tiempo 63,25
4 Cuarto momento espectral Frecuencia 82,16 4 Relación desviación-media Tiempo 77,62 4 Cruce por cero Tiempo 81,08
A1 5 CP5 Frecuencia 84,55 5 Media Tiempo 85,05 5 Varianza de la frecuencia central Frecuencia 90,08
6 Asimetría de frecuencia Frecuencia 91,57 6 Relación Log-Log Tiempo 84,8 6 Relación desviación-media Tiempo 91,65
7 Asimetría Tiempo 93,72 7 Diferencia absoluta del valor de varianza Tiempo 91,16 7 Asimetría Tiempo 94,62
8 Tiempo 94,96 8 Varianza de la frecuencia central Frecuencia 95,45 8 CP3 Frecuencia 95,86
normal normalizado
9 Indicadores de forma de onda Tiempo 96,36 9 Cruce por cero Tiempo 97,85 9 Centroide espectral Frecuencia 96,44
10 Cruce por cero Tiempo 97,68 10 Quinto momento estadístico Tiempo 98,35 10 CPT6 Tiempo 96,61
1 Media Tiempo 11,16 1 Relación Log-Log Tiempo 11,16 1 Media Tiempo 11,16
2 Asimetría Tiempo 22,07 2 Relación desviación-media Tiempo 46,94 2 CP5 Frecuencia 27,61
3 CP5 Frecuencia 50,58 3 Diferencia absoluta del valor de varianza Tiempo 62,64 3 Porcentaje de Myopulso Tiempo 65,29
4 Cuarto momento espectral Frecuencia 72,15 4 Media Tiempo 79,5 4 Varianza de la frecuencia central Frecuencia 80,99
5 Asimetría de frecuencia Frecuencia 81,32 5 CP3 Frecuencia 84,38 5 CP2 Frecuencia 86,70
A2
6 Varianza de la frecuencia central Frecuencia 87,85 6 Varianza Frecuencia 88,43 6 Centroide espectral Frecuencia 89,51
7 Cruce por cero Tiempo 92,81 7 Quinto momento estadístico Tiempo 89,92 7 Índice de margen Tiempo 91,74
8 Tiempo 94,71 8 Porcentaje de Myopulso Tiempo 95,29 8 CP3 Frecuencia 95,29
estándar
9 Centroide espectral Frecuencia 95,95 9 CP4 Frecuencia 97,27 9 Relación desviación-media Tiempo 95,87
10 Relación desviación-media Tiempo 95,95 10 K-ésimo momento central Tiempo 97,6 10 Cruce por cero Tiempo 97,27
1 CP5 Frecuencia 11,16 1 Relación Log-Log Tiempo 11,16 1 CP5 Frecuencia 11,16
2 Centroide espectral Frecuencia 22,48 2 Diferencia absoluta del valor de varianza Tiempo 30,58 2 Cruce por cero Tiempo 23,64
3 Frecuencia máxima Frecuencia 53,47 3 Centroide espectral Frecuencia 64,21 3 Centroide espectral Frecuencia 54,38
4 Asimetría Tiempo 68,35 4 CP5 Frecuencia 70,99 4 Media Tiempo 77,44
A3 5 Tiempo 84,05 5 CP3 Frecuencia 79,59 5 Asimetría Tiempo 90,91
estándar
6 Cuarto momento espectral Frecuencia 88,43 6 CP4 Frecuencia 81,49 6 Esparción espectral Frecuencia 89,09
7 Esparción espectral Frecuencia 88,60 7 Cruce por cero Tiempo 88,6 7 CP4 Frecuencia 92,89
8 Varianza de la frecuencia central Frecuencia 92,64 8 CP2 Frecuencia 89,26 8 Índice de margen Tiempo 94,63
9 Media Tiempo 96,53 9 Media Tiempo 93,31 9 CP2 Frecuencia 94,46
10 CP4 Frecuencia 96,94 10 Entropía espectral Frecuencia 94,05 10 Porcentaje de Myopulso Tiempo 95,37
2 CP5 Frecuencia 30,49 2 Diferencia absoluta del valor de varianza Tiempo 37,77 2 Esparción espectral Frecuencia 31,57
3 Esparción espectral Frecuencia 42,73 3 Relación Log-Log Tiempo 71,89 3 CP5 Frecuencia 42,73
4 Cruce por cero Tiempo 67,94 4 Frecuencia máxima Frecuencia 80,07 4 Cruce por cero Tiempo 67,94
5 Varianza de la frecuencia central Frecuencia 85,21 5 Esparción espectral Frecuencia 84,29 5 Centroide espectral Frecuencia 81,65
A4
6 Relación de frecuencia Frecuencia 90,99 6 CP5 Frecuencia 87,27 6 Asimetría Tiempo 90,83
7 Asimetría Tiempo 94,71 7 CP4 Frecuencia 91,98 Porcentaje de Myopulso Tiempo 96,03
8 Cuarto momento espectral Frecuencia 96,28 8 Centroide espectral Frecuencia 94,47 CP4 Frecuencia 97,02
9 Centroide espectral Frecuencia 97,35 9 Cruce por cero Tiempo 97,27 Varianza de la frecuencia central Frecuencia 97,77
10 Frecuencia máxima Frecuencia 97,68 10 Porcentaje de Myopulso Tiempo 97,27 Límite superior de histograma Tiempo 98,18
235
frecuencia de las señales de EA para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Entropía espectral Frecuencia 11,12 1 Entropía espectral Frecuencia 11,12 1 Entropía espectral Frecuencia 11,12
2 Momento normalizado Tiempo 35,43 2 Primer momento espectral Frecuencia 52,11 2 Primer momento espectral Frecuencia 52,11
3 Primer momento espectral Frecuencia 67,88 3 Tiempo 95,02 3 CP4 Frecuencia 83,90
Cambio de signo Cambio de signo
EA1 4 Tiempo 89,54 4 CP4 Frecuencia 93,78 4 Tiempo 92,04
de pendiente de pendiente
6 Varianza de la frecuencia central Frecuencia 97,93 6 Cambio de signo de pendiente Tiempo 97,43 6 Varianza de la frecuencia central Frecuencia 96,60
7 Sexto momento estadístico Tiempo 98,26 7 CP3 Frecuencia 96,68 7 CP3 Frecuencia 95,93
8 CP4 Frecuencia 97,67 8 Diferencia absoluta del valor de varianza Tiempo 97,18 8 Operador de energía Tiempo 96,26
9 Operador de energía Tiempo 97,76 9 Varianza de la frecuencia central Frecuencia 96,85 9 Relación desviación-media Tiempo 96,35
10 Diferencia absoluta del valor de varianza Tiempo 97,76 10 Curtosis Tiempo 96,93 10 Asimetría Tiempo 93,70
1 Entropía espectral Frecuencia 11,17 1 Entropía espectral Frecuencia 11,17 1 Entropía espectral Frecuencia 11,17
2 Primer momento espectral Frecuencia 60,30 2 Primer momento espectral Frecuencia 60,3 2 Primer momento espectral Frecuencia 60,30
3 Cambio de signo de pendiente Tiempo 86,27 3 Tiempo 93,05 3 CP3 Frecuencia 83,62
estándar
Factor de impulso de desviación Cambio de signo
EA2 4 Tiempo 96,69 4 Relación desviación-media Tiempo 98,68 4 Tiempo 92,89
estándar de pendiente
5 Varianza de la frecuencia central Frecuencia 97,85 5 Cambio de signo de pendiente Tiempo 98,43 5 Tiempo 96,11
6 Sexto momento estadístico Tiempo 98,76 6 CP3 Frecuencia 97,93 6 Varianza de la frecuencia central Frecuencia 97,19
7 CP3 Frecuencia 98,35 7 Diferencia absoluta del valor de varianza Tiempo 98,26 7 Relación desviación-media Tiempo 98,01
8 Operador de energía Tiempo 98,35 8 Varianza de la frecuencia central Frecuencia 98,43 8 Operador de energía Tiempo 98,18
9 Relación desviación-media Tiempo 98,35 9 Operador de energía Tiempo 98,43 9 Asimetría Tiempo 94,04
10 Indicadores de pulso Tiempo 96,20 10 Sexto momento estadístico Tiempo 98,26 10 Sexto momento estadístico Tiempo 95,12

frecuencia de la señal de corriente para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Frecuencia máxima Frecuencia 11,06 1 Frecuencia máxima Frecuencia 11,06 1 Frecuencia máxima Frecuencia 11,06
2 Relación Log-Log Tiempo 17,41 2 Relación Log-Log Tiempo 17,41 2 Relación Log-Log Tiempo 17,41
3 Factor de forma Tiempo 39,19 3 Frecuencia media Frecuencia 20,88 3 Diferencia absoluta del valor de varianza Tiempo 30,28
4 Asimetría Tiempo 40,01 4 Asimetría Tiempo 22,28 4 Factor de forma Tiempo 51,57
Cambio de signo de
C1 5 Varianza de la frecuencia central Frecuencia 40,60 5 Sexto momento estadístico Tiempo 21,95 5 Tiempo 51,98
pendiente
6 Primer momento espectral Frecuencia 41,01 6 Diferencia absoluta del valor de varianza Tiempo 26,98 6 Primer momento espectral Frecuencia 49,50
Cambio de signo de Sexto momento
7 Cambio de signo de pendiente Tiempo 43,32 7 Tiempo 29,04 7 Tiempo 47,20
pendiente estadístico
8 Sexto momento estadístico Tiempo 41,92 8 Factor de forma Tiempo 37,54 8 Frecuencia media Frecuencia 39,03
9 Relación de frecuencia Frecuencia 42,90 9 Factor de impulso Tiempo 36,8 9 Asimetría Tiempo 39,94
10 Diferencia absoluta del valor de varianza Tiempo 43,40 10 Tiempo 31,35 10 Relación de frecuencia Frecuencia 39,03
absoluto
236
Tabla B3.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo y frecuencia para el fallo de gripado
Media 12 Tiempo DF CP2 3 Frecuencia DF
CP5 10 Frecuencia DF Asimetría de frecuencia 2 Frecuencia DF
Cruce por cero 10 Tiempo EMG negativo normal 2 Tiempo DF
normalizado
Indicadores de forma
Centroide espectral 9 Frecuencia Audio 2 Tiempo EMG
de onda
Factor de impulso
Varianza de la frecuencia central 8 Frecuencia DF 2 Tiempo DF
Porcentaje de Myopulso 7 Tiempo EMG CPT6 2 Tiempo DF
Quinto momento
estadístico
CP4 6 Frecuencia DF Índice de margen 2 Tiempo EMG
Relación desviación-media 5 Tiempo DF Relación de frecuencia 1 Frecuencia DF
Esparción espectral 5 Frecuencia Audio Varianza 1 Frecuencia DF
K-ésimo momento
Cuarto momento espectral 4 Frecuencia DF 1 Tiempo DF
central
Relación Log-Log 4 Tiempo DF Entropía espectral 1 Frecuencia Audio
Límite superior de
Diferencia absoluta del valor de varianza 4 Tiempo EMG 1 Tiempo DF
histograma
CP3 4 Frecuencia DF
Frecuencia máxima 3 Frecuencia DF
Tabla B3.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del
tiempo y frecuencia para el fallo de gripado
Indicador de condición Repeticiones Dominio Campo Indicador de condición Repeticiones Dominio Campo
Entropía espectral 6 Frecuencia Audio Relación desviación-media 5 Tiempo DF
Primer momento espectral 6 Frecuencia DF Sexto momento estadístico 4 Tiempo DF
Cambio de signo de pendiente 6 Tiempo EMG CP4 3 Frecuencia DF
6 Tiempo DF Diferencia absoluta del valor de varianza 3 Tiempo EMG
estándar
Varianza de la frecuencia central 6 Frecuencia DF Asimetría 2 Tiempo DF
Operador de energía 5 Tiempo DF Momento normalizado 1 Tiempo DF
CP3 5 Frecuencia DF Indicadores de pulso 1 Tiempo EMG
Curtosis 1 Tiempo DF
237
Tabla B3.6: Resumen de los IC para la señal de corriente en el dominio del tiempo y
Frecuencia máxima 3 Frecuencia DF Primer momento espectral 2 Frecuencia DF
Relación Log-Log 3 Tiempo DF Relación de frecuencia 2 Frecuencia DF
Factor de forma 3 Tiempo DF Frecuencia media 2 Frecuencia DF
Asimetría 3 Tiempo DF Varianza de la frecuencia central 1 Frecuencia DF
Cambio de signo de pendiente 3 Tiempo EMG Factor de impulso 1 Tiempo DF
Sexto momento estadístico 3 Tiempo DF 1 Tiempo EMG
absoluto
Diferencia absoluta del valor de varianza 3 Tiempo EMG
238
C.. RESULTADOS DEL SD1 PARA LA BASE DE DATOS DEL FALLO
DE PICADURA
C.1.. RESULTADOS DEL SD1 PARA EL FALLO DE PICADURA EN

EL DOMINIO DEL TIEMPO
239
Tabla C1.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo
de las señales de vibración para el fallo de picadura
ReliefF Chi-cuadrado Ganancia de información
KNN KNN KNN
( %) ( %) ( %)
2 Asimetría 26,90 2 Diferencia absoluta del valor de varianza 36,55 2 Porcentaje de Myopulso 30,69
3 Cambio de signo de pendiente 67,82 3 Media 66,10 3 68,00
4 Cruce por cero 89,61 4 Curtosis 83,92 4 Curtosis 87,79
A1
5 Porcentaje de Myopulso 94,22 5 K-ésimo momento central 90,19 5 Cruce por cero 94,39
Factor de impulso de Verosimilitud negativa
6 95,96 6 92,57 6 Factor de latitud 93,32
desviación estándar logarítmica de Weibull
7 Indicadores de forma de onda 96,78 7 Cambio de signo de pendiente 96,62 7 Cambio de signo de pendiente 96,62
8 Curtosis 96,78 8 Quinto momento estadístico 96,70 8 Factor de holgura 96,54
9 Factor de latitud 97,61 9 96,70 9 Asimetría 97,28
negativo normal normalizado
10 97,69 10 Indicadores de forma de onda 96,37 10 Factor de impulso de desviación estándar 96,95
normal normalizado
1 Asimetría 11,14 1 Relación desviación-media 11,14 1 Media 11,14
2 Cruce por cero 25,74 2 Sexto momento estadístico 35,57 2 25,24
3 Media 58,25 3 Quinto momento estadístico 58,33 3 Cruce por cero 67,24
A2 4 Factor de latitud 77,39 4 72,77 4 Asimetría 85,15
5 88,94 5 Curtosis 87,04 5 Relación Log-Log 94,55
6 Diferencia absoluta del valor de varianza 95,05 6 K-ésimo momento central 89,77 6 Porcentaje de Myopulso 94,88
7 97,20 7 Diferencia absoluta del valor de varianza 91,34 7 Factor de latitud 97,11
8 Relación desviación-media 97,69 8 Momentos temporales de orden superior 91,92 8 97,94
9 Curtosis 97,86 9 Media 94,64 9 Diferencia absoluta del valor de varianza 97,94
10 Límite superior de histograma 97,94 10 Factor de impulso de desviación estándar 96,78 10 Relación desviación-media 98,02
1 Asimetría 11,14 1 11,14 1 Cruce por cero 11,14
2 27,80 2 Diferencia absoluta del valor de varianza 35,32 2 30,53
3 Media 60,97 3 Cruce por cero 67,82 3 Asimetría 68,89
A3 4 Cruce por cero 88,86 4 K-ésimo momento central 82,59 4 Índice de margen 83,75
5 Índice de margen 92,24 5 Curtosis 92,41 5 Media 91,33
6 Diferencia absoluta del valor de varianza 93,73 6 Relación Log-Log 94,14 6 94,55
7 Límite superior de histograma 94,55 7 Sexto momento estadístico 94,80 7 Límite superior de histograma 95,71
8 Factor de latitud 94,80 8 Factor de holgura 93,23 8 Diferencia absoluta del valor de varianza 96,04
9 Curtosis 95,21 9 94,31 9 Límite inferior de histograma 96,61
10 Límite inferior de histograma 95,87 10 Quinto momento estadístico 94,39 10 Porcentaje de Myopulso 96,37
1 Media 11,14 1 K-ésimo momento central 11,14 1 Cruce por cero 11,14
2 Cruce por cero 26,64 2 Quinto momento estadístico 31,68 2 Media 26,64
3 Asimetría 60,14 3 67,08 3 Asimetría 60,14
A4 4 84,57 4 Relación desviación-media 67,16 4 Porcentaje de Myopulso 85,90
5 Diferencia absoluta del valor de varianza 94,39 5 Relación Log-Log 76,56 5 93,82
6 Índice de margen 94,14 6 Media 78,55 6 Índice de margen 94,72
7 Factor de latitud 94,64 7 Sexto momento estadístico 80,86 7 96,37
8 Límite superior de histograma 95,13 8 Diferencia absoluta del valor de varianza 87,37 8 Factor de latitud 96,95
9 Porcentaje de Myopulso 96,29 9 Factor de holgura 90,02 9 Diferencia absoluta del valor de varianza 97,20
10 97,11 10 Porcentaje de Myopulso 92,82 10 Curtosis 97,61
240
de las señales de EA para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
2 Momento normalizado 56,21 2 Relación Log-Log 70,12 2 Relación Log-Log 70,12
3 Relación Log-Log 87,57 3 95,06 3 95,06
4 Sexto momento estadístico 96,38 4 Diferencia absoluta del valor de varianza 99,18 4 Sexto momento estadístico 96,71
EA1
5 97,61 5 Relación desviación-media 99,59 5 Relación desviación-media 99,18
6 Diferencia absoluta del valor de varianza 98,68 6 Sexto momento estadístico 99,18 6 Diferencia absoluta del valor de varianza 99,18
7 Operador de energía 98,44 7 CPT6 99,51 7 Curtosis 99,42
8 Relación desviación-media 98,85 8 Curtosis 99,51 8 CPT6 99,51
9 CPT6 99,18 9 Cambio de signo de pendiente 98,85 9 Operador de energía 99,34
10 Curtosis 99,18 10 Operador de energía 98,85 10 Cambio de signo de pendiente 98,85
Factor de impulso de Factor de impulso de Factor de impulso de
3 94,65 3 94,65 3 94,65
desviación estándar desviación estándar desviación estándar
Cambio de signo de
EA2 4 98,77 4 Relación desviación-media 100,00 4 Relación desviación-media 100
pendiente
5 Sexto momento estadístico 98,93 5 CPT6 100,00 5 CPT6 100
6 Relación desviación-media 99,93 6 Diferencia absoluta del valor de varianza 99,75 6 Cambio de amplitud promedio 99,92
7 Operador de energía 99,42 7 Cambio de amplitud promedio 99,75 7 Sexto momento estadístico 99,51
8 CPT6 99,34 8 Curtosis 99,75 8 Curtosis 99,42
Cambio de amplitud
9 99,26 9 Sexto momento estadístico 99,51 9 Diferencia absoluta del valor de varianza 99,51
promedio
10 Diferencia absoluta del valor de varianza 99,18 10 Asimetría 98,27 10 Asimetría 98,27

de la señal de corriente para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
Verosimilitud negativa Verosimilitud negativa Verosimilitud negativa
3 33,99 3 39,99 3 33,99
logarítmica de Weibull logarítmica de Weibull logarítmica de Weibull
C1 4 Relación Log-Log 43,54 4 43,21 4 Relación Log-Log 43,54
5 Cambio de signo de pendiente 59,42 5 Relación Log-Log 52,76 5 52,76
estándar
7 Diferencia absoluta del valor de varianza 62,47 7 Asimetría 54,57 7 Sexto momento estadístico 57,37
8 Asimetría 59,75 8 Cambio de signo de pendiente 59,75 8 Asimetría 54,49
9 Sexto momento estadístico 59,84 9 52,67 9 Límite superior de histograma 52,43
absoluto
10 K-ésimo momento central 58,68 10 Delta RMS 50,70 10 Media de amplitud 47,00
241
Tabla C1.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del

Media 11 DF Índice de margen 4 EMG
Factor de impuso de
10 DF K-ésimo momento central 4 DF
Diferencia absoluta del valor de varianza 10 EMG Quinto momento estadístico 4 DF
10 EMG Cambio de signo de pendiente 3 EMG
Cruce por cero 9 EMG Sexto momento estadístico 3 DF
Asimetría 8 DF Relación Log-Log 3 DF
Curtosis 8 DF Factor de holgura 3 DF
Porcentaje de Myopulso 7 EMG Indicadores de forma de onda 2 EMG
Factor de latitud 7 DF 2 DF
normal normalizado
Relación desviación-media 5 DF Límite inferior de histograma 2 DF
Límite superior de histograma 4 DF 1 EMG
superior
Tabla C1.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del

Factor de forma 6 DF Curtosis 5 DF
Relación Log-Log 6 DF Operador de energía 4 DF
Sexto momento estadístico 6 DF Cambio de signo de pendiente 3 EMG
6 DF Cambio de amplitud promedio 3 EMG
estándar
Diferencia absoluta del valor de varianza 6 EMG Asimetría 2 DF
Relación desviación-media 6 DF Momento normalizado 1 DF
CPT6 6 DF
Tabla C1.6: Resumen de los IC para la señal de corriente en el dominio del tiempo
para el fallo de picadura

Factor de forma 3 DF Cambio de signo de pendiente 2 EMG
Factor de impulso 3 DF Sexto momento estadístico 2 DF
3 EMG K-ésimo momento central 1 DF
Realción Log-Log 3 DF Pendiente media del valor absoluto 1 EMG
3 DF Delta RMS 1 DF
Diferencia absoluta del valor de varianza 3 EMG Límite superior de histograma 1 DF
Asimetría 3 DF Media de amplitud 1 EMG
242
EL DOMINIO DE LA FRECUENCIA
243
Tabla C2.1: Ranqueo de los IC y exactitud de clasificación en el dominio de la
frecuencia de las señales de vibración para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
1 Asimetría de frecuencia 11,15 1 Cuarto momento espectral 11,15 1 CP5 11,15
2 Varianza de la frecuencia central 25,52 2 Varianza de la frecuencia central 35,59 2 Centroide espectral 20,64
3 CP5 42,11 3 CP5 46,98 3 CP2 41,20
4 Cuarto momento espectral 61,51 4 Varianza de frecuencia 64,24 4 Asimetría de frecuencia 64,00
5 Relación de frecuencia 75,05 5 Centroide espectral 74,82 5 CP4 68,87
A1
6 Entropía espectral 81,66 6 CP4 83,81 6 Esparción espectral 70,03
7 Esparción espectral 84,55 7 Relación de frecuencia 88,35 7 Cuarto momento espectral 80,26
8 CP3 88,36 8 CP3 90,09 8 Entropía espectral 82,25
9 Centroide espectral 90,83 9 Entropía espectral 88,85 9 Varianza de la frecuencia central 88,11
10 Varianza 90,91 10 CP2 89,51 10 CP3 90,26
3 Varianza de la frecuencia central 44,33 3 CP4 61,13 3 Centroide espectral 43,35
4 Cuarto momento espectral 65,60 4 CP3 74,03 4 Entropía espectral 65,10
5 CP4 82,47 5 Varianza de frecuencia 86,10 5 CP3 71,96
A2
6 Relación de frecuencia 88,42 6 CP5 87,68 6 Esparción espectral 72,71
7 CP3 91,40 7 Entropía espectral 86,02 7 Cuarto momento espectral 79,25
8 Entropía espectral 90,90 8 Centroide espectral 88,25 8 Asimetría de frecuencia 86,03
9 Centroide espectral 93,22 9 Relación de frecuencia 90,32 9 Varianza de la frecuencia central 90,74
10 Varianza de frecuencia 93,22 10 Asimetría de frecuencia 93,22 10 Varianza de frecuencia 91,40
3 Esparción espectral 44,25 3 CP3 53,51 3 Centroide espectral 44,00
4 Frecuencia mediana 70,30 4 Relación de frecuencia 74,27 4 Esparción espectral 60,79
5 Cuarto momento espectral 82,05 5 Esparción espectral 81,80 5 Asimetría de frecuencia 77,58
A3
6 Relación de frecuencia 85,53 6 Cuarto momento espectral 91,31 6 Cuarto momento espectral 85,69
7 Frecuencia máxima 89,25 7 Centroide espectral 91,81 7 CP2 85,11
8 CP4 94,71 8 CP5 92,97 8 CP3 88,67
9 Varianza de la frecuencia central 95,37 9 Frecuencia máxima 94,79 9 Frecuencia mediana 92,63
10 Centroide espectral 96,86 10 Asimetría de frecuencia 95,95 10 Varianza de la frecuencia central 94,21
1 Asimetría de frecuencia 11,17 1 Esparción espectral 11,17 1 Esparción espectral 11,17
3 CP5 44,67 3 Varianza de la frecuencia central 39,69 3 Asimetría de frecuencia 44,67
4 Cuarto momento espectral 61,78 4 Relación de frecuencia 63,44 4 Centroide espectral 55,66
5 Varianza de la frecuencia central 75,77 5 Centroide espectral 72,96 5 Varianza de la frecuencia central 77,26
A4
6 Relación de frecuencia 84,61 6 Cuarto momento espectral 82,71 6 Cuarto momento espectral 84,70
7 Centroide espectral 89,58 7 Varianza de frecuencia 86,60 7 CP2 88,34
8 Entropía espectral 91,41 8 Asimetría de frecuencia 91,49 8 Entropía espectral 88,92
9 CP4 91,74 9 CP2 92,48 9 CP4 88,67
10 CP3 92,31 10 Entropía espectral 92,89 10 CP3 90,57
244
frecuencia de las señales de EA para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
3 Varianza de la frecuencia central 90,18 3 CP3 89,74 3 Varianza de la frecuencia central 90,18
4 Cuarto momento espectral 91,76 4 Varianza de la frecuencia central 93,76 4 CP3 93,76
5 CP3 91,51 5 Cuarto momento espectral 91,51 5 Cuarto momento espectral 91,51
EA1
6 Relación de frecuencia 88,02 6 Relación de frecuencia 88,02 6 Relación de frecuencia 88,02
7 Curtosis de frecuencia 96,35 7 Asimetría de frecuencia 89,02 7 CP5 86,26
8 Centroide espectral 88,27 8 Curtosis de frecuencia 87,35 8 Centroide espectral 87,43
9 Asimetría de frecuencia 88,68 9 CP5 86,18 9 Curtosis de frecuencia 86,51
10 Esparción espectral 90,35 10 Centroide espectral 86,76 10 Asimetría de frecuencia 86,76
3 Varianza de la frecuencia central 88,97 3 Varianza de la frecuencia central 88,97 3 Varianza de la frecuencia central 88,97
EA2
6 Curtosis de frecuencia 86,56 6 Curtosis de frecuencia 90,62 6 CP5 86,56
7 Asimetría de frecuencia 88,38 7 CP5 89,21 7 Asimetría de frecuencia 88,22
8 Centroide espectral 89,21 8 Relación de frecuencia 88,14 8 Esparción espectral 89,96
9 Esparción espectral 90,21 9 Centroide espectral 87,89 9 Curtosis de frecuencia 89,21
10 CP5 89,21 10 Esparción espectral 89,21 10 Centroide espectral 89,21

frecuencia de la señal de corriente para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
3 Relación de frecuencia 34,30 3 Frecuencia media 28,60 3 Primer momento espectral 30,17
4 Primer momento espectral 41,08 4 Asimetría de frecuencia 30,67 4 Frecuencia media 33,89
5 Varianza de la frecuencia central 42,40 5 Curtosis de frecuencia 29,51 5 Relación de frecuencia 39,93
C1
6 Frecuencia media 40,17 6 CP1 30,92 6 CP4 36,95
8 Curtosis de frecuencia 37,94 8 CP4 32,16 8 Asimetría de frecuencia 37,94
10 CP5 36,70 10 Primer momento espectral 34,97 10 Esparción espectral 39,26
245
Tabla C2.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de
la frecuencia para el fallo de picadura

Centroide espectral 12 Audio Relación de frecuencia 8 DF
Asimetría de frecuencia 11 DF Varianza de frecuencia 7 DF
Varianza de la frecuencia central 11 DF CP2 5 DF
CP3 10 DF Frecuencia mediana 2 DF
Tabla C2.5: Resumen de los IC para las señales de EA1, EA2 en el dominio de la

Entropía espectral 6 Audio Centroide espectral 6 Audio
Primer momento espectral 6 DF Asimetría de frecuencia 6 DF
Relación de frecuencia 6 DF CP3 3 DF
Curtosis de frecuencia 6 DF
Tabla C2.6: Resumen de los IC para la señal de corriente en el dominio de la


Entropía espectral 3 Audio Varianza de la frecuencia central 2 DF
Frecuencia máxima 3 DF Curtosis de frecuencia 2 DF
Primer momento espectral 3 DF CP5 2 DF
Frecuencia media 3 DF CP1 2 DF
CP4 3 DF CP2 1 DF
Asimetría de frecuencia 3 DF Esparción espectral 1 Audio
Relación de frecuencia 2 DF
246
EL DOMINIO DEL TIEMPO Y FRECUENCIA
247
Tabla C3.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y
frecuencia de las señales de vibración para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
1 Media Tiempo 11,14 1 Relación desviación-media Tiempo 11,14 1 Media Tiempo 11,14
2 CP5 Frecuencia 30,78 2 Diferencia absoluta del valor de varianza Tiempo 38,53 2 Porcentaje de Myopulso Tiempo 30,69
3 Asimetría Tiempo 45,05 3 Media Tiempo 67,91 3 CP5 Frecuencia 54,20
4 Asimetría de frecuencia Frecuencia 62,96 4 Curtosis Tiempo 84,49 4 Curtosis Tiempo 76,49
K-ésimo momento
A1 5 Varianza de la frecuencia central Frecuencia 75,99 5 Tiempo 90,59 5 Cruce por cero Tiempo 87,87
central
Cambio de signo de Cambio de signo de
6 Tiempo 90,59 6 Tiempo 95,05 6 Factor de latitud Tiempo 90,84
pendiente pendiente
Quinto momento Cambio de signo
7 Cruce por cero Tiempo 94,72 7 Tiempo 94,88 7 Tiempo 93,65
estadístico de pendiente
Esparción Valor de verosimilitud Centroide
8 Frecuencia 93,07 8 Tiempo 96,21 8 Frecuencia 95,05
espectral negativo normal normalizado espectral
Porcentaje de Indicadores de
9 Tiempo 95,13 9 Tiempo 96,45 9 Factor de holgura Tiempo 95,96
Myopulso forma de onda
Indicadores de
10 Tiempo 95,79 10 Relación Log-Log Tiempo 96,7 10 Asimetría Tiempo 96,54
forma de onda
Sexto momento
1 Asimetría Tiempo 11,14 1 Tiempo 11,14 1 Media Tiempo 11,14
estadístico
Quinto momento
2 Media Tiempo 23,68 2 Tiempo 34,57 2 CP4 Frecuencia 26,65
estadístico
3 CP5 Frecuencia 46,12 3 Curtosis Tiempo 64,03 3 Cruce por cero Tiempo 58,83
A2 K-ésimo momento
4 Cruce por cero Tiempo 76,57 4 Tiempo 78,96 4 CP5 Frecuencia 72,94
central
5 Asimetría de frecuencia Frecuencia 85,97 5 Diferencia absoluta del valor de varianza Tiempo 84,65 5 Asimetría Tiempo 87,54
Momentos temporales de orden Centroide
6 Varianza de la frecuencia central Frecuencia 91,75 6 Tiempo 86,3 6 Frecuencia 91,42
superior espectral
7 Factor de latitud Tiempo 96,45 7 Cuarto momento espectral Frecuencia 92,91 7 Entropía espectral Frecuencia 94,22
8 Tiempo 96,45 8 Varianza de la frecuencia central Frecuencia 94,47 8 CP3 Frecuencia 94,97
Esparción
9 CP4 Frecuencia 97,85 9 Media Tiempo 96,86 9 Frecuencia 94,64
espectral
10 Centroide espectral Frecuencia 98,02 10 CP4 Frecuencia 98,43 10 Relación Log-Log Tiempo 95,21
1 CP5 Frecuencia 11,14 1 Diferencia absoluta del valor de varianza Tiempo 11,14 1 Cruce por cero Tiempo 11,14
2 Asimetría de frecuencia Frecuencia 22,53 2 Cruce por cero Tiempo 34,41 2 CP4 Frecuencia 32,18
K-ésimo momento Centroide
3 Asimetría Tiempo 53,39 3 Tiempo 69,39 3 Frecuencia 59,07
central espectral
4 Frecuencia mediana Frecuencia 79,29 4 Curtosis Tiempo 87,71 4 CP5 Frecuencia 75,41
A3
5 Esparción espectral Frecuencia 86,71 5 Relación Log-Log Tiempo 93,07 5 Asimetría Tiempo 85,73
6 Media Tiempo 93,15 6 CP4 Frecuencia 94,31 6 Índice de margen Tiempo 93,98
Factor de impulso de Sexto momento
7 Tiempo 96,95 7 Tiempo 94,8 7 Esparción espectral Frecuencia 95,13
desviación estándar estadístico
8 Cuarto momento espectral Frecuencia 97,44 8 Varianza Frecuencia 95,38 8 Asimetría de frecuencia Frecuencia 97,61
Relación de
9 Frecuencia 97,77 9 Factor de holgura Tiempo 94,72 9 Media Tiempo 98,10
frecuencia
Factor de impulso
Índice de Factor de impulso de
10 Tiempo 98,43 10 Tiempo 95,87 10 de desviación Tiempo 98,76
margen desviación estándar
estándar
Esparción K-ésimo momento Esparción
espectral central espectral
Quinto momento
2 Media Tiempo 29,54 2 Tiempo 30,28 2 CP5 Frecuencia 20,05
estadístico
3 CP5 Frecuencia 46,37 3 Tiempo 66,42 3 Cruce por cero Tiempo 44,22
A4 logarítmica de Weibull
4 Asimetría de frecuencia Frecuencia 66,58 4 Esparción espectral Frecuencia 57,18 4 Media Tiempo 68,89
5 Cruce por cero Tiempo 80,53 5 Relación Log-Log Tiempo 62,87 5 Asimetría Tiempo 83,99
Porcentaje de
6 Asimetría Tiempo 90,43 6 Media Tiempo 78,14 6 Tiempo 92,49
Myopulso
Sexto momento
7 Varianza de la frecuencia central Frecuencia 93,15 7 Tiempo 79,38 7 Asimetría de frecuencia Frecuencia 94,64
estadístico
Centroide
8 Cuarto momento espectral Frecuencia 95,79 8 Diferencia absoluta del valor de varianza Tiempo 83,34 8 Frecuencia 95,30
espectral
9 Tiempo 97,61 9 CP5 Frecuencia 87,3 9 Tiempo 96,53
10 Diferencia absoluta del valor de varianza Tiempo 98,10 10 Factor de holgura Tiempo 88,7 10 Índice de margen Tiempo 97,53
248
frecuencia de las señales de EA para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
Entropía
1 Frecuencia 11,16 1 Entropía espectral Frecuencia 11,16 1 Entropía espectral Frecuencia 11,16
espectral
Momento
2 Tiempo 55,71 2 Primer momento espectral Frecuencia 51.62 2 Primer momento espectral Frecuencia 51,62
normalizado
Factor de impulso Factor de impulso
EA1 3 Primer momento espectral Frecuencia 84,28 3 de desviación Tiempo 97.5 3 de desviación Tiempo 97,50
estándar estándar
Sexto momento Sexto momento
4 Tiempo 91,60 4 Diferencia absoluta del valor de varianza Tiempo 99.33 4 Tiempo 98,50
estadístico estadístico
Factor de
impulso de
5 Tiempo 98,75 5 Relación desviación-media Tiempo 99.42 5 Varianza de la frecuencia central Frecuencia 98,33
desviación
estándar
Diferencia absoluta Sexto momento
6 Tiempo 98,83 6 Tiempo 98.75 6 Relación desviación-media Tiempo 98,67
del valor de varianza estadístico
Diferencia absoluta
7 Varianza de la frecuencia central Frecuencia 99,09 7 CPT6 Tiempo 99 7 Tiempo 99,08
del valor de varianza
8 Operador de energía Tiempo 98,67 8 Curtosis Tiempo 98,75 8 Curtosis Tiempo 98,58
9 Relación desviación-media Tiempo 98,84 9 CP3 Frecuencia 98,25 9 CP3 Frecuencia 98,33
10 CPT6 Tiempo 99,09 10 Varianza de la frecuencia central Frecuencia 98,33 10 CPT6 Tiempo 98,33
Entropía
espectral
2 Primer momento espectral Frecuencia 57,34 2 Primer momento espectral Frecuencia 57,34 2 Primer momento espectral Frecuencia 57,34
Factor de
Factor de impulso Factor de impulso
impulso de
3 Tiempo 98,34 3 de desviación Tiempo 98,34 3 de desviación Tiempo 98,34
EA2 desviación
estándar estándar
estándar
Sexto momento
4 Tiempo 98,59 4 Relación desviación-media Tiempo 99,75 4 Relación desviación-media Tiempo 99,75
estadístico
5 Varianza de la frecuencia central Frecuencia 99,00 5 CPT6 Tiempo 99,58 5 CPT6 Tiempo 99,58
Cambio de
6 signo de Tiempo 98,67 6 Diferencia absoluta del valor de varianza Tiempo 99,33 6 Varianza de la frecuencia central Frecuencia 99,33
pendiente
Cambio de
Cambio de amplitud
7 Relación desviación-media Tiempo 98,75 7 Tiempo 99,09 7 amplitud Tiempo 98,92
promedio
promedio
Sexto mimento
8 Cuarto momento espectral Frecuencia 98,25 8 Curtosis Tiempo 98,84 8 Tiempo 98,92
estadístico
Sexto momento
9 Operador de energía Tiempo 98,01 9 Tiempo 98,51 9 Curtosis Tiempo 98,92
estadístico
10 CPT6 Tiempo 98,01 10 Varianza de la frecuencia central Frecuencia 98,92 10 Asimetría Tiempo 98,51
249
frecuencia de la señal de corriente para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
1 Factor de forma Tiempo 10,92 1 Factor de forma Tiempo 10,92 1 Factor de forma Tiempo 10,92
Entropía
espectral
3 Factor de impulso Tiempo 35,90 3 Factor de impulso Tiempo 35,9 3 Factor de impulso Tiempo 35,90
Frecuencia Frecuencia
C1 4 Frecuencia 47,89 4 Frecuencia máxima Frecuencia 47,89 4 Frecuencia 47,89
máxima máxima
Factor de impulso
Relación Log-
5 Tiempo 52,52 5 de desviación Tiempo 51,11 5 Relación Log-Log Tiempo 52,52
Log
estándar
Factor de
Factor de impulso
impulso de
6 Tiempo 53,35 6 Relación Log-Log Tiempo 53,35 6 de desviación Tiempo 53,35
desviación
estándar
estándar
Cambio de
7 signo de Tiempo 57,40 7 Frecuencia media Frecuencia 49,46 7 Diferencia absoluta del valor de varianza Tiempo 56,08
pendiente
Relación de
8 Frecuencia 62,86 8 Diferencia absoluta del valor de varianza Tiempo 49,79 8 Primer momento espectral Frecuencia 57,32
frecuencia
9 Varianza de la frecuencia central Frecuencia 60,46 9 Asimetría Tiempo 51,7 9 Frecuencia media Frecuencia 55,67
10 Primer momento espectral Frecuencia 59,96 10 Tiempo 55,25 10 Tiempo 53,76
Tabla C3.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo y frecuencia para el fallo de picadura
Media 11 Tiempo DF Cuarto momento espectral 3 Frecuencia DF
CP5 9 Frecuencia DF Índice de margen 3 Tiempo EMG
Quinto momento
estadístico
Sexto momento
Cruce por cero 8 Tiempo EMG 3 Tiempo DF
estadístico
Esparción espectral 7 Frecuencia Audio Factor de holgura 3 Tiempo DF
Indicadores de forma de
Asimetría de frecuencia 6 Frecuencia DF 2 Tiempo EMG
onda
5 Tiempo DF Factor de latitud 2 Tiempo DF
Centroide espectral 5 Frecuencia Audio Frecuencia mediana 1 Frecuencia DF
Diferencia absoluta del valor de varianza 5 Tiempo EMG Relación de frecuencia 1 Frecuencia DF
Varianza de la frecuencia central 4 Frecuencia DF Relación desviación-media 1 Tiempo DF

Curtosis 4 Tiempo DF negativo normal 1 Tiempo DF
normalizado
Momentos temporales
K-ésimo momento central 4 Tiempo DF 1 Tiempo EMG
de orden superior
Relación Log-Log 4 Tiempo DF Varianza 1 Frecuencia DF
Cambio de signo de
3 Tiempo EMG Entropía espectral 1 Frecuencia Audio
pendiente
Porcentaje de
Myopulso
250
Tabla C3.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del
tiempo y frecuencia para el fallo de picadura
Entropía espectral 6 Frecuencia Audio Curtosis 4 Tiempo DF
Primer momento espectral 6 Frecuencia DF Operador de energía 2 Tiempo DF
Sexto momento
6 Tiempo DF CP3 2 Frecuencia DF
estadístico
Factor de impulso de Cambio de amplitud
desviación estándar promedio
Varianza de la frecuencia central 6 Frecuencia DF Momento normalizado 1 Tiempo DF
Cambio de signo de
Relación desviación-media 6 Tiempo DF 1 Tiempo EMG
pendiente
CPT6 6 Tiempo DF Cuarto momento espectral 1 Frecuencia DF
Diferencia absoluta del valor de varianza 4 Tiempo Asimetría 1 Tiempo DF
Tabla C3.6: Resumen de los IC para la señal de corriente en el dominio del tiempo y
Factor de forma 3 Tiempo DF Primer momento espectral 2 Frecuencia DF
Entropía espectral 3 Frecuencia Audio Frecuencia media 2 Frecuencia DF
Factor de impulso 3 Tiempo DF Diferencia absoluta del valor de varianza 2 Tiempo EMG
Frecuencia máxima 3 Frecuencia DF Relación de frecuencia 1 Frecuencia DF
Relación Log-Log 3 Tiempo DF Varianza de la frecuencia central 1 Frecuencia DF
3 Tiempo DF Asimetría 1 Tiempo DF
251
D.. RESULTADOS DEL SD1 PARA LA BASE DE DATOS DEL FALLO
DE AGRIETAMIENTO
D.1.. RESULTADOS DEL SD1 PARA EL FALLO DE AGRIETAMIENTO

EN EL DOMINIO DEL TIEMPO
252
Tabla D1.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo
de las señales de vibración para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
2 Asimetría 21,03 2 Quinto momento estadístico 34,62 2 Porcentaje de Myopulso 25,06
3 Cruce por cero 58,87 3 Porcentaje de Myopulso 62,74 3 Cruce por cero 62,66
4 80,71 4 73,29 4 Asimetría 85,16
A1
5 Porcentaje de Myopulso 93,08 5 Relación Log-Log 83,02 5 Curtosis 93,82
6 Curtosis 95,71 6 K-ésimo momento central 84,50 6 Factor de latitud 92,99
7 Factor de latitud 94,07 7 Media 91,26 7 Relación Log-Log 94,39
8 Indicadores de pulso 95,22 8 Cruce por cero 95,63 8 95,30
9 Relación desviación-media 95,71 9 96,79 9 Indicadores de pulso 95,80
Diferencia valor absoluto de Diferencia valor absoluto de
10 96,70 10 Diferencia absoluta del valor de varianza 97,03 10 96,37
1 Media 10,96 1 Diferencia absoluta del valor de varianza 10,96 1 Media 10,96
2 Cruce por cero 24,24 2 Relación Log-Log 42,70 2 Asimetría 24,40
3 Asimetría 57,96 3 Media 73,53 3 Porcentaje de Myopulso 69,74
4 86,64 4 Relación desviación-media 81,45 4 Límite superior de histograma 86,73
A2
5 Porcentaje de Myopulso 96,21 5 87,96 5 Cruce por cero 95,05
6 Relación desviación-media 97,69 6 Quinto momento estadístico 90,93 6 97,36
7 Límite superior de histograma 98,02 7 Porcentaje de Myopulso 93,90 7 Límite inferior de histograma 97,77
8 Curtosis 98,35 8 Límite inferior de histograma 96,29 8 Índice de margen 96,87
9 Índice de margen 97,44 9 K-ésimo momento central 96,54 9 98,10
10 98,19 10 Asimetría 97,44 10 Curtosis 98,19
logarítmica de weibull
1 Cruce por cero 10,96 1 10,96 1 Cruce por cero 10,96
2 Media 29,02 2 Diferencia absoluta del valor de varianza 45,59 2 Media 29,02
3 Asimetría 62,73 3 Cruce por cero 65,87 3 Porcentaje de Myopulso 75,68
4 86,73 4 76,42 4 Límite superir de histograma 89,36
A3 desviación estándar logarítmica de Weibull
5 Límite superior de histograma 95,80 5 Media 91,92 5 Asimetría 95,55
6 Índice de margen 95,96 6 Relación Log-Log 94,23 6 96,62
7 96,87 7 Quinto momento estadístico 95,30 7 Índice de margen 96,87
8 Porcentaje de Myopulso 98,76 8 Porcentaje de Myopulso 97,44 8 98,27
9 Curtosis 98,68 9 K-ésimo momento central 97,69 9 99,01
10 98,68 10 Límite superior de histograma 98,27 10 Relación Log-Log 99,09
superior
1 Cruce por cero 10,96 1 Media 10,96 1 Media 10,96
2 Asimetría 22,84 2 Diferencia absoluta del valor de varianza 42,78 2 Cruce por cero 38,09
3 Media 70,07 3 78,89 3 Asimetría 70,07
4 Curtosis 88,46 4 Relación Log-Log 90,36 4 Límite superior de histograma 86,48
A4
5 Límite superior de histograma 95,47 5 Quinto momento estadístico 93,65 5 Índice de margen 92,00
6 Índice de margen 95,30 6 Cruce por cero 95,96 6 Curtosis 95,30
7 96,95 7 K-ésimo momento central 96,95 7 96,95
8 Diferencia absoluta del valor de varianza 97,61 8 Porcentaje de Myopulso 99,01 8 Porcentaje de Myopulso 98,27
9 Porcentaje de Myopulso 98,27 9 Relación desviación-media 98,93 9 Factor de latitud 97,69
10 Límite inferior de histograma 98,44 10 Asimetría 98,93 10 Límite inferior de histograma 97,86
253
Tabla D1.2: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo
de las señales de EA para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
Cambio de signo de
2 63,05 2 Relación Log-Log 67,41 2 Cambio de signo de pendiente 63,05
pendiente
Facor de impulso de
3 Momento normalizado 91,69 3 93,33 3 Relación Log-Log 95,47
EA1
4 Relación Log-Log 98,52 4 Relación desviación-media 98,85 4 Diferencia absoluta del valor de varianza 99,01
5 Operador de energía 99,26 5 Diferencia absoluta del valor de varianza 99,26 5 99,18
6 99,51 6 Cambio de signo de pendiente 99,51 6 K-ésimo momento central 99,51
7 K-ésimo momento central 99,59 7 Error medio cuadrado 99,67 7 Operador de energía 99,75
8 Relación desviación-media 99,67 8 Operador de energía 99,34 8 Error medio cuadrado 99,75
9 Diferencia absoluta del valor de varianza 99,75 9 K-ésimo momento central 99,92 9 Relación desviación-media 99,92
10 Sexto momento estadístico 99,67 10 Indicadores de pulso 100,00 10 Indicadores de pulso 100
2 K-ésimo momento central 41,32 2 Relación Log-Log 67,49 2 Relación Log-Log 67,49
Cambio de signo de
pendiente
EA2 4 Relación Log-Log 93,99 4 97,61 4 Cambio de signo de pendiente 98,6
5 97,94 5 Relación desviación-media 98,93 5 K-ésimo momento central 98,35
6 Operador de energía 98,19 6 Cambio de signo de pendiente 99,84 6 98,93
7 Diferencia absoluta del valor de varianza 99,34 7 CPT6 99,84 7 Operador de energía 99,34
8 Relación desviación-media 99,75 8 Operador de energía 99,59 8 Relación desviación-media 99,75
9 CPT6 99,75 9 K-ésimo momento central 99,75 9 Indicadores de pulso 99,59
10 Indicadores de pulso 99,75 10 Indicadores de pulso 99,75 10 CPT6 99,75
Tabla D1.3: Ranqueo de los IC y exactitud de clasificación en el domino del tiempo de

la señal de corriente para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
1 Factor de forma 11,12 1 Factor de forma 11,12 1 Relación Log-Log 11,12
3 Relación Log-Log 35,92 3 Relación Log-Log 35,92 3 Factor de forma 35,92
4 Asimetría 38,71 4 47,45 4 Asimetría 93,71
valor de varianza
C1
Diferencia absoluta del Verosimilitud negativa Diferencia absoluta del
5 44,89 5 61,95 5 44,89
valor de varianza logarítmica de Weibull valor de varianza
6 59,06 6 Asimetría 59,06 6 Cambio de signo de pendiente 50,00
7 Cambio de signo de pendiente 61,86 7 Cambio de signo de pendiente 61,86 7 61,86
8 K-ésimo momento central 60,71 8 K-ésimo momento central 60,71 8 K-ésimo momento central 60,71
9 Sexto momento estadístico 58,81 9 Sexto momento estadístico 58,81 9 Sexto momento estadístico 58,81
10 Límite superior de histograma 56,01 10 50,41 10 Límite superior de histograma 56,01
absoluto
254
Tabla D1.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo para el fallo de agrietamiento

Media 12 DF Relación desviación-media 5 DF
Porcentaje de Myopulso 12 EMG 5 EMG
valor de varianza
Cruce por cero 11 EMG Límite inferior de histograma 4 DF
Asimetría 10 DF Quinto momento estadístico 4 DF
8 DF K-ésimo momento central 4 DF
Curtosis 7 DF Factor de latitud 3 DF
Límite superior de histograma 7 DF Indicadores de pulso 2 EMG
Verosimilitud negativa Momentos temporales de orden
7 EMG 1 EMG
logarítmica de Weibull superior
6 EMG
Índice de margen 6 EMG
Relación Log-Log 6 DF
Tabla D1.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del
tiempo para el fallo de agrietamiento

Factor de forma 6 DF 6 EMG
valor de varianza
Cambio de signo de pendiente 6 EMG Indicadores de pulso 5 EMG
Relación Log-Log 6 DF CPT6 3 DF
Operador de energía 6 DF Error medio cuadrado 2 DF
6 DF Momento normalizado 1 DF
estándar
K-ésimo momento central 6 DF Sexto momento estadístico 1 DF
255
Tabla D1.6: Resumen de los IC para la señal de corriente en el dominio del tiempo
para el fallo de agrietamiento

Factor de forma 3 DF Cambio de signo de pendiente 3 EMG
Factor de impulso 3 DF K-ésimo momento central 3 DF
Realación Log-Log 3 DF Sexto momento estadístico 3 DF
Asimetría 3 DF Límite superior de histograma 2 DF
3 EMG Pendiente media del valor absoluto 1 EMG
valor de varianza
3 EMG
256
EN EL DOMINIO DE LA FRECUENCIA
257
Tabla D2.1: Ranqueo de los IC y exactitud de clasificación en el dominio de la
frecuencia de las señales de vibración para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
2 Varianza de la frecuencia central 21,60 2 Varianza de frecuencia 23,83 2 Asimetría de frecuencia 15,91
3 CP4 47,32 3 CP3 44,93 3 CP4 35,70
4 CP5 67,43 4 Relación de frecuencia 67,02 4 CP5 55,32
5 Relación de frecuecia 76,75 5 CP2 72,55 5 CP3 69,25
A1
6 Cuarto momento espectral 84,01 6 CP5 79,06 6 Centroide espectral 77,90
7 Esparción espectral 85,66 7 Varianza de la frecuencia central 84,75 7 Esparción espectral 77,74
8 CP3 89,53 8 CP4 89,04 8 Entropía espectral 81,20
9 Entropía espectral 90,02 9 Entropía espectral 89,70 9 Varianza de la frecuencia central 86,48
10 Varianza de frecuencia 90,27 10 Asimetría de frecuencia 91,76 10 Cuarto momento espectral 89,20
2 Varianza de la frecuencia central 24,42 2 Cuarto momento espectral 30,80 2 CP4 22,86
3 Entropía espectral 53,15 3 Varianza de frecuencia 48,35 3 Esparción espectral 39,07
4 Cuarto momento espectral 67,96 4 Entropía espectral 67,71 4 Centroide espectral 56,62
5 CP3 80,05 5 Relación de frecuencia 78,22 5 Asimetría de frecuencia 73,09
A2
6 CP4 87,00 6 Asimetría de frecuencia 82,62 6 Varianza de la frecuencia central 82,36
7 Varianza de frecuencia 87,83 7 Esparción espectral 84,27 7 Entropía espectral 86,34
8 Relación de frecuencia 88,66 8 Varianza de la frecuencia central 86,67 8 CP5 88,33
9 CP5 91,31 9 CP4 89,15 9 Varianza de frecuencia 89,65
10 Centroide espectral 93,21 10 Centroide espectral 92,38 10 Cuarto momento espectral 91,47
1 CP4 11,01 1 CP4 11,01 1 CP4 11,01
2 Asimetría de frecuencia 22,76 2 Cuarto momento espectral 26,49 2 Centroide espectral 26,99
3 Centroide espectral 53,31 3 Centroide espectral 50,91 3 CP2 44,62
4 Relación de frecuencia 73,67 4 Varianza de frecuencia 75,91 4 Asimetría de frecuencia 67,88
5 Cuarto momento espectral 84,02 5 Relación de frecuencia 87,50 5 CP5 75,00
A3
6 CP3 91,14 6 CP3 91,14 6 CP3 83,53
7 Varianza de la frecuencia central 92,63 7 Frecuencia máxima 92,47 7 Varianza de la frecuencia central 88,49
8 CP5 92,88 8 CP2 91,14 8 Cuarto momento espectral 91,64
9 Varianza de frecuencia 93,13 9 Entropía espectral 91,56 9 Esparción espectral 90,98
10 CP2 93,46 10 CP5 91,64 10 Varianza de frecuencia 92,22
1 Esparción espectral 11,01 1 CP4 11,01 1 Esparción espectral 11,01
2 CP5 19,37 2 Centroide espectral 25,17 2 CP5 19,37
3 Centroide espectral 38,99 3 Esparción espectral 51,73 3 CP4 51,25
4 Asimetría de frecuencia 59,85 4 CP3 69,87 4 Centroide espectral 61,26
5 CP4 75,58 5 CP5 76,41 5 CP3 76,41
A4
6 Varianza de la frecuencia central 90,31 6 Varianza de frecuencia 80,22 6 CP2 76,16
7 Cuarto momento espectral 93,55 7 CP2 79,14 7 Asimetría de frecuencia 83,20
8 CP3 96,03 8 Relación de frecuencia 85,59 8 Varianza de la frecuencia central 92,55
9 Varianza de frecuencia 96,36 9 Cuarto momento espectral 92,55 9 Cuarto momento espectral 95,20
10 Entropía espectral 95,95 10 Asimetría de frecuencia 94,13 10 Varianza de frecuencia 95,78
258
frecuencia de las señales de EA para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
4 CP4 93,32 4 CP3 93,82 4 CP4 93,32
5 Cuarto momento espectral 91,99 5 Varianza de la frecuencia central 93,32 5 CP3 93,32
EA1
6 CP3 92,32 6 Cuarto momento espectral 92,32 6 Cuarto momento espectral 92,32
8 Asimetría de frecuencia 88,48 8 Curtosis de frecuencia 89,90 8 CP5 87,81
9 Centroide espectral 88,48 9 CP5 86,90 9 Centroide espectral 87,48
10 Esparción espectral 88,90 10 Relación de frecuencia 86,23 10 Curtosis de frecuencia 86,64
EA2
7 CP5 86,40 7 Curtosis de frecuencia 88,41 7 CP5 86,4
8 Esparción espectral 87,41 8 CP5 88,07 8 Curtosis de frecuencia 85,07
9 Asimetría de frecuencia 87,24 9 Relación de frecuencia 85,31 9 Centroide espectral 85,48
10 Centroide espectral 87,49 10 Centroide espectral 85,73 10 Asimetría de frecuencia 85,73

frecuencia de la señal de corriente para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
1 Entropía espectral 11,13 1 Entropía espectra 11,13 1 Entropía espectra 11,13
3 Varianza de la frecuencia central 23,50 3 Relación de frecuencia 28,61 3 Frecuencia media 19,29
4 Relación de frecuencia 34,87 4 Frecuencia media 26,79 4 Varianza de la frecuencia central 22,67
5 Frecuencia media 30,58 5 Varianza de la frecuencia central 30,58 5 CP3 25,56
C1
6 CP3 31,66 6 Asimetría de frecuencia 32,40 6 Esparción espectral 27,21
7 CP2 34,46 7 Curtosis de frecuencia 31,91 7 CP2 30,26
10 Curtosis de frecuencia 32,81 10 CP3 32,81 10 CP1 33,22
259
Tabla D2.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de
la frecuencia para el fallo de agrietamiento

CP4 12 DF Centroide espectral 10 Audio
Asimetría de frecuencia 11 DF Relación de frecuencia 7 DF
CP5 11 DF CP2 7 DF
Varianza de frecuencia 11 DF Frecuencia máxima 1 DF
Varianza de la frecuencia central 10 DF
Tabla D2.5: Resumen de los IC para las señales de EA1, EA2 en el dominio de la
frecuencia para el fallo de agrietamiento

Entropía espectral 6 Audio Asimetría de frecuencia 5 DF
Primer momento espectral 6 DF Centroide espectral 5 Audio
Cuarto momento espectral 6 DF Curtosis de frecuencia 4 DF
CP3 6 DF CP4 3 DF
Relación de frecuencia 6 DF Esparción espectral 2 Audio
Tabla D2.6: Resumen de los IC para la señal de corriente en el dominio de la


Frecuencia máxima 3 DF CP1 3 DF
Varianza de la frecuencia central 3 DF Asimetría de frecuencia 2 DF
Relación de frecuencia 3 DF Curtosis de frecuencia 2 DF
Frecuencia media 3 DF Esparción espectral 1 Audio
CP3 3 DF CP4 1 DF
260
EN EL DOMINIO DEL TIEMPO Y FRECUENCIA
261
Tabla D3.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y
frecuencia de las señales de vibración para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
Quinto momento Porcentaje de
2 Asimetría Tiempo 21,51 2 Tiempo 35,03 2 Tiempo 25,48
estadídtico Myopulso
3 Asimetría de frecuencia Frecuencia 44,93 3 Porcentaje de Myopulso Tiempo 62,24 3 Cruce por cero Tiempo 65,29
4 Varianza de la frecuencia central Frecuencia 74,36 4 Relación Log-Log Tiempo 75,27 4 Asimetría Tiempo 84,42
A1
Factor de impulso de K-ésimo momento
5 Tiempo 88,29 5 Tiempo 78,4 5 CP2 Frecuencia 87,63
desviación estándar central
6 Cruce por cero Tiempo 92,83 6 Media Tiempo 86,98 6 Curtosis Tiempo 94,48
Porcentaje de
7 Tiempo 96,87 7 Cuarto momento espectral Frecuencia 92 7 Factor de latitud Tiempo 94,31
Myopulso
8 CP5 Frecuencia 97,86 8 Cruce por cero Tiempo 96,62 8 Relación Log-Log Tiempo 96,04
9 CP4 Frecuencia 98,76 9 Tiempo 97,28 9 Asimetría de frecuencia Frecuencia 96,87
10 Curtosis Tiempo 98,85 10 Diferencia absoluta del valor de varianza Tiempo 97,45 10 CP4 Frecuencia 97,03
1 Media Tiempo 11,01 1 Diferencia absoluta del valor de varianza Tiempo 11,01 1 Media Tiempo 11,01
2 Cruce por cero Tiempo 22,93 2 Relación Log-Log Tiempo 42,72 2 Asimetría Tiempo 24,34
Porcentaje de
3 Asimetría Tiempo 59,35 3 Media Tiempo 72,6 3 Tiempo 69,78
Myopulso
Factor de impulso de Límite superior
A2 4 Tiempo 86,51 4 Relación desviación-media Tiempo 81,29 4 Tiempo 84,77
desviación estándar de histograma
Quinto momento
5 Varianza de la frecuencia central Frecuencia 95,53 5 Tiempo 88,24 5 CP3 Frecuencia 89,90
estadístico
6 Asimetría de frecuencia Frecuencia 97,27 6 CP3 Frecuencia 91,14 6 Cruce por cero Tiempo 96,52
Porcentaje de
7 Tiempo 98,35 7 Porcentaje de Myopulso Tiempo 94,29 7 CP4 Frecuencia 97,02
Myopulso
Límite superior Esparción
8 Tiempo 98,84 8 Cuarto momento espectral Frecuencia 96,77 8 Frecuencia 95,28
de histograma espectral
K-ésimo momento Centroide
9 Índice de margen Tiempo 98,01 9 Tiempo 96,94 9 Frecuencia 96,44
central espectral
10 CP4 Frecuencia 98,68 10 Asimetría Tiempo 96,85 10 Asimetría de frecuencia Frecuencia 97,60
1 Cruce por cero Tiempo 11,01 1 Tiempo 11,01 1 Cruce por cero Tiempo 11,01
Centroide
2 Frecuencia 28,97 2 Diferencia absoluta del valor de varianza Tiempo 44,04 2 CP4 Frecuencia 32,36
espectral
3 CP4 Frecuencia 70,45 3 Cruce por cero Tiempo 65,81 3 Media Tiempo 69,71
A3 Centride
4 Media Tiempo 90,65 4 Media Tiempo 79,56 4 Frecuencia 90,65
espectral
Relación de
5 Frecuencia 94,87 5 Relación Log-Log Tiempo 89,81 5 CP2 Frecuencia 92,47
frecuencia
6 Asimetría de frecuencia Frecuencia 97,19 6 CP4 Frecuencia 94,78 6 Asimetría de frecuencia Frecuencia 95,45
Quinto momento
7 Varianza de la frecuencia central Frecuencia 97,93 7 Tiempo 97,52 7 CP5 Frecuencia 96,36
estadístico
Porcentaje de
8 Cuarto momento espectral Frecuencia 98,35 8 Porcentaje de Myopulso Tiempo 98,84 8 Tiempo 97,93
Myopulso
9 CP5 Frecuencia 98,43 9 Cuarto momento espectral Frecuencia 99,01 9 CP3 Frecuencia 98,43
K-ésimo momento Límite superior
10 Asimetría Tiempo 99,50 10 Tiempo 99,17 10 Tiempo 98,68
central de histograma
Esparción
1 CP5 Frecuencia 11,01 1 Media Tiempo 11,01 1 Frecuencia 11,01
espectral
Centroide
2 Frecuencia 21,94 2 Diferencia absoluta del valor de varianza Tiempo 42,88 2 CP5 Frecuencia 18,79
espectral
Esparción
3 Frecuencia 40,47 3 CP4 Frecuencia 75,67 3 Media Tiempo 56,95
A4 espectral
4 Cruce por cero Tiempo 62,34 4 Centroide espectral Frecuencia 85,59 4 CP4 Frecuencia 72,11
Centroide
5 CP4 Frecuencia 83,19 5 Esparción espectral Frecuencia 86,42 5 Frecuencia 78,47
espectral
6 Asimetría Tiempo 93,30 6 Relación Log-Log Tiempo 91,31 6 Cruce por cero Tiempo 90,73
7 Media Tiempo 97,02 7 CP3 Frecuencia 92,71 7 Asimetría Tiempo 97,02
8 Asimetría de frecuencia Frecuencia 98,10 8 CP5 Frecuencia 93,38 8 CP3 Frecuencia 98,26
Límite superior Quinto momento
9 Tiempo 98,92 9 Tiempo 95,78 9 CP2 Frecuencia 98,43
de histograma estadístico
Límite superior
10 Índice de margen Tiempo 99,17 10 Cruce por cero Tiempo 97,68 10 Tiempo 99,26
de histograma
262
frecuencia de las señales de EA para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
Entropía
espectral
Cambio de
2 signo de Tiempo 55,51 2 Primer momento espectral Frecuencia 68,71 2 Primer momento espectral Frecuencia 68,71
pendiente
EA1 Momento Cambio de signo
normalizado de pendiente
Factor de impulso
4 Primer momento espectral Frecuencia 98,25 4 de desviación Tiempo 98,66 4 Tiempo 98,41
valor de varianza
estándar
Factor de impulso
5 Operador de energía Tiempo 99,00 5 Tiempo 99,5 5 de desviación Tiempo 99,67
valor de varianza
estándar
Factor de
impulso de Cambio de signo de K-ésimo
6 Tiempo 99,16 6 Tiempo 99,67 6 Tiempo 99,83
desviación pendiente momento central
estándar
K-ésimo
7 momento Tiempo 99,58 7 CP4 Frecuencia 98,58 7 Varianza de la frecuencia central Frecuencia 99,83
central
Error medio Error medio
8 Relación desviación-media Tiempo 99,67 8 Tiempo 98,58 8 Tiempo 99,83
cuadrado cuadrado
9 Tiempo 99,67 9 CP3 Frecuencia 98,16 9 Operador de energía Tiempo 99,58
valor de varianza
Varianza de la Varianza de la
10 Frecuencia 99,50 10 Frecuencia 97,91 10 CP4 Frecuencia 99,67
frecuencia central frecuencia central
Entropía
espectral
K-ésimo
2 momento Tiempo 45,66 2 Primer momento espectral Frecuencia 72,96 2 Primer momento espectral Frecuencia 72,96
central
EA2 Cambio de
Diferencia absoluta del Diferencia absoluta del
3 signo de Tiempo 72,62 3 Tiempo 95,32 3 Tiempo 95,32
valor de varianza valor de varianza
pendiente
Factor de impulso
Cambio de signo
4 Primer momento espectral Frecuencia 94,41 4 de desviación Tiempo 98,66 4 Tiempo 98,41
de pendiente
estándar
Factor de
impulso de Cambio de signo de K-ésimo
5 Tiempo 98,75 5 Tiempo 99,33 5 Tiempo 98,42
desviación pendiente momento central
estándar
Diferencia absoluta del Factor de impulso
6 Tiempo 99,67 6 CP3 Frecuencia 98,66 6 Tiempo 99,67
valor de varianza de desviación estándar
7 Operador de energía Tiempo 99,67 7 Relación desviación-media Tiempo 98,91 7 Operador de energía Tiempo 99,67
Varianza de la
8 Relación desviación-media Tiempo 99,75 8 CPT6 Tiempo 98,91 8 Frecuencia 99,58
frecuencia central
9 Varianza de la frecuencia central Frecuencia 99,67 9 Varianza de la frecuencia central Frecuencia 98,33 9 CP3 Frecuencia 99,67
10 CPT6 Tiempo 99,67 10 Operador de energía Tiempo 98,5 10 Relación desviación-media Tiempo 99,67
263
frecuencia de la señal de corriente para el fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
1 Factor de forma Tiempo 11,14 1 Factor de forma Tiempo 11,14 1 Relación Log-Log Tiempo 11,14
Factor de
2 Tiempo 21,95 2 Factor de impulso Tiempo 21,95 2 Factor de impulso Tiempo 31,35
impulso
Entropía
3 Frecuencia 23,26 3 Entropía espectral Frecuencia 23,26 3 Factor de forma Tiempo 34,57
espectral
C1
Relación Log-
4 Tiempo 38,69 4 Relación Log-Log Tiempo 38,69 4 Entropía espectral Frecuencia 38,69
Log
5 Asimetría Tiempo 40,09 5 Tiempo 43,89 5 Asimetría Tiempo 40,09
valor de varianza
Varianza de la Diferencia absoluta del
6 Frecuencia 44,81 6 Asimetría Tiempo 43,73 6 Tiempo 43,73
frecuencia central valor de varianza
Relación de Relación de Cambio de signo
7 Frecuencia 48,27 7 Frecuencia 50,58 7 Tiempo 47,36
frecuencia frecuencia de pendiente
Diferencia absoluta del Relación de
8 Tiempo 50,66 8 Frecuencia máxima Frecuencia 57,18 8 Frecuencia 52,39
valor de varianza frecuencia
Frecuencia Cambio de signo de Frecuencia
máxima pendiente máxima
Cambio de
K-ésimo
10 signo de Tiempo 61,06 10 Frecuencia media Frecuencia 55,94 10 Tiempo 60,31
momento central
pendiente
264
Tabla D3.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo y frecuencia para el fallo de agrietamiento
Varianza de la
Media 12 Tiempo DF 3 Frecuencia DF
frecuencia central
K-ésimo momento
Cruce por cero 11 Tiempo EMG 3 Tiempo DF
central
CP4 10 Frecuencia DF CP2 3 Frecuencia DF
Asimetria 8 Tiempo DF 2 Tiempo DF
Porcentaje de
8 Tiempo EMG Curtosis 2 Tiempo DF
Myopulso
Asimetría de frecuencia 7 Frecuencia DF Índice de margen 2 Tiempo EMG
CP5 6 Frecuencia DF Relación deviación-media 2 Tiempo DF
Diferencia valor
Centroide espectral 6 Frecuencia Audio absoluto de desviación 2 Tiempo EMG
estándar
Límite superior de
5 Tiempo DF Relación de frecuencia 1 Frecuencia DF
histograma
Relación Log-Log 5 Tiempo DF Factor de latitud 1 Tiempo DF
CP3 5 Frecuencia DF
Cuarto momento espectral 4 Frecuencia DF
Esparción espectral 4 Frecuencia Audio
Quinto momento
4 Tiempo DF
estadístico
4 Tiempo EMG
valor de varianza
Tabla D3.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del
tiempo y frecuencia para el fallo de agrietamiento
Entropía espectral 6 Frecuencia Audio Relación desviación-media 5 Tiempo DF
Cambio de signo de K-ésimo momento
pendiente central
Primer momento espectral 6 Frecuencia DF CP3 3 Frecuencia DF
6 Tiempo DF CPT6 2 Tiempo DF
valor de varianza
Varianza de la frecuencia central 6 Frecuencia DF Error medio cuadrado 2 Tiempo DF
265
Tabla D3.6: Resumen de los IC para la señal de corriente en el dominio del tiempo y
Factor de forma 3 Tiempo DF Frecuencia máxima 3 Frecuencia DF
Cambio de signo de
Factor de impulso 3 Tiempo DF 3 Tiempo EMG
pendiente
Varianza de la
Entropía espectral 3 Frecuencia Audio 1 Frecuencia DF
frecuencia central
Relacion Log-Log 3 Tiempo DF Frecuencia media 1 Frecuencia DF
K-ésimo momento
central
Relación de frecuencia 3 Frecuencia DF
3 Tiempo EMG
valor de varianza
266
E.. RESULTADOS DEL SD1 PARA LA BASE DE DATOS DE 31
CONDICIONES
E.1.. RESULTADOS DEL SD1 PARA LA BASE DE DATOS DE 31 CON-

DICIONES EN EL DOMINIO DEL TIEMPO
267
Tabla E1.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo
de las señales de vibración para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
Valor de verosimilitud negativo normal
2 Cruce por cero 14,74 2 27,99 2 Cambio de signo de pendiente 20,78
normalizado
3 Cambio de signo de pendiente 53,49 3 Indicadores de forma de onda 70,14 3 Longitud fractal máxima 66,25
4 Factor de impulso de desviación estándar 78,31 4 Relación desviación-media 74,96 4 Cruce por cero 81,63
A1
5 Porcentaje de Myopulso 87,46 5 Relación Log-Log 75,11 5 88,47
de Weibull
6 Longitud fractal máxima 90,17 6 CPT6 77,23 6 CPT6 88,90
7 CPT4 89,95 7 Indicadores de pulso 79,94 7 Relación desviación-media 89,16
8 Relación desviación-media 90,42 8 Longitud fractal máxima 85,12 8 Indicadores de forma de onda 89,73
9 CPT6 90,67 9 84,73 9 Asimetría 90,99
10 Verosimilitud negativa logarítmica de Weibull 91,10 10 Diferencia absoluta del valor de varianza 84,55 10 Porcentaje de Myopulso 91,50
2 Cambio de signo de pendiente 16,14 2 Relación Log-Log 33,83 2 Cambio de signo de pendiente 16,14
3 Indicadores de pulso 54,65 3 Relación desviación-media 75,86 3 71,40
de Weibull
4 Cruce por cero 76,48 4 CPT6 81,66 4 Indicadores de pulso 83,43
A2
5 Porcentaje de Myopulso 86,89 5 84,33 5 Cruce por cero 88,22
de Weibull
6 Factor de impulso de desviación estándar 90,09 6 Diferencia absoluta del valor de varianza 87,36 6 CPT6 89,48
7 92,18 7 Cambio de signo de pendiente 90,56 7 Relación desviación-media 89,66
de Weibull
8 Factor de latitud 89,80 8 Indicadores de pulso 88,04 8 Límite inferior de histograma 89,08
9 CPT4 90,27 9 K-ésimo momento central 89,16 9 Porcentaje de Myopulso 91,43
10 Límite inferior de histograma 90,53 10 Porcentaje de Myopulso 90,85 10 Asimetría 92,22
1 Cruce por cero 3,21 1 Media 3,21 1 Cruce por cero 3,21
2 Media 13,18 2 CPT6 15,93 2 Media 13,18
3 Cambio de signo de pendiente 51,23 3 Relación desviación-media 68,70 3 Cambio de signo de pendiente 51,23
4 Asimetría 75,80 4 Relación Log-Log 78,68 4 83,50
de Weibull
A3
5 Porcentaje de Myopulso 87,83 5 78,28 5 CPT6 89,23
normal normalizado
6 Factor de impulso de desviación estándar 91,25 6 Indicadores de forma de onda 78,39 6 Longitud fractal máxima 91,64
7 Factor de latitud 90,60 7 83,03 7 Límite inferior de histograma 91,28
de Weibull
8 Longitud fractal máxima 91,97 8 Cambio de signo de pendiente 89,81 8 Relación desviación-media 91,53
9 Límite inferior de histograma 92,40 9 Cruce por cero 91,35 9 Límite superior de histograma 91,68
10 CPT4 92,54 10 Quinto momento estadístico 91,61 10 Porcentaje de Myopulso 92,43
2 Cruce por cero 16,75 2 CPT6 20,89 2 Cruce por cero 16,75
3 Cambio de signo de pendiente 67,69 3 Longitud fractal máxima 77,34 3 Longitud fractal máxima 69,34
4 Indicadores de forma de onda 87,28 4 Diferencia absoluta del valor de varianza 83,75 4 90,38
de Weibull
A4
5 Longitud fractal máxima 89,77 5 Relación Log-Log 85,66 5 Asimetría 92,58
6 Porcentaje de Myopulso 92,79 6 88,65 6 Indicadores de forma de onda 92,76
de Weibull
7 Indicadores de pulso 92,87 7 Cruce por cero 91,64 7 Límite superior de histograma 93,44
8 Límite superior de histograma 92,22 8 Relación desviación-media 91,64 8 Cambio de signo de pendiente 94,13
Verosimilitud negativa logarítmica Valor de verosimilitud negativo
9 93,44 9 91,90 9 Entropía de umbral 94,31
de Weibull normal normalizado
10 CPT4 93,98 10 Indicadores de forma de onda 91,89 10 CPT6 94,27
268
de las señales de EA para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
1 Curtosis 3,23 1 Factor de forma 3,23 1 Factor de forma 3,23
2 Cambio de signo de pendiente 28,37 2 44,84 2 Relación desviación-media 33,43
valor de varianza
Factor de impulso de desviación Diferencia absoluta del
EA1 4 Momento normalizado 87,34 4 93,44 4 93,58
estándar valor de varianza
5 Diferencia absoluta del valor de varianza 93,40 5 Relación desviación-media 93,90 5 93,9
estándar
6 Operador de energía 92,86 6 Cambio de amplitud promedio 93,97 6 Cambio de signo de pendiente 93,62
7 Relación desviación-media 93,08 7 Curtosis 94,48 7 Cambio de amplitud promedio 94,19
8 93,76 8 Cambio de signo de pendiente 94,40 8 Operador de energía 94,12
estándar
9 Relación Log-Log 93,94 9 Operador de energía 94,30 9 K-ésimo momento central 91,93
10 Cambio de amplitud promedio 93,90 10 Media de amplitud 94,19 10 Curtosis 92,58
1 K-ésimo momento central 3,23 1 Factor de forma 3,23 1 Factor de forma 3,23
2 Factor de forma 17,46 2 43,87 2 Relación Log-Log 44,59
de Weibull
3 Relación Log-Log 72,08 3 Relación Log-Log 88,78 3 88,78
de Weibull
EA2
4 Cambio de signo de pendiente 83,98 4 93,55 4 K-ésimo momento central 84,19
estándar
5 87,92 5 Curtosis 93,80 5 Cambio de signo de pendiente 87,89
estándar
6 89,32 6 Cambio de signo de pendiente 93,44 6 89,32
7 Operador de energía 90,82 7 Operador de energía 93,15 7 Curtosis 91,43
8 Curtosis 91,18 8 K-ésimo momento central 91,18 8 Operador de energía 91,18
9 Límite superior de histograma 86,20 9 Cruce por cero 91,94 9 Límite superior de histograma 86,2
10 Factor de holgura 86,13 10 Factor de holgura 89,64 10 Indicadores de pulso 85,09

de la señal de corriente para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
1 Límite superior de histograma 3,23 1 Cambio de signo de pendiente 3,23 1 3,23
valor de varianza
2 Quinto momento estadístico 12,40 2 18,92 2 Índice de margen 7,71
valor de varianza
3 Índice de margen 22,80 3 Límite superior de histograma 41,68 3 Límite superior de histograma 31,51
C1 Diferencia absoluta del
4 35,38 4 Índice de margen 43,30 4 Cambio de signo de pendiente 43,30
valor de varianza
5 Cambio de signo de pendiente 48,82 5 Operador de energía 58,67 5 Quinto momento estadístico 48,82
6 Operador de energía 59,18 6 Quinto momento estadístico 59,18 6 Operador de energía 59,18
7 K-ésimo momento central 58,82 7 K-ésimo momento central 58,82 7 K-ésimo momento central 58,82
Pendiente media del valor Pendiente media del valor
8 Momento normalizado 54,34 8 47,28 8 47,28
absoluto absoluto
9 Delta RMS 44,66 9 Delta RMS 40,11 9 Momento normalizado 39,39
10 Pendiente media del valor absoluto 32,15 10 Momento normalizado 32,15 10 Delta RMS 32,15
269
Tabla E1.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo para la base de datos de 31 condiciones

Media 12 DF Límite inferior de histograma 4 DF
Cruce por cero 10 EMG Asimetría 4 DF
Cambio de signo de pendiente 10 EMG Relación Log-Log 4 DF
10 EMG 3 DF
CPT6 9 DF Límite superior de histograma 3 DF
Porcentaje de Myopulso 8 EMG 3 DF
normal normalizado
Longitud fractal máxima 8 EMG 3 EMG
valor de varianza
Relación desviación-media 8 DF Factor de latitud 2 DF
Indicadores de forma de onda 6 EMG 1 EMG
Indicadores de pulso 5 EMG K-ésimo momento central 1 DF
CPT4 4 DF Quinto momento estadístico 1 DF
Entropía de umbral 1 DF
Tabla E1.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
para la base de datos de 31 condiciones

Curtosis 6 DF 3 EMG
valor de varianza
Cambio de signo de pendiente 6 EMG Relación desviación-media 3 DF
Factor de forma 6 DF Cambio de amplitud promedio 3 EMG
Operador de energía 6 DF 3 EMG
de Weibull
6 DF Límite superior de histograma 2 DF
estándar
Relación Log-Log 6 DF Factor de holgura 2 DF
K-ésimo momento central 4 DF Momento normalizado 1 DF
Media de amplitud 1 EMG
Cruce por cero 1 EMG
Indicadores de pulso 1 EMG
270
Tabla E1.6: Resumen de los IC para la señal de corriente en el dominio del tiempo
para la base de datos de 31 condiciones

Límite superior de histograma 3 DF K-ésimo momento central 3 DF
Quinto momento estadístico 3 DF Momento normalizado 3 DF
Índice de margen 3 EMG Delta RMS 3 DF
Diferencia absoluta del Pendiente media del valor
3 EMG 3 EMG
valor de varianza absoluto
Cambio de signo de pendiente 3 EMG
Operador de energía 3 DF
271
DICIONES EN EL DOMINIO DE LA FRECUENCIA
272
Tabla E2.1: Ranqueo de los IC y exactitud de clasificación en el dominio de la
frecuencia de las señales de vibración para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
1 Varianza de la frecuencia central 3,21 1 CP3 3,21 1 Entropía espectral 3,21
2 Relación de frecuencia 6,59 2 Entropía espectral 9,98 2 CP5 6,88
3 Entropía espectral 26,95 3 Cuarto momento espectral 31,55 3 Esparción espectral 18,91
5 Esparción espectral 61,85 5 CP5 66,25 5 Varianza de la frecuencia central 59,87
A1
6 Cuarto momento espectral 73,45 6 Frecuencia máxima 74,93 6 Centroide espectral 70,00
7 CP2 81,30 7 CP4 80,87 7 CP4 72,23
9 Asimetría de frecuencia 87,07 9 Centroide espectral 82,85 9 Cuarto momento espectral 82,49
10 Frecuencia máxima 87,97 10 Varianza de frecuencia 83,68 10 Asimetría de frecuencia 85,77
1 Relación de frecuencia 3,21 1 CP3 3,17 1 Entropía espectral 3,21
2 Varianza de la frecuencia central 7,60 2 Esparción espectral 7,78 2 Esparción espectral 7,24
3 Esparción espectral 23,95 3 Entropía espectral 22,26 3 CP5 22,52
4 Entropía espectral 47,01 4 CP4 35,77 4 CP3 39,48
A2
6 Cuarto momento espectral 74,03 6 CP5 56,88 6 Varianza de la frecuencia central 66,03
7 Frecuencia máxima 78,03 7 Varianza de la frecuencia central 70,25 7 CP2 68,05
8 CP2 81,63 8 Cuarto momento espectral 78,53 8 Centroide espectral 72,66
10 Asimetría de frecuencia 85,91 10 Relación de frecuencia 83,50 10 Cuarto momento espectral 84,44
1 Varianza de la frecuencia central 3,21 1 Esparción espectral 3,21 1 Esparción espectral 3,21
3 CP5 18,15 3 Entropía espectral 27,27 3 Entropía espectral 22,48
4 Relación de frecuencia 39,26 4 CP4 42,36 4 CP5 36,67
A3
6 Centroide espectral 69,67 6 Varianza de frecuencia 64,51 6 Varianza de la frecuencia central 67,65
7 CP4 76,73 7 CP5 69,78 7 CP2 69,42
8 Entropía espectral 79,29 8 Frecuencia máxima 77,41 8 Relación de frecuencia 79,32
9 Asimetría de frecuencia 83,65 9 Relación de frecuencia 82,64 9 Centroide espectral 80,84
2 Esparción espectral 7,92 2 Frecuencia máxima 7,92 2 Esparción espectral 8,68
3 CP5 19,20 3 Entropía espectral 38,87 3 Varianza de la frecuencia central 19,20
4 Relación de frecuencia 44,99 4 Frecuencia mediana 64,95 4 Centroide espectral 44,88
5 Frecuencia mediana 69,82 5 Esparción espectral 71,43 5 CP4 58,36
A4
6 Frecuencia máxima 79,47 6 CP4 78,49 6 Entropía espectral 69,92
7 Cuarto momento espectral 82,31 7 Varianza de frecuencia 79,14 7 CP3 76,66
8 CP2 83,86 8 CP5 80,87 8 CP2 75,11
9 Centroide espectral 84,47 9 Centroide espectral 81,92 9 Relación de frecuencia 82,24
10 Entropía espectral 87,03 10 Relación de frecuencia 86,85 10 Frecuencia mediana 85,84
273
frecuencia de las señales de EA para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
3 Cuarto momento espectral 52,63 3 CP4 72,61 3 Varianza de la frecuencia central 67,19
4 Varianza de la frecuencia central 75,55 4 CP3 82,25 4 Cuarto momento espectral 75,55
EA1
8 Curtosis de frecuencia 67,12 8 Asimetría de frecuencia 68,73 8 Asimetría de frecuencia 68,73
9 Centroide espectral 71,03 9 Curtosis de frecuencia 68,73 9 Centroide espectral 70,71
10 Asimetría de frecuencia 70,67 10 CP5 71,46 10 Curtosis de frecuencia 70,67
2 Cuarto momento espectral 20,69 2 Primer momento espectral 38,26 2 Primer momento espectral 38,26
3 Primer momento espectral 67,73 3 CP4 78,99 3 Varianza de la frecuencia central 74,54
4 Varianza de la frecuencia central 80,32 4 Varianza de la frecuencia central 82,18 4 Cuarto momento espectral 80,32
5 CP4 81,35 5 CP3 84,69 5 CP4 81,35
EA2
8 CP5 77,63 8 Curtosis de frecuencia 75,44 8 Centroide espectral 77,02
9 Centroide espectral 77,88 9 CP5 77,16 9 CP5 77,88
10 Curtosis de frecuencia 77,52 10 Centroide espectral 77,52 10 Esparción espectral 78,31

frecuencia de la señal de corriente para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
1 Frecuencia máxima 3,23 1 Frecuencia máxima 3,23 1 Relación de frecuencia 3,23
2 CP3 8,60 2 Relación de frecuencia 18,17 2 CP3 10,97
3 Asimetría de frecuencia 11,33 3 Varianza de la frecuencia central 40,75 3 Asimetría de frecuencia 7,20
4 Relación de frecuencia 11,11 4 Entropía espectral 29,00 4 Frecuencia máxima 11,11
5 Varianza de la frecuencia central 13,73 5 Asimetría de frecuencia 20,61 5 Varianza de la frecuencia central 13,73
C1
6 Entropía espectral 17,38 6 CP3 17,38 6 Entropía espectral 17,38
7 Esparción espectral 15,23 7 Esparción espectral 15,23 7 Esparción espectral 15,23
8 CP5 13,41 8 CP5 13,41 8 CP5 13,41
9 Curtosis de frecuencia 12,22 9 Curtosis de frecuencia 12,22 9 Curtosis de frecuencia 12,22
274
Tabla E2.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio de
la frecuencia para la base de datos de 31 condiciones

CP5 12 DF CP3 9 DF
Esparción espectral 12 Audio Centroide espectral 8 Audio
Varianza de la frecuencia central 11 DF Frecuencia máxima 6 DF
Cuarto momento espectral 10 DF Varianza de frecuencia 4 DF
CP4 10 DF Frecuencia mediana 3 DF
Tabla E2.5: Resumen de los IC para las señales de EA1, EA2 en el dominio de la
frecuencia para la base de datos de 31 condiciones

Entropía espectral 6 Audio Relación de frecuencia 6 DF
Primer momento espectral 6 DF Curtosis de frecuencia 5 DF
Cuarto momento espectral 6 DF Centroide espectral 5 Audio
CP4 6 DF Asimetría de frecuencia 3 DF
Tabla E2.6: Resumen de los IC para la señal de corriente en el dominio de la


Frecuencia máxima 3 DF Entropía espectral 3 Audio
Asimetría de frecuencia 3 DF CP5 3 DF
Relación de frecuencia 3 DF Curtosis de frecuencia 3 DF
Varianza de la frecuencia central 3 DF
275
DICIONES EN EL DOMINIO DEL TIEMPO Y DE LA FRECUEN-
CIA
276
Tabla E3.1: Ranqueo de los IC y exactitud de clasificación en el dominio del tiempo y
frecuencia de las señales de vibración para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
Varianza de la Valor de verosimilitud negativo
2 Frecuencia 15,65 2 Tiempo 29,17 2 Entropía espectral Frecuencia 19,15
frecuencia central normal normalizado
3 Relación de frecuencia Frecuencia 43,49 3 Indicadores de forma de onda Tiempo 70,54 3 CP5 Frecuencia 39,05
Cambio de signo de
A1 4 Cruce por cero Tiempo 70,39 4 Relación desviación-media Tiempo 74,86 4 Tiempo 67,58
pendiente
5 Tiempo 84,39 5 Relación Log-Log Tiempo 74,83 5 Esparción espectral Frecuencia 74,68
Cambio de signo de Longitud fractal
6 Tiempo 89,90 6 CPT6 Tiempo 76,23 6 Tiempo 82,62
pendiente máxima
7 CP5 Frecuencia 91,89 7 Indicadores de pulso Tiempo 79,19 7 Cruce por cero Tiempo 86,87
8 Entropía espectral Frecuencia 92,43 8 Longitud fractal máxima Tiempo 85,03 8 CP3 Frecuencia 88,35
9 Esparción espectral Frecuencia 91,67 9 Tiempo 84,1 9 CPT6 Tiempo 89,11
10 Porcentaje de Myopulso Tiempo 92,07 10 Tiempo 84,1 10 Relación desviación-media Tiempo 89,15
valor de varianza
2 Relación de frecuencia Frecuencia 11,32 2 Relación Log-Log Tiempo 33,86 2 Entropía espectral Frecuencia 18,28
Cambio de signo de
3 Tiempo 54,13 3 Relación desviación-media Tiempo 76,45 3 Esparción espectral Frecuencia 44,68
pendiente
Varianza de la Cambio de signo de
A2 4 Frecuencia 74,36 4 CPT6 Tiempo 81,54 4 Tiempo 66,25
frecuencia central pendiente
5 Indicadores de pulso Tiempo 82,40 5 Tiempo 86,37 5 Indicadores de pulso Tiempo 71,98
valor de varianza
6 Cruce por cero Tiempo 87,38 6 Cambio de signo de pendiente Tiempo 89,94 6 Cruce por cero Tiempo 80,02
7 Esparción espectral Frecuencia 87,77 7 Indicadores de pulso Tiempo 87,27 7 CPT6 Tiempo 83,52
8 Tiempo 90,16 8 K-ésimo momento central Tiempo 88,64 8 Relación desviación-media Tiempo 84,35
9 Entropía espectral Frecuencia 91,16 9 Porcentaje de Myopulso Tiempo 90,37 9 CP5 Frecuencia 85,25
10 CPT4 Tiempo 91,92 10 CP3 Frecuencia 90,95 10 CP3 Frecuencia 86,41
Varianza de la
1 Frecuencia 3,21 1 Media Tiempo 3,21 1 Cruce por cero Tiempo 3,21
frecuencia central
2 Esparción espectral Frecuencia 8,47 2 CPT6 Tiempo 15,61 2 Esparción espectral Frecuencia 8,40
Cambio de signo de
4 Cruce por cero Tiempo 54,27 4 Relación Log-Log Tiempo 77,21 4 Tiempo 61,56
A3 pendiente
5 CP5 Frecuencia 64,30 5 Tiempo 76,6 5 CP4 Frecuencia 74,90
normal normalizado
Cambio de signo de
6 Tiempo 78,22 6 Indicadores de forma de onda Tiempo 77,61 6 Entropía espectral Frecuencia 82,40
pendiente
Relación de
7 Frecuencia 85,65 7 Cambio de signo de pendiente Tiempo 88,1 7 CP5 Frecuencia 82,73
frecuencia
8 Asimetría Tiempo 89,25 8 Cruce por cero Tiempo 90,59 8 CP3 Frecuencia 84,93
9 Centroide espectral Frecuencia 90,08 9 Esparción espectral Frecuencia 86,84 9 CPT6 Tiempo 87,49
Varianza de la
10 CP2 Frecuencia 90,69 10 CP3 Frecuencia 88,24 10 Frecuencia 89,58
frecuencia central
2 Cruce por cero Tiempo 17,45 2 CPT6 Tiempo 20,95 2 Cruce por cero Tiempo 17,45
Varianza de la
3 Frecuencia 46,23 3 Longitud fractal máxima Tiempo 77,57 3 CP5 Frecuencia 41,01
frecuencia central
A4 4 Esparción espectral Frecuencia 63,69 4 Tiempo 84,13 4 Esparción espectral Frecuencia 61,77
valor de varianza
Varianza de la
5 CP5 Frecuencia 75,01 5 Relación Log-Log Tiempo 85,97 5 Frecuencia 75,01
frecuencia central
Cambio de signo de Verosimilitud negativa logarítmica
6 Tiempo 85,14 6 Tiempo 88,93 6 Centroide espectral Frecuencia 83,41
pendiente de Weibull
Indicadores de
7 Tiempo 90,16 7 Cruce por cero Tiempo 91,06 7 Longitud fractal máxima Tiempo 89,61
forma de onda
Relación de Verosimilitud negativa
8 Frecuencia 92,03 8 Relación desviación-media Tiempo 91,16 8 Tiempo 90,77
frecuencia logarítmica de Weibull
9 Longitud fractal máxima Tiempo 92,61 9 Tiempo 91,35 9 CP4 Frecuencia 91,17
normal normalizado
10 Frecuencia máxima Frecuencia 93,08 10 Indicadores de forma de onda Tiempo 91,49 10 Entropía espectral Frecuencia 91,89
277
frecuencia de las señales de EA para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
1 Curtosis Tiempo 3,23 1 Entropía espectral Frecuencia 3,23 1 Entropía espectral Frecuencia 3,23
2 Cambio de signo de pendiente Tiempo 29,17 2 Primer momento espectral Frecuencia 32,22 2 Primer momento espectral Frecuencia 32,22
3 Momento normalizado Tiempo 62,18 3 Tiempo 86,39 3 Relación desviación-media Tiempo 86,28
valor de varianza
Diferencia absoluta del Factor de impulso de desviación Diferencia absoluta del
EA1 4 Tiempo 87,07 4 Tiempo 92,82 4 Tiempo 93,00
valor de varianza estándar valor de varianza
5 Cuarto momento espectral Frecuencia 80,46 5 Relación desviación-media Tiempo 93,75 5 Tiempo 93,75
estándar
6 Relación desviación-media Tiempo 86,75 6 CP4 Frecuencia 91,45 6 Cambio de signo de pendiente Tiempo 94,25
7 Operador de energía Tiempo 87,21 7 Cambio de amplitud promedio Tiempo 92,85 7 Varianza de la frecuencia central Frecuencia 93,64
8 Tiempo 89,19 8 Curtosis Tiempo 93,28 8 Cuarto momento espectral Frecuencia 90,52
estándar
9 Primer momento espectral Frecuencia 89,55 9 CP3 Frecuencia 92,42 9 Cambio de amplitud promedio Tiempo 91,38
10 Entropía espectral Frecuencia 92,24 10 Cambio de signo de pendiente Tiempo 92,89 10 Operador de energía Tiempo 91,63
1 K-ésimo momento central Tiempo 3,23 1 Entropía espectral Frecuencia 3,23 1 Entropía espectral Frecuencia 3,23
2 Entropía espectral Frecuencia 21,52 2 Primer momento espectral Frecuencia 38,43 2 Primer momento espectral Frecuencia 38,43
3 Cambio de signo de pendiente Tiempo 56,90 3 Tiempo 90,48 3 K-ésimo momento central Tiempo 69,14
4 Cuarto momento espectral Frecuencia 62,54 4 Curtosis Tiempo 93,25 4 Cambio de signo de pendiente Tiempo 84,09
EA2
5 Primer momento espectral Frecuencia 84,30 5 Cambio de signo de pendiente Tiempo 93,71 5 Varianza de la frecuencia central Frecuencia 86,75
6 Tiempo 87,72 6 Varianza de la frecuencia central Frecuencia 92,21 6 Cuarto momento espectral Frecuencia 85,92
estándar
7 Varianza de la frecuencia central Frecuencia 87,97 7 Operador de energía Tiempo 92,24 7 Tiempo 87,97
estándar
8 Operador de energía Tiempo 89,48 8 CP3 Frecuencia 91,34 8 Curtosis Tiempo 89,51
9 Curtosis Tiempo 90,16 9 K-ésimo momento central Tiempo 90,84 9 Operador de energía Tiempo 90,16
10 Límite superior de histograma Tiempo 85,99 10 Cuarto momento espectral Frecuencia 89,83 10 Límite superior de histograma Tiempo 85,99

frecuencia de la señal de corriente para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
1 Frecuencia máxima Frecuencia 3,23 1 Frecuencia máxima Frecuencia 3,23 1 Tiempo 3,23
valor de varianza
Cambio de signo de
2 CP3 Frecuencia 8,32 2 Tiempo 30,68 2 Índice de margen Tiempo 7,46
endiente
Diferencia absoluta del Cambio de signo de
3 Relación de frecuencia Frecuencia 9,26 3 Tiempo 56,41 3 Tiempo 29,82
C1 valor de varianza pendiente
4 Asimetría de frecuencia Frecuencia 11,34 4 Relación de frecuencia Frecuencia 56,37 4 Relación de frecuencia Frecuencia 44,13
Quinto momento
5 Quinto momento estadístico Tiempo 19,55 5 Varianza de la frecuencia central Frecuencia 65,59 5 Tiempo 48,26
estadístico
6 Varianza de la frecuencia central Frecuencia 22,50 6 Índice de margen Tiempo 57,59 6 Operador de energía Tiempo 59,38
7 Índice de margen Tiempo 24,51 7 Entropía espectral Frecuencia 61,35 7 CP3 Frecuencia 51,35
8 Tiempo 35,70 8 Operador de energía Tiempo 68,28 8 Asimetría de frecuencia Frecuencia 49,12
valor de varianza
Quinto momento
9 Operador de energía Tiempo 43,81 9 Tiempo 65,73 9 Frecuencia máxima Frecuencia 49,41
estadístico
10 Entropía espectral Frecuencia 45,39 10 Asimetría de frecuencia Frecuencia 56,3 10 Varianza de la frecuencia central Frecuencia 50,05
278
Tabla E3.4: Resumen de los IC para las señales de A1, A2, A3 y A4 en el dominio del
tiempo y frecuencia para la base de datos de 31 condiciones
Media 12 Tiempo DF 3 Tiempo DF
normal normalizado
Cruce por cero 10 Tiempo EMG 3 Tiempo EMG
valor de varianza
Cambio de signo de pendiente 9 Tiempo EMG 2 Tiempo DF
estándar
Esparción espectral 9 Frecuencia Audio Porcentaje de Myopulso 2 Tiempo EMG
CP5 7 Frecuencia DF Centroide espectral 2 Frecuencia Audio
CPT6 7 Tiempo DF 2 Tiempo EMG
Varianza de la frecuencia central 6 Frecuencia DF CP4 2 Frecuencia DF
Entropía espectral 6 Frecuencia Audio CPT4 1 Tiempo DF
Relación desviación-media 6 Tiempo DF Asimetría 1 Tiempo DF
Longitud fractal máxima 5 Tiempo EMG CP2 1 Frecuencia DF
CP3 5 Frecuencia DF Frecuencia máxima 1 Frecuencia DF
Relación de frecuencia 4 Frecuencia DF 1 Tiempo EMG
Indicadores de pulso 4 Tiempo EMG K-ésimo momento central 1 Tiempo DF
Indicadores de forma de onda 4 Tiempo EMG
Relación Log-Log 4 Tiempo DF
Tabla E3.5: Resumen de los IC para las señales de EA1, EA2 en el dominio del tiempo
y frecuencia para la base de datos de 31 condiciones
Cambio de signo de pendiente 6 Tiempo EMG 3 Tiempo EMG
valor de varianza
6 Tiempo DF Relación desviación-media 3 Tiempo DF
estándar
Primer momento espectral 6 Frecuencia DF K-ésimo momento central 3 Tiempo DF
Entropía espectral 6 Frecuencia Audio Límite superior de histograma 2 Tiempo DF
Curtosis 5 Tiempo DF Cambio de amplitud promedio 2 Tiempo EMG
Cuarto momento espectral 5 Frecuencia DF CP3 2 Frecuencia DF
Varianza de la frecuencia central 4 Frecuencia DF CP4 1 Frecuencia DF
Tabla E3.6: Resumen de los IC para la señal de corriente en el dominio del tiempo y
Frecuencia máxima 3 Frecuencia DF Operador de energía 3 Tiempo DF
Relación de frecuencia 3 Frecuencia DF CP3 2 Frecuencia DF
Asimetría de frecuencia 3 Frecuencia DF Entropía espectral 2 Frecuencia Audio
Quinto momento estadístico 3 Tiempo DF Cambio de signo de pendiente 2 Tiempo EMG
Índice de margen 3 Tiempo EMG
Diferencia absoluta del valor de varianza 3 Tiempo EMG
279
F.. RESULTADOS DEL SD2 PARA LA BASE DE DATOS DEL FALLO
DE ROTURA
Tabla F1: Ranqueo de los IC y exactitud de la clasificación para la fusión de

indicadores en el dominio del tiempo para el fallo de rotura
Relief Chi- Cuadrado Ganancia de información
KNN KNN KNN
Ranking Sensor Ranking Sensor Ranking Sensor
( %) ( %) ( %)
1 Momento normalizado EA1 11.15 1 Factor de forma EA2 11.15 1 Factor de forma EA2 11.15
2 Media A3 27.58 2 Relación Log-Log EA2 62.01 2 Relación Log-Log EA2 62.01
3 Media A4 64.65 3 EA2 95.87 3 Media A3 90.67
4 Factor de forma EA2 95.37 4 Relación desviación-media EA2 99.59 4 Media A4 98.59
Cambio de signo de
5 Relación Log-Log EA2 98.43 5 Media A3 98.68 5 EA1 99.26
pendiente
Cambio de signo de
6 Momento normalizado EA2 98.68 6 Media A4 99.50 6 EA2 99.34
pendiente
7 Cruce por cero A4 98.43 7 Cambio de signo de pendiente EA1 99.42 7 EA2 99.34
Cambio de signo de
8 EA1 98.35 8 Longitud fractal máxima A4 99.09 8 Cruce por cero A4 99.42
pendiente
9 Cruce por cero A3 98.68 9 A4 99.26 9 Cruce por cero A3 99.59
10 Factor de latitud A4 98.93 10 A4 99.26 10 Factor de latitud A4 99.75
valor de varianza

indicadores en el dominio de la frecuencia para el fallo de rotura
KNN KNN KNN
( %) ( %) ( %)
1 Entropía espectral EA2 11,19 1 Entropía espectral EA2 11,19 1 Entropía espectral EA2 11,19
2 Primer momento espectral EA2 59,74 2 Primer momento espectral EA2 59,74 2 Primer momento espectral EA2 59,74
3 Centroide espectral A3 78,63 3 CP4 EA1 77,05 3 CP4 A3 86,41
4 Centroide espectral A4 93,37 4 CP3 EA2 92,21 4 CP4 A4 92,54
5 CP5 A3 93,78 5 CP4 A3 93,11 5 Centroide espectral A3 96,35
6 CP5 A4 94,86 6 CP3 EA1 92,53 6 Centroide espectral A4 98,34
7 CP4 A4 98,34 7 CP4 A4 93,86 7 CP5 A4 98,76
8 Esparción espectral A4 97,93 8 Varianza de la frecuencia central EA2 94,11 8 CP4 EA1 98,43
9 CP4 A3 98,01 9 Frecuencia máxima A4 94,53 9 CP5 A3 98,35
10 Relación de frecuencia A3 98,67 10 Relación de frecuencia A4 95,78 10 Esparción espectral A4 97,76
280
indicadores en el dominio del tiempo y de la frecuencia para el fallo de rotura
KNN KNN KNN
Ranking Sensor Dominio Ranking Sensor Dominio Ranking Sensor Dominio
( %) ( %) ( %)
Momento Entropía
1 EA1 Tiempo 11,19 1 Entropía espectral EA2 Frecuencia 11,19 1 EA2 Frecuencia 11,19
normalizado espectral
2 Media A3 Tiempo 28,03 2 Primer momento espectral EA2 Frecuencia 59,78 2 Media A3 Tiempo 45,67
3 Media A4 Tiempo 63,85 3 EA2 Tiempo 93,95 3 Primer momento espectral EA2 Frecuencia 93,53
Momento
4 EA2 Tiempo 83,08 4 Relación desviación-media EA2 Tiempo 98,76 4 Media A4 Tiempo 98,59
normalizado
5 Entropía espectral EA2 Frecuencia 95,11 5 Media A3 Tiempo 98,67 5 CP4 A3 Frecuencia 99,34
6 Primer momento espectral EA2 Frecuencia 98,59 6 Media A4 Tiempo 99,50 6 CP4 A4 Frecuencia 99,58
Cambio de
Centroide
7 A3 Frecuencia 98,59 7 CP4 EA1 Frecuencia 98,92 7 signo de EA1 Tiempo 99,67
espectral
pendiente
Centroide Longitud fractal Centroide
8 A4 Frecuencia 98,75 8 A4 Tiempo 99,50 8 A3 Frecuencia 99,59
espectral máxima espectral
Diferencia valor
Cambio de signo de absoluto Centroide
9 EA1 Tiempo 98,76 9 A4 Tiempo 99,50 9 A4 Frecuencia 99,59
pendiente de desviación espectral
estándar
10 CP5 A3 Frecuencia 99,09 10 A4 Tiempo 99,50 10 CP5 A4 Frecuencia 99,59
valor de varianza
281
G.. RESULTADOS DEL SD2 PARA LA BASE DE DATOS DEL FALLO
DE GRIPADO
Tabla G1: Ranqueo de los IC y exactitud de la clasificación para la fusión de

indicadores en el dominio del tiempo para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Media A1 11,12 1 Factor de forma EA2 11,12 1 Factor de forma EA2 11,12
2 Momento normalizado EA1 32,13 2 Relación Log-Log EA2 63,18 2 Relación Log-Log EA2 63,18
3 Momento normalizado EA2 48,68 3 EA2 95,64 3 Media A1 89,37
Cambio de signo
4 Factor de forma EA2 83,77 4 Relación Log-Log A4 99,01 4 EA1 98,27
de pendiente
5 Relación Log-Log EA2 98,68 5 Relación desviación-media EA2 99,09 5 Media A4 99,18
6 Media A4 98,68 6 negativo normal A1 99,01 6 Media A4 99,51
normalizado
Cambio de signo de Indicadores de forma Cambio de signo
7 EA1 98,60 7 A1 99,50 7 EA2 99,42
pendiente de onda de pendiente
Factor de impulso
8 Media A4 99,18 8 Relación desviación-media A1 99,34 8 de desviación EA2 99,51
estándar
Cambio de signo de
9 EA2 98,85 9 Media A4 99,42 9 Cruce por cero A3 99,59
pendiente
10 Asimetría A4 98,85 10 Media A1 99,42 10 Cruce por cero A4 99,26
282
indicadores en el dominio de la frecuencia para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
1 Primer momento espectral EA2 11,10 1 Primer momento espectral EA2 11,10 1 Entropía espectral EA2 11,10
2 Entropía espectral EA2 59,51 2 Entropía espectral EA2 59,51 2 Primer momento espectral EA2 59,51
3 CP5 A3 81,46 3 CP3 EA2 89,36 3 Esparción espectral A4 75,71
4 Varianza de la frecuencia central A1 89,98 4 CP3 EA1 91,27 4 CP5 A3 80,38
5 CP5 A4 90,73 5 Centroide espectral A3 92,24 5 CP5 A4 86,73
6 Esparción espectral A4 90,39 6 Frecuencia máxima A4 93,50 6 CP3 EA2 92,25
7 Centroide espectral A3 92,82 7 CP5 A3 95,75 7 Centroide espectral A3 93,33
8 Varianza de la frecuencia central A4 96,49 8 Varianza de frecuencia A4 96,67 8 Varianza de la frecuencia central EA2 96,25
9 Frecuencia máxima C1 97,41 9 Esparción espectral A4 96,08 9 CP5 A4 96,00
10 Frecuencia máxima A3 98,16 10 Varianza de la frecuencia central EA2 97,17 10 CP5 A1 96,50

indicadores en el dominio del tiempo y de la frecuencia para el fallo de gripado
KNN KNN KNN
( %) ( %) ( %)
Entropía Entropía
1 Media A1 Tiempo 11,12 1 EA2 Frecuencia 11,12 1 EA2 Frecuencia 11,12
espectral espectral
Momento
2 EA1 Tiempo 32,04 2 Primer momento espectral EA2 Frecuencia 60,38 2 Primer momento espectral EA2 Frecuencia 60,38
normalizado
Factor de
Momento impulso de
3 EA2 Tiempo 49,26 3 EA2 Tiempo 93,99 3 Media A1 Tiempo 89,95
normalizado desviación
estándar
K-ésimo Cambio de
4 Primer momento espectral EA2 Frecuencia 82,29 4 momento A4 Tiempo 98,76 4 signo de EA1 Tiempo 97,69
central pendiente
Entropía
5 EA2 Frecuencia 97,03 5 Relación desviación-media EA2 Tiempo 98,85 5 Media A4 Tiempo 98,19
espectral
Valor de
Cambio de
verosimilitud
6 signo de EA1 Tiempo 98,19 6 A1 Tiempo 99,09 6 Media A4 Tiempo 99,34
negativo normal
pendiente
normalizado
Indicadores de
7 Media A4 Tiempo 98,19 7 A1 Tiempo 99,09 7 CP4 EA1 Frecuencia 98,27
forma de onda
Cambio de
8 CP5 A3 Frecuencia 98,60 8 CP4 EA2 Frecuencia 98,68 8 signo de EA2 Tiempo 98,85
pendiente
Esparción
9 CP5 A4 Frecuencia 98,76 9 Relación desviación-media A1 Tiempo 98,27 9 A4 Frecuencia 98,85
espectral
Cambio de
10 signo de EA2 Tiempo 98,85 10 Media A4 Tiempo 98,93 10 CP5 A3 Frecuencia 99,01
pendiente
283
H.. RESULTADOS DEL SD2 PARA LA BASE DE DATOS DEL FALLO
DE PICADURA
Tabla H1: Ranqueo de los IC y exactitud de la clasificación para la fusión de

indicadores en el dominio del tiempo para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
1 Momento normalizado EA1 11,14 1 Factor de forma EA2 11,14 1 Factor de forma EA2 11,14
2 Factor de forma EA2 56,93 2 Relación Log-Log EA2 54,70 2 Relación Log-Log EA2 54,70
3 Momento normalizado EA2 71,12 3 EA2 93,40 3 EA2 93,40
4 Relación Log-Log EA2 95,79 4 Relación desviación-media EA2 100,00 4 Factor de forma C1 99,51
5 Factor de forma C1 99,09 5 CPT6 EA2 99,92 5 Relación desviación-media EA2 99,92
6 Media A1 99,67 6 Factor de forma C1 99,92 6 CPT6 EA2 99,92
Factor de impulso de Diferencia absoluta del Cambio de amplitud
7 EA2 99,67 7 EA2 99,84 7 EA2 99,75
desviación estándar valor de varianza promedio
Cambio de amplitud
8 Asimetría A3 99,51 8 EA2 99,34 8 Factor de impulso C1 99,67
promedio
Sexto momento
9 Sexto momento estadístico EA2 99,75 9 Relación desviación-media A1 99,67 9 EA2 99,75
estadístico
10 Media A4 99,84 10 Curtosis EA2 99,67 10 Curtosis EA2 99,59

indicadores en el dominio de la frecuencia para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
1 Entropía espectral EA2 11,10 1 Entropía espectral EA2 11,10 1 Entropía espectral EA2 11,10
3 Entropía espectral C1 76,20 3 CP3 EA1 86,54 3 Esparción espectral A4 79,82
4 Varianza de la frecuencia central EA2 92,43 4 Varianza de la frecuencia central EA2 91,84 4 CP3 EA1 90,08
5 Asimetría de frecuencia A1 94,37 5 Entropía espectral C1 92,01 5 Entropía espectral C1 92,35
6 Esparción espectral A4 96,81 6 Esparción espectral A4 95,88 6 Varianza de la frecuencia central EA2 95,88
7 Asimetría de frecuencia A3 98,07 7 Varianza de la frecuencia central A4 97,40 7 CP5 A4 95,55
8 Asimetría de frecuencia A4 98,32 8 CP4 A4 98,82 8 CP4 A3 97,57
9 CP5 A4 97,98 9 CP5 A4 98,40 9 CP4 A4 98,41
10 Frecuencia mediana A3 98,24 10 CP4 A3 98,91 10 CP5 A3 98,40
284
indicadores en el dominio del tiempo y de la frecuencia para el fallo de picadura
KNN KNN KNN
( %) ( %) ( %)
Momento Entropía Entropía
1 EA1 Tiempo 11,14 1 EA2 Frecuencia 11,14 1 EA2 Frecuencia 11,14
normalizado espectral espectral
Entropía
2 EA2 Frecuencia 55,20 2 Primer momento espectral EA2 Frecuencia 54,87 2 Primer momento espectral EA2 Frecuencia 54,87
espectral
Factor de Factor de
Momento impulso de impulso de
3 EA2 Tiempo 70,05 3 EA2 Tiempo 97,69 3 EA2 Tiempo 97,69
normalizado desviación desviación
estándar estándar
Factor de
4 Primer momento espectral EA2 Frecuencia 96,20 4 CP3 EA2 Frecuencia 96,87 4 C1 Tiempo 99,01
forma
Factor de Esparción
5 C1 Tiempo 97,85 5 Relación desviación-media EA2 Tiempo 98,35 5 A4 Frecuencia 97,94
forma espectral
6 Media A1 Tiempo 99,26 6 CPT6 EA2 Tiempo 98,10 6 Relación desviación-media EA2 Tiempo 99,17
Factor de impulso
Factor de
7 de desviación EA2 Tiempo 99,34 7 C1 Tiempo 99,42 7 CPT6 EA2 Tiempo 99,34
forma
estándar
Entropía Diferencia absoluta del Entropía
8 C1 Frecuencia 98,93 8 EA2 Tiempo 99,42 8 C1 Frecuencia 99,17
espectral valor de varianza espectral
Cambio de
Esparción Varianza de la frecuencia
9 A4 Frecuencia 99,26 9 amplitud EA2 Tiempo 99,26 9 EA2 Frecuencia 99,51
espectral central
promedio
Cambio de
10 Asimetría A3 Tiempo 99,42 10 CP3 EA1 Frecuencia 98,35 10 amplitud EA2 Tiempo 99,75
promedio
285
I.. RESULTADOS DEL SD2 PARA LA BASE DE DATOS DEL FALLO
DE AGRIETAMIENTO
Tabla I1: Ranqueo de los IC y exactitud de la clasificación para la fusión de

indicadores en el dominio del tiempo para e fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
Factor de
1 EA2 10,97 1 Factor de forma EA2 10,97 1 Factor de forma EA2 10,97
forma
Momento
2 EA1 54,05 2 Relación Log-Log EA2 67,33 2 Relación Log-Log EA2 67,33
normalizado
Cambio de
Cambio de signo
3 signo de EA1 90,10 3 Relación Log-Log EA1 95,46 3 EA1 93,81
de pendiente
pendiente
Relación Log- Diferencia absoluta del
4 EA2 98,68 4 EA2 98,84 4 Relación Log-Log EA1 96,95
Log valor de varianza
Factor de impulso
Relación Log- Diferencia absoluta del
5 EA1 98,76 5 de desviación EA2 99,01 5 EA2 99,51
Log valor de varianza
estándar
Cambio de
Cambio de signo de
6 signo de EA2 99,09 6 Media A4 99,34 6 EA2 99,59
pendiente
pendiente
Diferencia valor
absoluto de Factor de impulso de
7 Media A1 99,01 7 A3 99,42 7 EA1 99,51
desviación desviación estándar
estándar
K-ésimo
Diferencia absoluta del K-ésimo momento
8 momento EA2 99,67 8 A3 99,42 8 EA2 99,51
valor de varianza central
central
Factor de
impulso de Factor de impulso de
9 Cruce por cero A4 99,75 9 EA1 99,59 9 EA2 99,51
desviación desviación estándar
estándar
Factor de
10 C1 99,75 10 Relación desviación-media EA2 99,84 10 Cruce por cero A3 99,83
forma
286
indicadores en el dominio de la frecuencia para e fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
Entropía Entropía
1 EA2 10,93 1 Entropía espectral EA2 10,93 1 EA2 10,93
espectral espectral
Esparción
4 CP5 A4 92,34 4 CP3 EA2 95,45 4 A4 92,01
espectral
Centroide
5 A4 94,11 5 CP4 EA1 95,37 5 CP5 A4 92,27
espectral
Esparción
6 A4 94,62 6 CP4 A4 95,45 6 CP4 A4 96,81
espectral
Centroide Centroide
7 A3 96,39 7 Varianza de la frecuencia central EA2 96,13 7 A4 97,81
espectral espectral
8 CP4 A4 98,40 8 CP3 EA1 95,87 8 CP4 A3 97,98
9 CP4 A3 98,23 9 Varianza de la frecuencia central EA1 95,79 9 Varianza de la frecuencia central EA1 98,74
Asimetría
10 A4 98,74 10 Centroide espectral A4 95,95 10 CP4 EA1 98,40
de frecuencia

indicadores en el dominio del tiempo y de la frecuencia para e fallo de agrietamiento
KNN KNN KNN
( %) ( %) ( %)
Entropía Entropía
1 EA2 Frecuencia 10,93 1 Entropía espectral EA2 Frecuencia 10,93 1 EA2 Frecuencia 10,93
espectral espectral
Momento
2 EA1 Tiempo 51,14 2 Primer momento espectral EA2 Frecuencia 72,66 2 Primer momento espectral EA2 Frecuencia 72,66
normalizado
Cambio de
3 signo de EA1 Tiempo 85,95 3 Primer momento espectral EA1 Frecuencia 97,73 3 Primer momento espectral EA1 Frecuencia 97,73
pendiente
Cambio de
4 Primer momento espectral EA2 Frecuencia 98,07 4 EA2 Tiempo 97,73 4 signo de EA1 Tiempo 97,90
valor de varianza
pendiente
Cambio de
Factor de impulso de Diferencia absoluta del
5 signo de EA2 Tiempo 98,91 5 EA2 Tiempo 98,66 5 EA2 Tiempo 99,16
desviación estándar valor de varianza
pendiente
6 Primer momento espectral EA1 Frecuencia 98,82 6 CP3 EA2 Frecuencia 96,89 6 Media A4 Tiempo 99,75
Cambio de
7 Media A1 Tiempo 98,74 7 Media A4 Tiempo 98,57 7 signo de EA2 Tiempo 99,83
pendiente
Factor de
K-ésimo
Factor de impulso de impulso
8 momento EA2 Tiempo 99,24 8 EA1 Tiempo 98,82 8 EA1 Tiempo 99,83
desviación estándar de desviación
central
estándar
Esparción
9 CP5 A4 Frecuencia 99,41 9 Relación desviación-media EA2 Tiempo 99,41 9 A4 Frecuencia 99,33
espectral
K-ésimo
Momento Diferencia absoluta del
10 EA2 Tiempo 99,16 10 A3 Tiempo 98,99 10 momento EA2 Tiempo 99,92
normalizado valor de varianza
central
287
J.. RESULTADOS DEL SD2 PARA LA BASE DE DATOS DE 31
CONDICIONES
Tabla J1: Ranqueo de los IC y exactitud de la clasificación para la fusión de

indicadores en el dominio del tiempo para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
Límite superior Factor de
1 C1 3,21 1 Factor de forma EA2 3,21 1 EA2 3,21
de histograma forma
2 Media A2 27,50 2 Media A1 39,19 2 Media A1 39,19
Momento
3 EA1 58,10 3 Media A2 87,62 3 Media A2 87,62
normalizado
Diferencia
valor absoluto
4 EA2 87,19 4 Media A4 92,67 4 Media A4 92,67
de desviación
estándar
Diferencia valor
absoluto de
5 Media A4 92,42 5 EA2 94,12 5 Relación desviación-media EA1 94,55
desviación
estándar
Quinto
Relación Log-
6 momento C1 91,16 6 Relación Log-Log EA1 94,30 6 EA1 94,41
Log
estadístico
Diferencia
Factor de impulso valor
Momento
7 EA2 90,83 7 de desviación EA1 94,44 7 absoluto de EA2 94,44
normalizado
estándar desviación
estándar
Cambio de
Relación Log-
8 signo de EA2 91,30 8 Relación desviación-media EA1 94,41 8 EA2 94,44
Log
pendiente
Verosimilitud Factor de
Cambio de
negativa impulso de
9 signo de EA1 91,70 9 EA2 94,48 9 EA1 94,44
logarítmica de desviación
pendiente
Weibull estándar
Verosimilitud
Factor de negativa
10 EA2 92,82 10 Relación Log-Log EA2 94,48 10 EA2 94,48
forma logarítmica de
Weibull
288
indicadores en el dominio de la frecuencia para la base de datos de 31 condiciones
KNN KNN KNN
( %) ( %) ( %)
Frecuencia Entropía Entropía
1 C1 3,23 1 EA2 3,23 1 EA2 3,23
máxima espectral espectral
Relación de
2 C1 18,85 2 Primer momento espectral EA1 29,95 2 Primer momento espectral EA1 29,95
frecuencia
3 CP3 C1 9,55 3 Primer momento espectral EA2 87,97 3 Primer momento espectral EA2 87,97
Frecuencia Varianza de la frecuencia
4 Varianza de la frecuencia central C1 13,43 4 C1 91,56 4 EA2 85,46
máxima central
5 Asimetría de frecuencia C1 13,93 5 CP4 EA1 88,90 5 EA1 86,64
central
6 Primer momento espectral EA2 42,91 6 CP3 EA1 88,54 6 Cuarto momento espectral EA2 85,17
Entropía Varianza de la frecuencia Esparción
7 EA2 72,42 7 EA1 87,68 7 A3 87,22
espectral central espectral
8 Cuarto momento espectral EA2 75,91 8 EA2 87,07 8 CP4 EA1 87,18
central
9 Primer momento espectral EA1 77,85 9 CP3 EA2 87,22 9 CP3 EA1 86,50
Varianza de la frecuencia Relación de
10 EA2 78,71 10 C1 87,50 10 CP5 A1 89,08
central frecuencia

indicadores en el dominio del tiempo y de la frecuencia para la base de datos de 31
condiciones
KNN KNN KNN
( %) ( %) ( %)
Frecuencia Entropía Entropía
1 C1 Frecuencia 3,21 1 EA2 Frecuencia 3,21 1 EA2 Frecuencia 3,21
máxima espectral espectral
2 Media A2 Tiempo 48,58 2 Primer momento espectral EA1 Frecuencia 29,02 2 Media A1 Tiempo 38,40
Momento
3 EA1 Tiempo 73,22 3 Media A1 Tiempo 86,83 3 Primer momento espectral EA1 Frecuencia 86,83
normalizado
Diferencia
valor
4 absoluto de EA2 Tiempo 88,23 4 Media A2 Tiempo 93,76 4 Media A2 Tiempo 93,76
desviación
estándar
5 C1 Frecuencia 89,21 5 Media A4 Tiempo 94,30 5 Media A4 Tiempo 94,30
central
Relación de
6 C1 Frecuencia 88,38 6 Primer momento espectral EA2 Frecuencia 94,73 6 Relación desviación-media EA1 Tiempo 94,62
frecuencia
Diferencia Diferencia
valor valor
Momento
7 EA2 Tiempo 88,52 7 absoluto de EA2 Tiempo 94,70 7 absoluto de EA2 Tiempo 94,73
normalizado
desviación desviación
estándar estándar
Factor de Factor de
impulso de impulso de
8 Media A4 Tiempo 91,77 8 EA1 Tiempo 94,70 8 EA1 Tiempo 94,70
desviación desviación
estándar estándar
9 CP3 C1 Frecuencia 83,11 9 Relación desviación-media EA1 Tiempo 94,70 9 Primer momento espectral EA2 Frecuencia 94,70
Cambio de Cambio de
10 signo de EA2 Tiempo 82,61 10 Media A3 Tiempo 94,66 10 signo de EA2 Tiempo 94,73
pendiente pendiente
289

Diagnóstico de Fallos en Cajas de Engranajes Con......

Cargado por

Copyright:

Formatos disponibles

Diagnóstico de Fallos en Cajas de Engranajes Con......

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diagnóstico de Fallos en Cajas de Engranajes Con......

Cargado por

Copyright:

Formatos disponibles

DIAGNÓSTICO DE FALLOS EN CAJAS DE ENGRANAJES CON

BASE EN LA FUSIÓN DE DATOS DE SEÑALES DE VIBRACIÓN,

RENÉ VINICIO SÁNCHEZ LOJA

UNIVERSIDAD PONTIFICIA BOLIVARIANA

RENÉ VINICIO SÁNCHEZ LOJA

Tesis para optar al título de Doctor en Ingeniería

UNIVERSIDAD PONTIFICIA BOLIVARIANA

1.2.. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3.1.. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3.2.. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.6.. Productos obtenidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.7.. Organización de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.. Marco teórico y estado del arte . . . . . . . . . . . . . . . . . . . . . . . . 10

2.1.. Introducción al mantenimiento basado en la condición . . . . . . . . . . 10

2.2.. Adquisición de las señales de monitoreo de la condición . . . . . . . . . . 12

2.2.1.. Monitoreo de la condición . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.2.. Monitoreo de las vibraciones . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.3.. Monitoreo de las emisiones acústicas . . . . . . . . . . . . . . . . . . . 14

2.3.. Extracción de indicadores de condición . . . . . . . . . . . . . . . . . . . 21

2.3.1.. Análisis en el dominio del tiempo . . . . . . . . . . . . . . . . . . . . . 22

2.3.2.. Análisis en el dominio de la frecuencia . . . . . . . . . . . . . . . . . . 30

2.3.3.. Análisis en el dominio tiempo-frecuencia . . . . . . . . . . . . . . . . . 34

2.4.. Selección de indicadores de condición . . . . . . . . . . . . . . . . . . . . 35

2.4.1.. Enfoques para la selección de indicadores . . . . . . . . . . . . . . . . 36

2.4.2.. Métodos de selección por ranqueo . . . . . . . . . . . . . . . . . . . . . 37

2.4.2.3.. Ganancia de información. . . . . . . . . . . . . . . . . . . . . . . . . 37

2.4.3.. Escalamiento de atributos . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.4.3.2.. Normalización Min-Max. . . . . . . . . . . . . . . . . . . . . . . . . 38

2.5.1.. Clasificador KNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.5.2.. Métricas de evalúa ción de clasificadores . . . . . . . . . . . . . . . . . 42

2.5.2.1.. Matriz de confusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.5.2.3.. Exactitud promediada. . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.5.3.. Entrenamiento de clasificadores por validación cruzada de K interacciones 43

2.6.1.. Estructuras de la fusión de datos . . . . . . . . . . . . . . . . . . . . . 44

2.6.1.1.. Fusión de datos a nivel de señal. . . . . . . . . . . . . . . . . . . . . 45

2.6.1.2.. Fusión de datos a nivel de indicadores de condición. . . . . . . . . . 45

2.6.1.3.. Fusión de datos a nivel de decisión. . . . . . . . . . . . . . . . . . . 46

3.1.. Descripción del funcionamiento del banco . . . . . . . . . . . . . . . . . 48

3.2.. Adquisición de las señales de monitoreo de la condición . . . . . . . . . . 49

3.3.. Configuración de la experimentación . . . . . . . . . . . . . . . . . . . . 53

3.3.1.. Configuración del banco para pruebas con engranajes . . . . . . . . . . 53

3.3.2.. Configuración de los parámetros del banco . . . . . . . . . . . . . . . . 53

3.4.. Planes experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.5.. Plan experimental uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.5.1.. Descripción de la configuración . . . . . . . . . . . . . . . . . . . . . . 55

3.5.2.. Bases de datos plan experimental uno . . . . . . . . . . . . . . . . . . 57

3.5.2.1.. Fallos simulados para severidad. . . . . . . . . . . . . . . . . . . . . 57

3.5.2.2.. Bases de datos adquiridas plan experimental uno . . . . . . . . . . . 61

3.6.. Plan experimental dos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

3.6.1.. Descripción de la configuración . . . . . . . . . . . . . . . . . . . . . . 63

3.6.2.. Bases de datos plan experimental dos . . . . . . . . . . . . . . . . . . 65

3.6.2.1.. Fallos y multifallos simulados. . . . . . . . . . . . . . . . . . . . . . 65

4.. Implementación y evalúa ción de los sistemas de diagnóstico de fallos en

4.1.. Descripción de los sistemas de diagnóstico . . . . . . . . . . . . . . . . . 71

4.2.. Adquisición y acondicionamiento de la señal . . . . . . . . . . . . . . . . 72

4.3.. Extracción de los indicadores de condición de las señales monitoreadas . 73

4.4.. Sistema de diagnóstico uno (SD1) . . . . . . . . . . . . . . . . . . . . . . 77

4.5.. Resultados del sistema de diagnóstico uno . . . . . . . . . . . . . . . . . 79

4.5.6.. Resultados del SD1 para la base de datos de 31 condiciones . . . . . . 124