desarrollo de sistema de monitoreo de mallas de …
TRANSCRIPT
UNIVERSIDAD DE CONCEPCIÓN
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
DESARROLLO DE SISTEMA DE MONITOREO DE MALLAS DE
HARNEROS INDUSTRIALES PARA MANTENCIÓN PREDICTIVA
BASADO EN APRENDIZAJE AUTOMÁTICO
Tesis para optar al grado de Magíster en Ciencias de la Ingeniería con mención
en Ingeniería Eléctrica
LUCIANO IGNACIO RADRIGAN FIGUEROA
CONCEPCIÓN-CHILE
2020
Profesor Guía: Pablo Esteban Aqueveque Navarro
Dpto. de Ingeniería Eléctrica, Facultad de Ingeniería
Universidad de Concepción
Profesor Co-Guía: Aníbal Morales Montecino
Dpto. de Ingeniería Eléctrica, Facultad de Ingeniería
Universidad Católica de la Santísima Concepción
Ninguna parte de esta tesis puede reproducirse o transmitirse bajo ninguna forma
o por ningún medio o procedimiento, sin permiso por escrito del autor.
1
AGRADECIMIENTOS
Quiero agradecer profundamente a mi madre y abuelos, por la formación que me
entregaron y el apoyo incondicional que han tenido siempre.
A Patricia, mi compañera, por su eterna confianza y paciencia en mí. Siempre
apoyándome ante las tomas de decisiones cruciales de la vida.
Agradezco a mis profesores guías, Dr. Pablo Aqueveque y Dr. Aníbal Morales,
por su constante ayuda, guía y sugerencias en el proceso de realización desde
mi memoria de pre-grado hasta el día de hoy. Y por cómo han sido mis principales
mentores en mi formación profesional. A todo el equipo de trabajo BioDaS por la
constante ayuda que recibí de su parte, e igualmente todos los buenos momentos
que hemos pasado juntos.
Agradecimientos especiales al Profe Zapata, quien me apoyo en los momentos
de crisis vocacional y me enseñó a “Trabajar con amor y amar el trabajo”. Que
donde quiera que esté, muchas gracias.
2
TABLA DE CONTENIDO
ÍNDICE DE TABLAS ........................................................................................... 6
ÍNDICE DE FIGURAS ......................................................................................... 8
RESUMEN ........................................................................................................ 12
ACRÓNIMOS .................................................................................................... 13
CAPÍTULO 1. INTRODUCCIÓN .................................................................... 15
1.1 Investigation General del Proyecto ...................................................... 15
1.2 Harneros industriales. .......................................................................... 18
1.2.1 Industria ........................................................................................ 18
1.2.2 Harneros Industriales .................................................................... 22
1.2.3 Mallas de Harnero ......................................................................... 25
1.2.4 Parámetros principales y características dinámicas de los harneros
29
1.2.5 Aplicaciones y estudios actuales ................................................... 34
1.3 Tipos de falla y mantenimientos .......................................................... 38
1.3.1 Fallas en sistemas mecánicos ...................................................... 38
1.3.2 Mantenimientos ............................................................................. 40
3
1.4 Algoritmos de detección de falla. ......................................................... 42
1.4.1 Internet Industrial de las Cosas ..................................................... 43
1.4.2 Machine Learning .......................................................................... 46
CAPÍTULO 2. HIPÓTESIS, OBJETIVOS Y METODOLOGÍA ........................ 53
2.1 Introducción ......................................................................................... 53
2.2 Hipótesis .............................................................................................. 53
2.3 Objetivo general ................................................................................... 53
2.4 Objetivos específicos ........................................................................... 54
2.5 Alcances y limitaciones ........................................................................ 54
2.6 Metodología ......................................................................................... 55
CAPÍTULO 3. DISEÑO Y DESARROLLO DE HARDWARE Y FIRMWARE
DE SISTEMA DE MEDICION. .......................................................................... 56
3.1 Introducción ......................................................................................... 56
3.2 Diseño general circuito de medición .................................................... 57
3.3 Diseño funcional de hardware ............................................................. 59
3.4 Fabricación malla inteligente ............................................................... 62
3.5 Desarrollo de firmware ......................................................................... 64
CAPÍTULO 4. DISEÑO DE SISTEMA DE COMUNICACIÓN ........................ 68
4.1 Introducción ......................................................................................... 68
4
4.2 Topología de Red ................................................................................ 68
4.3 Descripción Bases de datos ................... ¡Error! Marcador no definido.
4.4 Tamaño de Paquetes de Datos ........................................................... 70
CAPÍTULO 5. VARIABLES CRÍTICAS Y SISTEMAS DE ADQUISICIÓN Y
GENERACIÓN DE DATOS .............................................................................. 74
5.1 Introducción ......................................................................................... 74
5.2 Variables criticas .................................................................................. 75
5.3 Banco de ensayo ................................................................................. 78
5.3.1 Pruebas de banco de ensayo ........................................................ 83
5.4 Simulación en Rocky Dem ................................................................... 85
CAPÍTULO 6. ANALISIS DE DATOS, ALGORITMO DE PREDICCION DE
FALLA Y RESULTADOS. ................................................................................. 92
6.1 Introducción ......................................................................................... 92
6.2 Análisis de datos pruebas Banco de Ensayo ....................................... 92
6.3 Análisis de datos Simulación Multifásica ............................................. 97
6.4 Algoritmo de predicción de falla y desgaste ....................................... 100
6.4.1 Predicción de falla ....................................................................... 103
6.4.2 Predicción de desgaste ............................................................... 106
6.5 Resultados ......................................................................................... 110
5
CAPÍTULO 7. DISCUSIÓN GENERAL Y CONCLUSIONES ....................... 113
7.1 Discusión ........................................................................................... 113
7.2 Conclusión ......................................................................................... 116
7.3 Trabajos Futuros ................................................................................ 117
CAPÍTULO 8. REFERENCIAS .................................................................... 118
CAPÍTULO 9. ANEXO A: COMPARACIÓN DE COMPONENTES
ELECTRÓNICOS ............................................................................................ 127
A.1. COMPARACIÓN SENSORES INERCIALES ..................................... 127
A.2. COMPARACIÓN MICROCONTROLADORES .................................. 128
A.3. ESQUEMÁTICOS Y LAYOUT ........................................................... 128
6
ÍNDICE DE TABLAS
Tabla 1 Porcentaje de tipo de fallas en harneros ......................................... 24
Tabla 2 Principales factores en el proceso de clasificación. ...................... 32
Tabla 3 Causas que generar problemas en el movimiento de harneros. ... 33
Tabla 4 Sistema de monitoreos para harneros. ........................................... 37
Tabla 5 Agentes de los modos de falla. ........................................................ 40
Tabla 6 Protocolos capa física ....................................................................... 45
Tabla 7 Componentes Hardware de medición. ¡Error! Marcador no definido.
Tabla 8 Tipos de antenas. .............................................................................. 60
Tabla 9 Medición de inductancia de bobina ................................................. 62
Tabla 10 Escala de sensor de desgaste. .......... ¡Error! Marcador no definido.
Tabla 11 Escala de medición de batería. ......... ¡Error! Marcador no definido.
Tabla 12 Secuencia de modos de operación de dispositivos. ................... 71
Tabla 13 Secuencia de modos de operación de dispositivos en mallas
durante error de comunicación ..................................................................... 72
Tabla 14 Trasferencia de datos desde dispositivos en mallas hacia servidor
local por cada modo ....................................................................................... 72
Tabla 15 Información desde servidor local a terminal operador ................ 73
Tabla 16 Componentes de Red Banco de ensayo. ...................................... 83
Tabla 17 Parámetros para simulación RockyDem. ...................................... 89
Tabla 18 Identificación mallas de banco de ensayo .................................... 92
Tabla 19 Aceleración pico-pico por malla y eje. ........................................... 94
7
Tabla 20 Máximos y mínimos de valores RMS y fuerza neta. ..................... 97
Tabla 21 Ecuaciones de Flujo respecto a RMS acumulado. ....................... 99
Tabla 22 Características SVM ...................................................................... 101
Tabla 23 características de Naive Bayes .................................................... 102
Tabla 24 Porcentaje de frecuencia de cada estado para clasificación de falla.
........................................................................................................................ 104
Tabla 25 Resultados de clasificación con todas las variables ................. 105
Tabla 26 Resultados de clasificación con variables de aceleración en los 3
ejes. ................................................................................................................ 105
Tabla 27 Resultados de clasificación con variables RMS y RMS acumulado.
........................................................................................................................ 106
Tabla 28 Estado de malla respecto a desgaste. ......................................... 107
Tabla 29 Porcentaje de frecuencia de cada estado para clasificación de
desgaste. ....................................................................................................... 108
Tabla 30 Pruebas de Clasificadores con todas las variables entregadas por
simulación multifísica .................................................................................. 108
Tabla 31 Resultados de clasificación con variables de aceleración
entregadas por simulación multifísicas. ..................................................... 109
Tabla 32 Resultados de clasificación con variables de RMS acumulado y
RMS entregadas por simulación multifísicas. ............................................ 110
Tabla 33 Sensores adquiridos y probados en laboratorio para su
incorporación en el sistema sensor. ........................................................... 127
8
Tabla 34 Comparativa de microcontroladores evaluados para desarrollar el
sistema sensor. ............................................................................................. 128
ÍNDICE DE FIGURAS
Fig. 1-1 Impacto de la perforadora de pozo en los costos de perforación y
voladura. [3] ..................................................................................................... 19
Fig. 1-2 Costos de perforación y voladura. [3] .............................................. 19
Fig. 1-3 Forma de clasificación a) circuito abierto b) circuito cerrado ... 21
Fig. 1-4 Impacto de la distribución de explosiones en los costos de carga.
[3] ...................................................................................................................... 22
Fig. 1-5 Impacto de la distribución de explosiones en los costos de
transporte. [3] .................................................................................................. 22
Fig. 1-6 Harnero vibratorio [9]. ..................................................................... 24
Fig. 1-7 a) Esquema de una malla de clasificación b) Esquema de matriz
de mallas de clasificación .............................................................................. 25
Fig. 1-8 Malla de clasificación de acero [13]. ................................................ 26
Fig. 1-9 Malla de clasificación de poliuretano [13]. ..................................... 26
Fig. 1-10 Malla de clasificación de caucho [13]. ......................................... 27
Fig. 1-11 Obstrucciones por competencia y partículas casi del tamaño de la
abertura [9]....................................................................................................... 27
Fig. 1-12 Obstrucciones por humedad [9]. .................................................... 28
Fig. 1-13 Patrón de desgaste ........................................................................ 28
9
Fig. 1-14 Posición de caída de partículas en malla [9]. ................................ 30
Fig. 1-15 Flujos de las partículas a través del harnero. .............................. 31
Fig. 1-16 Grados de libertad malla de clasificación de harnero. ................. 33
Fig. 1-17 Movimiento de material particulado sobre el harnero [15]. ......... 35
Fig. 1-18 Modelo del esfuerzo realizado por el harnero [16]. ...................... 35
Fig. 1-19 Esquema sistema de monitoreo para harneros [19]. .................... 36
Fig. 1-20 Curva de la bañera [22]. .................................................................. 39
Fig. 1-21 Integración entre tópicos de la ingeniería ..................................... 42
Fig. 1-22 Esquema general de un sistema IoT [25]. ...................................... 43
Fig. 1-23 Estándares y protocolos comunes de IoT. ................................... 44
Fig. 1-24 Banco de ensayo sistema de adquisición. .................................... 49
Fig. 1-25 Etapas procesamiento de datos..................................................... 51
Fig. 1-26 Diagrama de algoritmos. ................................................................. 52
Fig. 3-1 Esquema general del sistema de medición. ................................... 57
Fig. 3-2 Bloques funcionales circuito de medición. ..................................... 59
Fig. 3-3 Modelo 3d de sistema de medición encapsulado en resina .......... 62
Fig. 3-4 Malla original (izquierda). Malla inteligente (derecha) .................... 63
Fig. 3-5 Ubicación algoritmos en sistema de medición. .............................. 64
Fig. 3-6 Diagrama de flujo Firmware. ............................................................ 67
Fig. 4-1 Diagrama de red ................................................................................ 69
Fig. 4-2 Diagrama de flujo de comunicación. ............................................... 73
Fig. 5-1 Vista isométrica de Banco de ensayo. ........................................... 79
10
Fig. 5-2 Implementación Banco de ensayo. .................................................. 80
Fig. 5-3 Diseño 3D pernos de fijación mallas inteligentes. ......................... 81
Fig. 5-4 Pernos en Banco de ensayo. ............................................................ 81
Fig. 5-5 Diseño de masa de desbalance. ...................................................... 82
Fig. 5-6 Fijacion de masa en motor ............................................................... 82
Fig. 5-7 Prototipo de Red de datos implementado en ambiente controlado:
sensores, backhaul, backbone, servidor TCP. ............................................. 83
Fig. 5-8 Vistas 3D de modelo de harnero minero vibratorio utilizado para
simulación. ...................................................................................................... 87
Fig. 5-9 Grafico entrada de material respecto a frecuencia. ....................... 88
Fig. 5-10 Grafico entrada de Material en el tiempo. ..................................... 88
Fig. 5-11 Simulación Harnero a carga nominal ............................................ 90
Fig. 5-12 Respuesta transiente y estacionaria de modelo de simulación 3D
de harnero vibratorio en Rocky DEM para un flujo de pasada de 4000
[Ton/h]. ............................................................................................................. 91
Fig. 5-13 Diagrama metodología para estimación de desgaste. ................. 91
Fig. 6-1 Sistema de referencia banco de ensayo. ........................................ 93
Fig. 6-2 Barrido en frecuencia. ....................................................................... 94
Fig. 6-3 Medición con excitación a 20 Hz ...................................................... 95
Fig. 6-4 FFT a medición con excitación a 20 Hz. .......................................... 95
Fig. 6-5 Señales impulso. ............................................................................... 96
Fig. 6-6 FFT señales impulsos ....................................................................... 96
11
Fig. 6-7 RMS Acumulado con distintos flujos .............................................. 98
Fig. 6-8 Relación RMS acumulado y flujo. .................................................... 98
Fig. 6-9 Curva de relación Flujo RMS acumulado. ....................................... 99
Fig. 6-10 Etiqueta generada por nivel de desgaste de malla. .................... 107
Fig. 9-1 Circuito esquemático microcontrolador ESP32-pico-d4. ............ 129
Fig. 9-2 Circuito esquemático de sensor inercial BMI160. ........................ 130
Fig. 9-3 Circuito esquemático de sensor de voltaje en batería. ................ 130
Fig. 9-4 Circuito sensor de desgaste. ......................................................... 131
Fig. 9-5 Circuito regulador de voltaje. ......................................................... 131
Fig. 9-6 Circuito antena. ............................................................................... 132
Fig. 9-7 Circuito de carga inalámbrica. ....................................................... 132
Fig. 9-8 Layout circuito de medición. .......................................................... 133
Fig. 9-9 Layout circuito de carga inalámbrica. ........................................... 133
12
RESUMEN
Este proyecto de tesis propone realizar una investigación referente al desarrollo
e implementación de un sistema que monitoreo de condiciones en mallas de
harnero para entregar indicadores claves estratégicos. El monitoreo se realiza a
través de “mallas inteligentes” de harneros, las que fueron diseñadas e
implementadas en la presente investigación. Uno de los principales objetivos es
que el diseño tenga el menor impacto en las tareas de O&M. Para esto se utilizó
modelos basados en datos y multifísicos, los que son analizados y procesados
mediante el desarrollo estadística descriptiva, modelos relacionales y data-driven
machine learning para determinar estado de salud, identificar problemas
operacionales, detección prematura de fallas y desgaste de mallas. Los
principales desafíos enfrentados, hacen referencia a la inexistencia de datos
etiquetados del proceso, como también a la carencia de modelos previos
basados en datos de los harneros para responder al problema planteado.
Actualmente este proceso se encuentra dentro de una nebulosa en la que los
patrones de operación reportados, el comportamiento de variables, parámetros
de proceso e incertidumbre por ruido de proceso, solo se obtiene a través de
medición de variables indirectas o de sistemas multifísicos.
Finalmente, los resultados obtenidos fueron que el sistema puede reconocer el
nivel de desgaste de las mallas de caucho y el estado de falla con una precisión
de un 97.5% y de un 97.9% respectivamente. Además, se propone un modelo
que permite estimar el flujo de mineral a través de las mediciones de aceleración.
13
ACRÓNIMOS
I.o.T: Internet of Things, Internet de las cosas.
I.I.o.T: Industrial Internet of Things, Internet industrial de las cosas.
IMU: Inertial Measurement Unit, Unidad de medida Inercial.
MEMS: Microelectromechanical Systems, Sistemas-Micro-Electro-
Mecánicos.
API: Application Programming Interface, Interfaz de programación de
aplicaciones.
PHP: Hypertext Preprocessor, Preprocesador de hipertexto.
I2C: Inter-Integrated Circuit, Circuito Inter-Integrado.
SDA: Serial Data, Datos seriales.
CLK: Serial Clock, Reloj serial.
CMD: Command prompt, Símbolo de sistema.
LIPO: Polímero de litio.
FFT: Fast Fourier Transform, Transformada rápida de Fourier.
B.D: Base de Datos.
MQTT: Message Queue Telemetry Transport, Transporte de telemetría de
la cola de mensajes.
IP: Internet Protocol, Protocolo de internet.
TCP: Transmission Control Protocol, Protocolo de control de transmisión
UDP: User Datagram Protocol, Protocolo de datagramas de usuario
ICMP: Internet Control Message Protocol, Protocolo de control de
mensajes de Internet
HTTP: Hypertext Transfer Protocol, Protocolo de transferencia de
hipertexto
CoAP: Constrained Application Protocol, Protocolo de aplicación
restringido
MAC: Media Access Control, Control de acceso a medios.
RTS: Request to Send, Petición para enviar.
14
CTS: Clear to Send, Borrar para enviar.
LAN: Local Area Network, Red de área local.
SLIT: Sistema lineal e invariante en el tiempo.
RMS: Robotic-driven maintenance system, Sistema de mantenimiento
robótico.
PrM: Predictive maintenance system, Sistema de mantenimiento
predictivo.
CM: Corrective maintenance, Mantenimiento correctivo.
eM: e-Maintenance system, Sistema de e-mantenimiento.
DM: Dynamic maintenance, Mantenimiento dinámico.
OM: Opportunistic maintenance, Mantenimiento oportunista.
TPM: Total productive maintenance, Mantenimiento productivo total.
M2M: Machine to Machine, Máquina a máquina.
15
CAPÍTULO 1. INTRODUCCIÓN
1.1 Investigation General del Proyecto
En el desarrollo de la industria existen avances técnicos tan trascendentes que
han marcado un antes y un después en los modos de producción. Con
incrementos sustanciales, a gran escala, de lo que producimos y por ende, en la
calidad de vida de las personas.
La Universidad de Concepción a través de su Centro para la Industria 4.0 ha
querido ser actor en la cuarta revolución industrial. De este modo, con la siguiente
memoria de Magíster en Cs. De la Ingeniería, se pretende aportar con un avance
en un desarrollo tecnológico de carácter industrial, nacional, para mejorar la
eficiencia y la productividad de los procesos de la industria minera,
específicamente equipos de clasificación llamados harneros.
La importancia de abordar a los equipos de esta naturaleza se fundamenta en
que cualquier falla que realizan; se traduce en que el material deba volver al
proceso de chancado y un error o deterioro en la clasificación tiene como
consecuencia la generación de un “cuello de botella”; es decir, una disminución
de la eficiencia y productividad de la industria desde el inicio de la línea
productiva. El rendimiento de los harneros se mide por la capacidad de separar
el material correctamente, que se puede calcular por la fracción de material
obtenida en cada salida. Esta eficiencia se ve afectada debido al desgaste de las
16
mallas de harneros, que a través de sus agujeros realizan la clasificación según
la granulometría para la cual son diseñadas.
Tomando en cuenta el alto nivel de desgaste de las mallas y los costos del
constante reemplazo, la estrategia de mantenimiento más adecuada no es la
correctiva, sino la predictiva. Es por lo que se propone investigar algoritmos que
permitan realizar una estimación en el desgaste de las mallas de clasificación de
los harneros. Para esto se diseña un sistema de adquisición de señales inerciales
embebido en el centro de cada una de las mallas, para luego desarrollar un
algoritmo de detección automática.
En la actualidad existen diversos estudios sobre el comportamiento mecánico de
los harneros y se han propuesto diversos modelos para caracterizar el sistema
con el objetivo de generar distintos planes de mantenimiento y evitar las fallas
imprevistas. Estos estudios se pueden categorizar según su forma de recopilar
y/o generar los datos, con los que caracterizan sus sistemas, dentro de los que
destacan: el medir las vibraciones de la estructura del harnero con equipos de
medición industrial, el generar un modelo de elementos discretos para simular la
caída del material sobre las mallas clasificadoras y generar un modelo de
elementos finitos de la estructura del harnero.
Las principales desventajas que presentan los modelos existentes, es que, si los
datos tienen de procedencia la medición, estas solo miden la estructura del
harnero y no las mallas, por lo que no se pueden medir las zonas expuestas a
una mayor fatiga; además todo el análisis se realiza “off-line”. Por otro lado, los
17
modelos generados a través de elementos discretos y elementos finitos son de
carácter ideal, pensados en condiciones ambientales específicas que muchas
veces no corresponde a la realidad de las plantas.
Por lo tanto, este trabajo propone sortear estas desventajas, desarrollando un
algoritmo que permita detectar el desgaste y/o probabilidad de falla en las mallas
de clasificación de los harneros. Este algoritmo, de carácter predictivo, utilizará
la medición de las vibraciones de las mallas durante su operación. Esta medición
se realizará con sensores inerciales de comunicación inalámbricas embebidos en
el centro de las mallas de clasificación.
La investigación se enmarca en el análisis vibratorio de las mallas clasificadoras
de un harnero vibratorio; esto se realiza a través de la implementación de circuitos
embebidos en las mallas de caucho, los que recopilan información y la envían a
través de una señal inalámbrica. Para la recopilación y elaboración del estado del
arte se abarcan tanto los conceptos teóricos y técnicos de los harneros vibratorios
industriales, análisis de vibraciones, fallas y mantenimiento y aprendizaje
automático.
18
1.2 Harneros industriales.
1.2.1 Industria
La clasificación de material sólido según su tamaño es una etapa de muchos
procesos industriales, dentro de los cuales destacan el rubro de la construcción
y la minería. En los procesos mineros, en particular, la clasificación
granulométrica es clave, ya que se relaciona directamente con la eficiencia de la
línea productiva, debido a que, si el material no cumple con la granulometría
específica, el material debe ser molido nuevamente [1]. Los principales procesos
en la industria minera son [2] [3] [4] [5]:
• Perforación y voladura: ambos procesos son parte de la “extracción de
mineral”, que tiene como objetivo sacar el mineral para llevarlo a la planta
donde es separado de otros minerales. En la perforación se hacen
hendiduras o agujeros en la tierra en las que ponen explosivos. Luego se
realiza la voladura que es fragmentar el macizo rocoso a través de la
detonación de los explosivos. Se puede observar en la Fig. 1-1 el impacto
del diámetro del perforadora de pozo en los costos de perforación y voladura,
en donde se aprecia un descenso de los costos de éstos, a medida que se
aumenta el diámetro de la perforadora de pozo con el que se perfora. En la
Fig. 1-2 se muestran los costos asociados.
19
Fig. 1-1 Impacto de la perforadora de pozo en los costos de perforación y voladura. [3]
Fig. 1-2 Costos de perforación y voladura. [3]
• Conminación y clasificación: la etapa de conminución depende del proceso;
en la fase inicial se tiene material rocoso de un tamaño muy heterogéneo que
puede ir desde 1 milímetro a 1 metro de diámetro, por lo que se debe
homogenizar el tamaño de las rocas previamente; este procedimiento se
conoce como chancado. El chancado tiene 3 etapas: la primera reduce el
diámetro máximo de los fragmentos a 8 pulgadas, la segunda lo reduce a 3
pulgadas y la tercera lo reduce a 0.5 pulgadas. Otro proceso de conminución
que se puede realizar (dependiendo de cuál es el producto para elaborar) es
20
la molienda; este proceso tiene como objetivo triturar el material llegando a
una granulometría de 0,18 milímetros. Para llevarlo a cabo, se realizan los
siguientes procedimientos:
• Molienda de barras: se compone de barras de acero de 3,5 pulgadas de
diámetro, las que muelen el material proveniente del chancado terciario.
Las barras se mueven libremente dentro del equipo, moliendo las rocas.
Luego el mineral es llevado a la molienda de bolas.
• Molienda de bolas: se compone de bolas de acero de 3,5 pulgadas y 3
kilos. El movimiento y choque de éstas va moliendo el material durante
un tiempo de 20 minutos, obteniendo material de un diámetro de 0,18
milímetros. Cabe destacar que varias plantas solo poseen este tipo de
molienda, prescindiendo de la molienda de barras.
• Molienda semiautógeno o molino SAG: recibe el mineral directamente
desde el chancado primario y se mezcla con agua y cal. El mineral se
reduce por dos motivos: el primero es porque las partículas son de
tamaño heterogéneo y el segundo es por el movimiento de las bolas de
acero, que se desplazan en caída libre cuando el molino gira.
Luego de cualquier proceso de conminución se realiza el cribado del material,
para saber si cumple con las dimensiones requeridas para los siguientes
procesos. Existen 3 tipos de clasificaciones:
• Clasificación gruesa: el material es clasificado con una malla de 4 o
menos aberturas por pulgada lineal.
21
• Clasificación final: el material es clasificado con malla de más de 4 y
menos de 48 aberturas por pulgada lineal.
• Clasificación ultra-fina: el material es clasificado con malla de más de 48
aberturas por pulgada lineal.
Cualquier falla en los equipos que realizan la clasificación se traduce en que
el material deba volver al proceso de conminución; esto puede suceder como
circuito cerrado o abierto, como se muestra en la Fig. 1-3.
Fig. 1-3 Forma de clasificación a) circuito abierto b) circuito cerrado
• Carga de material y transportación: para realizar la carga del material se
utilizan palas de cables eléctricos que cargan los camiones volquete. Luego,
en la transportación según la mina, se pueden utilizar camiones, trenes o
correas transportadoras; estos tienen como objetivo transportar las rocas a
las plantas de procesamiento. Esta etapa es de las más costosas en el
proceso de extracción. En la Fig. 1-4 y Fig. 1-5 se puede observar el valor
“K50” que expresa el porcentaje que pasa, tanto para los impactos de
explosiones en los costos de carga, como para las explosiones en los costos
22
de acarreo. Esto se puede producir porque el material es más difícil de cargar
debido a las rocas más grandes; la durabilidad del equipo cambia debido a
ciclos de trabajo más desgastante y/o falta de mantenimiento en los equipos.
Fig. 1-4 Impacto de la distribución de explosiones en los costos de carga. [3]
Fig. 1-5 Impacto de la distribución de explosiones en los costos de transporte. [3]
1.2.2 Harneros Industriales
Para realizar la tarea de clasificación se utilizan harneros industriales, el que se
define como una máquina electromecánica que tiene como objetivo clasificar
material según su tamaño. Esta clasificación se logra ya que estas máquinas
contienen mallas con múltiples aperturas de un tamaño determinado, que
permiten obtener una clasificación del material según los requerimientos del
proceso, es decir, el harnero tiene uno o dos pisos de mallas que actúan como
barrera para el paso de material de mayor tamaño. Por otro lado, el material de
23
menor tamaño atraviesa con facilidad. El material se clasifica desde un mayor a
un menor diámetro, este al tener un diámetro inferior a los 0.5 [mm] comienza a
volver ineficiente el proceso de clasificación [4].
Es importante considerar en el diseño del harnero que cada partícula tenga la
oportunidad de atravesar la barrera. En la práctica, cada partícula tiene varias
oportunidades de atravesar las mallas, debido a la longitud del harnero. Estos
pueden ser estacionarias o vibratorios, lo que ayuda a mover material de gran
tamaño sobre y de la superficie de cribado [6].
El rendimiento de esta máquina se mide por la capacidad de separar el material
correctamente, que se puede calcular por la fracción de material obtenida en cada
salida y se evidencia una clara relación entre el rendimiento y la inclinación,
amplitud y frecuencia vibratoria [7].
Los harneros que se encuentra actualmente en la industrias, trabajan con
motores de una frecuencia de operación que varía entre 700[rpm] y 1000[rpm]
con una amplitud entre 1,5[mm] y 6[mm], por lo que un harnero en funcionamiento
no llega a tener una gran aceleración de trabajo registrándose ciertos picos de
5g con una frecuencia de operación que se encuentra entre los 12[Hz] a los
28[Hz] [8].
En la Fig. 1-6,se puede observar los componentes elementales de un harnero
vibratorio, incluyendo el sistema generador de movimiento para estratificar y
transportar el material [9].
24
Fig. 1-6 Harnero vibratorio [9].
Al considerar el comportamiento mecánico, las piezas de los harneros que
presentan una alta tasa de fallos son aquellas que se ven expuestas a cargas
cíclicas exponiéndose a fallos por fatiga. Se mencionan el sistema de aislación y
el desgaste de las mallas, rodamientos y amortiguadores, además de solturas de
correas, fallas eléctricas entre otros. El 10% de las detenciones que realiza el
harnero corresponde a mantenimiento programado, el 90% restante de
detenciones no programadas se deben a fallas imprevistas. Estas se pueden
observar en la Tabla 1 [10].
Tabla 1 Porcentaje de tipo de fallas en harneros
Tipo de Falla Porcentaje
Estructural 32%
Eléctricas 20%
Operacionales 12%
Motrices 12%
Otro tipo 24%
25
1.2.3 Mallas de Harnero
Como se mencionó anteriormente, el proceso industrial de separación de
partículas según su granulometría se realiza a través de harneros vibratorios;
estos contienen una matriz de mallas con orificios predefinidos que definen la
pasada libre del material. En la Fig. 1-7 se observa en a) el esquema de una
malla clasificadora y en b) la matriz de mallas la que se ubica en uno de los pisos
del harnero. Estas mallas están sometidas a desgaste por la fricción que genera
el material al desplazarse a través de ellas, por lo que es necesario cambiarlas
periódicamente, dependiendo de la aplicación industrial y el tipo de material a
clasificar [11].
Fig. 1-7 a) Esquema de una malla de clasificación b) Esquema de matriz de mallas de clasificación
Las mallas pueden variar en dimensión y en su material de fabricación, por lo que
pueden tener diferentes usos y comportamientos mecánicos. Dentro de estos
destacan [12] [13]:
• Rejillas de alambre: se caracterizan por tener una alta resistencia. Sin
embargo, debido al material del cual están hechas (acero), se corroen con
facilidad al estar expuestas a la humedad, lo que es una gran limitante, ya
26
que en la actualidad los harneros trabajan con material humedecido para
mejorar el flujo de estos a través de sus mallas de clasificación. La geometría
de estas puede variar como se observa en la Fig. 1-8.
• Plástico como monofilamento y poliuretano: se pueden separar las partículas
húmedas del material sin tener corrosión. Uno de los grandes problemas de
este tipo de mallas es que se rompen con facilidad cuando se someten a altas
fuerzas y presiones. La geometría de estas puede variar como se observa en
la Fig. 1-9.
• Caucho: tiene una alta elasticidad y puede soportar altas fuerzas y presiones.
La geometría de estas puede variar como se observa en la Fig. 1-10.
Fig. 1-8 Malla de clasificación de acero [13].
Fig. 1-9 Malla de clasificación de poliuretano [13].
27
Fig. 1-10 Malla de clasificación de caucho [13].
Los principales problemas con las mallas: las obstrucciones que ocurren durante
su tiempo de operación. Existen 3 tipos de obstrucciones [9]:
• Obstrucciones por partículas casi del tamaño de las aberturas, por lo que se
traban en éstas y bloquean el paso de otras partículas o de partículas finas,
como se observa en la Fig. 1-11.
• Obstrucciones por varias partículas pequeñas que llegan en el mismo
instante a una abertura, dificultándose el paso de éstas, por lo que ninguna
partícula pasa, a pesar de tener un tamaño menor que la abertura, como se
observa en la Fig. 1-11.
• Obstrucciones por partículas finas con un alto contenido de humedad, que se
adhieren a las paredes de las aberturas y tapan la abertura, como se observa
en la Fig. 1-12.
Fig. 1-11 Obstrucciones por competencia y partículas casi del tamaño de la abertura [9].
28
Fig. 1-12 Obstrucciones por humedad [9].
En la Fig. 1-13 se muestra el patrón de desgaste de la malla, cualitativamente
hablando; el panel rojo se ve mucho más deteriorado que el panel de goma;
además se observan las ranuras bloqueadas con rocas incrustadas. La falta de
flexibilidad del poliuretano no ayuda a mantener las ranuras limpias. Reduciendo
así el área real de paso libre.
Fig. 1-13 Patrón de desgaste
29
1.2.4 Parámetros principales y características dinámicas de los harneros
El proceso de clasificación es un proceso probabilístico por lo que no es 100%
eficiente. Por lo que se deben generar las condiciones idóneas para brindar y
aumentar la probabilidad a las partículas de traspasar las aberturas de las mallas
y así lograr maximizar el tonelaje procesado y una mayor eficiencia de
clasificación. Esto significa controlar los parámetros operacionales al máximo,
considerando el cambio que optimiza la eficiencia de harneado. Para ajustar los
parámetros se debe tener presente los siguientes puntos [9]:
• Existe un alto nivel de probabilidad de que la partícula traspase las aberturas
de las mallas si estás no exceden el 50% del tamaño de la abertura; en el
caso de que partícula sea casi del tamaño de la abertura de la malla es muy
probable que ésta no pase a través de los agujeros.
• Las mallas clasifican en dos dimensiones, sin embargo, las partículas tienen
tres dimensiones. Esto complica el proceso de clasificación, provocando que
algunas partículas que tienen solo 1 dimensión con el tamaño de la abertura
sean rechazadas por la malla. Como consecuencia se tiene que para que
una partícula pase por las aberturas de una malla con abertura, por lo menos
dos de sus dimensiones deben ser inferiores al tamaño de la abertura.
• El harneo no clasifica las partículas de forma individual, sino más bien un
conjunto de partículas, éstas compiten entre sí para pasar a través de las
aberturas.
30
• Las partículas al desplazarse sobre las mallas adquieren velocidad, lo que
dificulta su paso a través de las aberturas y necesitan un tiempo. Mientras
mayor sea el tiempo de exposición de las partículas en las aberturas, mayor
es la probabilidad que tienen de pasar a través de ellas.
• El harnero recibe material desde un plano vertical y que cambia de dirección
a un plano más horizontal en la superficie de la malla. Por lo que el material
particulado ofrece a las aberturas de la malla su dimensión mayor,
reduciendo sus probabilidades de pasar por las aberturas. Esto se puede
observar en la Fig. 1-14.
Fig. 1-14 Posición de caída de partículas en malla [9].
Para maximizar el rendimiento de un harnero vibratorio, según los parámetros
descritos anteriormente, se debe estratificar el material, prevenir la unión entre
las partículas, prevenir las obstrucciones y separar el material en la mayor
cantidad de fracciones. También se debe considerar que el transporte del
material que alimenta al harnero, es decir, la cantidad de material que la máquina
de clasificación puede transportar debe ser proporcional a la capacidad de carga
del harnero. En la Fig. 1-15 se observa un esquema el que identifica los flujos de
las partículas a través del harnero [13].
31
Fig. 1-15 Flujos de las partículas a través del harnero.
Los factores que caracterizan la capacidad de carga y la eficiencia de un harnero
se observan en la ecuación (1).
• CC= capacidad de carga.
• m = masa en movimiento en el cuerpo de la pantalla.
• v = velocidad del material sobre la cubierta.
• s = longitud del trazo.
• n = velocidad de rotación (RPM).
• l = longitud de la pantalla.
• c = constante derivada de los datos de rendimiento.
𝐶𝐶 =𝑚 ∗ 𝑣 ∗ 𝑠2 ∗ 𝑛2
𝑐 ∗ 𝑙
(1)
• 𝐴1= porcentaje de la alimentación que pasa por la malla
• 𝐴2=% de la alimentación que es bajo tamaño y debería pasar por la malla
• ERM=eficiencia de recuperación de material
32
𝐸𝑅𝑀 =𝐴1
𝐴2
(2)
Existen siete principales factores en el proceso de clasificación que afectan la
capacidad y eficiencia del cribado en el material particulado. Esto se puede
observar en la Tabla 2.
Tabla 2 Principales factores en el proceso de clasificación.
Factores modificadores que afectan la
clasificación
Impacto
Mayor porcentaje del tamaño medio de
alimentación
Aumenta la capacidad
Menor porcentaje de sobredimensionamiento de
alimentación
Aumenta la capacidad
Clasificación en húmedo Aumenta la capacidad
Aberturas ranuradas Aumenta la capacidad
Humedad en el material particulado Reduce la capacidad y la eficiencia
Forma de partícula alargada Reduce la capacidad y la eficiencia
Material de tamaño cercano a ranura de malla Reduce la capacidad y la eficiencia
Al igual que cualquier otro sistema mecánico, los harneros se pueden describir
en función de sus grados de libertad. Cada grado de libertad tiene asociado una
frecuencia natural y por ende un modo de vibrar. En la Fig. 1-16 se observa un
harnero con sus respectivos grados de libertad, en donde los ejes x, y, z,
corresponden a ejes longitudinales y los 𝛼, 𝛽, 𝛾 a los ejes torsionales, que
33
corresponden a las deformaciones angulares presentadas en el sistema
vibratorio.
Fig. 1-16 Grados de libertad malla de clasificación de harnero.
Las dimensiones de la estructura, es decir largo, ancho y espesor influye en la
rigidez y en la masa vibratoria involucrada en el movimiento, lo que afecta en los
valores que tomen las frecuencias naturales y sus modos de vibrar asociados.
Del mismo modo los niveles de amortiguación serán una característica intrínseca
del material. En la Tabla 3 se observan 8 principales sucesos que causan
inconvenientes en el movimiento de un harnero.
Tabla 3 Causas que generar problemas en el movimiento de harneros.
Causas problema movimientos
Amortiguador instalado a desnivel Carga lateral
Amortiguador rotos o desgastados Sobrecarga
Sujetadores flojos Obstrucciones en mallas
Acumulación de material en cubierta o cubiertas. Velocidad de partículas
34
Debido a la cantidad de piezas que constituyen a los harneros y el nivel de carga
a la que se ven expuestas, es que una práctica generalizada para el diseño y
análisis mecánico y estructural, se realice mediante un análisis de elementos
finitos para la estructura y un análisis de elemento discretos para simular el flujo
másico; ambos se realizan para generar modelos de forma individual como
acoplados, esto con el objetivo de estimar las frecuencias naturales, los modos
de vibrar y los esfuerzos y puntos críticos del modelo.
1.2.5 Aplicaciones y estudios actuales
Como se mencionó anteriormente, el proceso de clasificación mediante harneros
vibratorios industriales es sumamente importante por el impacto que tienen en el
resto de la línea de proceso. Debido a esto es que actualmente existen sistemas
que tienen como objetivo estudiar el trabajo realizado por los harneros, los más
implementados en la actualidad son los siguientes:
• Elaboración de modelo a través de técnicas de simulación por computadoras:
los más utilizados son análisis por elementos finidos y análisis por elementos
discretos. Ambos métodos tienen como objetivo identificar los principios
físicos que rigen el sistema de estudio y elaborar un modelo matemático que
puede describir y predecir el comportamiento cuantitativo como cualitativo
[14]. En la Fig. 1-17 y Fig. 1-18, se observa respectivamente el modelo del
movimiento de material particulado sobre el harnero desarrollado mediante
elemento discreto y el modelo del esfuerzo realizado por el harnero durante
35
su funcionamiento desarrollado mediante elemento finitos. Ambos modelos
fueron desarrollados en el Software ANSYS [15] [16].
Fig. 1-17 Movimiento de material particulado sobre el harnero [15].
Fig. 1-18 Modelo del esfuerzo realizado por el harnero [16].
• Existen sistemas que monitorean la estructura del harnero a través de una
pluralidad de sensores. Empresas como Metso y imi-sensors proveen estas
aplicaciones [17] [18]. Las aplicaciones funcionalmente son bastantes
parecidas, constan de sensores apernados en la estructura del harnero que
miden vibraciones y se comunican de forma alámbrica o inalámbrica con un
servidor, donde se guardan y procesan los datos. Este funcionamiento se
puede observar en la Fig. 1-19 [19]. Lo que está en mayor medida sujeto a
36
cambios en estos sistemas, son los sensores; estos varían según su tamaño,
precisión de medición y precio.
Fig. 1-19 Esquema sistema de monitoreo para harneros [19].
37
Tabla 4 Sistema de monitoreos para harneros.
SKF Copperhead
Vibration/Temperature sensors
+ SKF IMx Platform
CONiQ Online
(Vibration/Temperature
sensors)
Schenck Process
Metso ScreenWatch
Detección On-line
Bloqueo Mallas
No, sistema monitorea condición operacional mecánica y estructural
harnero, no monitorea condición operacional de mallas individuales
No, sistema sólo puede
identificar la ocurrencia de
numerosos bloqueos
simultáneos, no monitorea
condición operacional de mallas
individuales
Detección On-line
Carga
Desbalanceada
No, sistema sólo puede identificar elevados niveles de desbalance en carga de harneros, no monitorea
condición operacional de mallas individuales.
Detección On-line
Fallas Aleatorias de
mallas
No, sistema monitorea condición operacional mecánica y estructural
harnero, no monitorea condición operacional de mallas individuales.
sistema no puede detectar fallas aleatorias de mallas en línea.
No, sistema sólo puede
identificar la pérdida de múltiples
mallas vecinas en forma
simultánea, no monitorea
condición operacional de mallas
individuales.
Rendimiento
Clasificación On-
line
No, sistema sólo monitorea condición operacional mecánica y estructural de harnero, sistema no tiene
capacidad de estimar el rendimiento de clasificación en línea.
38
1.3 Tipos de falla y mantenimientos
1.3.1 Fallas en sistemas mecánicos
Una falla es una condición o evento no deseado de una estructura, componente
o elemento de máquina, afectando la operación de un equipo para realizar una
función determinada. Se considera que un equipo “ha fallado” cuando se
presenta alguna de las siguientes condiciones [20]:
• Sistema o elemento completamente inoperable.
• Sistema o elemento puede continuar operando por algún tiempo de forma
insatisfactoria.
• Sistema o elemento opere con las con las condiciones mínimas de seguridad.
En resumen, se considera que un sistema ha fallado si ha dejado de operar o
bien su operación es insatisfactoria para el proceso y/o afecta la seguridad de los
operarios.
La fenomenología en el tiempo de las fallas puede ser descritas por una típica
curva de la bañera, en donde una alta tasa de fallas en un periodo inicial de
operación se explica a causa de la inexperiencia de los operarios en el uso y
mantenimiento del mismo. Sigue un periodo de tasa de fallas constantes propias
del proceso culminando con otra fase alta de tasa de fallos explicada como la
última fase de periodo de vida del equipo [21]. La curva de la bañera se muestra
en la Fig. 1-20.
39
Fig. 1-20 Curva de la bañera [22].
Es importante señalar que la falla, como fenómeno, tiene una causa por la cual
el análisis de falla se aboca a desentrañar para dirimirla y así evitar o acotar todas
las posibles condiciones que la generaron; esto se conoce como “Análisis de
Falla en Equipos Industriales”. Las fallas pueden ser clasificadas por alguna de
las siguientes tres categorías [22]:
• Manifestación de falla.
• Agentes que inducen a la falla.
• Localización de la falla.
Los “modos de falla” son caracterización objetiva de la misma, estas definen
cualquier cambio de tamaño, forma o propiedad de la materia de una estructura,
máquina o componente de esta, que atente contra el buen desempeño del equipo
o la seguridad de su operación hacia el entorno. Por lo tanto, un modo de falla se
define como un proceso físico que se conjugan o combinan para producir la falla.
Agrupando los diferentes factores que pueden producirla, a través de su
manifestación, se obtienen las siguientes variables [22]:
40
• Deformación elástica.
• Deformación plástica.
• Ruptura a fractura.
• Cambio en propiedades del material (metalúrgico, químico o nuclear).
Los agentes de los modos de falla se agrupan como se muestra en la Tabla 5.
Tabla 5 Agentes de los modos de falla.
Fuerza Tiempo Temperatura Condición reactiva
Estacionaria Muy corto Baja Química
Transiente Muy largo Ambiente Nuclear
Cíclica Largo Elevada
Aleatoria Estacionaria
Transiente
Cíclica
Aleatoria
1.3.2 Mantenimientos
Actualmente existen una gran cantidad de tipos de mantenimientos. Es debido a
esto que existe la necesidad de evaluar sus distintos desempeños, con el objetivo
de determinar las mejores prácticas que se utilizarían para mantener y
administrar de mejor manera los harneros vibratorios. Dentro de la industria se
destacan siete tipos de mantenimientos utilizados en harneros. Para evaluarlos
estos se sometieron a diferentes cargas de producción, con esto se concluye la
siguiente lista de metodologías, en orden decreciente de efectividad. [23]
41
• Robotic-driven maintenance system: Es el mantenimiento que requiere
tecnología robótica para realizar tareas de mantenimiento a través de un
conjunto de sistemas de retroalimentación inteligentes que atienden la
manipulación de datos, desencadenando respuestas y comunicándose con
otros sistemas digitales.
• Predictive maintenance system: Sistema de mantenimiento que utiliza
algoritmos inteligentes de diagnóstico y pronóstico para determinar el estado
funcional de los diferentes subsistemas de la máquina y también predecir
cuándo se debe mantener cada uno de los subsistemas.
• Corrective maintenance: Mantención de un equipo no planificada una vez que
se ha ocurrido una avería o falla en el equipo en cualquiera de sus
subsistemas, con el fin de restaurar su estado a su fase funcional.
• e-Maintenance system: Sistema de mantenimiento computarizado que
incorpora tecnologías de información y comunicación utilizando diferentes
algoritmos de diagnóstico y pronóstico, así como los algoritmos de
planificación y programación de mantenimiento, con el objetivo de lograr un
monitoreo del rendimiento en tiempo real de las máquinas.
• Dynamic maintenance: Sistema de mantenimiento que incorpora a los
clientes inestables y demandas dinámicas para formular y alcanzar políticas
y estrategias de mantenimiento óptimas para administrar las máquinas
utilizadas en las industrias.
42
• Opportunistic maintenance: Mantención sistemática y estratégica que se
lleva a cabo cuando ocurre una falla no programada de subsistema y una
“oportunidad” de reparación para prolongar la vida útil del subsistema del
equipo.
La evaluación y selección del sistema de mantenimiento, al seleccionar el mejor
sistema de gestión de mantenimiento, para garantizar una funcionalidad,
fiabilidad y mantenibilidad óptimas de máquinas utilizadas en sus industrias.
1.4 Algoritmos de detección de falla.
Para diseñar e implementar algoritmos de detección de falla se requiere elaborar
una serie de procedimientos. En la Fig. 1-21 se puede ver una propuesta
simplificada de éstos, en la que destacan tres diferentes tópicos de la ingeniería
el primero Internet industrial de las cosas, el segundo machine learning y
finalmente mantenimiento predictivo. Estos tres tópicos combinados nos permiten
diseñar un sistema integral de detección de falla o caracterización.
Fig. 1-21 Integración entre tópicos de la ingeniería
43
1.4.1 Internet Industrial de las Cosas
El Internet de las Cosas o Internet of Things (IoT) consiste en conectar un
conjunto de dispositivos de medición o accionamiento a la “nube”, como se
muestra en la Fig. 1-22. Es ahí donde se pueden simplemente almacenar o
procesar para generar acciones. El objetivo del IoT es “hacer que Internet sea
aún más inmersiva y omnipresente. Además, al permitir un fácil acceso e
interacción con una amplia variedad de dispositivos, como por ejemplo
electrodomésticos, cámaras de vigilancia, sensores de monitoreo, actuadores,
pantallas, vehículos, etc.” [24].
Fig. 1-22 Esquema general de un sistema IoT [25].
El concepto “IoT” ha crecido significativamente en la última década debido a su
gran cantidad de aplicaciones. Éstas han evolucionado de usos en domótica,
wearables, Smart Meter, gestión de mantenimiento, dispositivos médicos; lo que
conlleva elevar el desarrollo a estándares industriales. Dentro de este contexto
surge el concepto “Industrial Internet of Things” (IIoT) que busca comunicar una
gran cantidad de dispositivos de forma inalámbrica, rápida, confiable y de bajo
costo, con el objetivo de obtener la mayor cantidad de información del sistema
monitoreado.
44
Uno de los objetivos principales del IoT es unificar todo en nuestro mundo bajo
una infraestructura común, dándonos el control de las cosas que nos rodean,
como también manteniendo a los usuarios informados del estado de los
dispositivos.
En la actualidad existe una gran variedad de tecnologías de transmisión
inalámbrica de datos. Estas varían entre sí, por diferentes características como
por ejemplo la capacidad de transmisión de datos, rango de distancia de
transmisión de datos, consumo de energía, seguridad, topología de red (punto a
punto, estrella o mesh), entre otros.
La Fig. 1-23 muestra la arquitectura en capas con los protocolos comunes de IoT
utilizados para aplicaciones y mensajería, enrutamiento y dispositivos físicos.
Fig. 1-23 Estándares y protocolos comunes de IoT.
Dependiendo de la aplicación, los factores como el alcance, velocidad de
transferencia, seguridad, potencia y autonomía dictarán cuál es la mejor
alternativa a la hora de elegir una red inalámbrica u otra. Dentro de la capa física
se encuentran los protocolos de la [26] [27] [28]:
45
Tabla 6 Protocolos capa física
Protocolo Estándar
Basado Frecuencia
Alcance
máximo
Velocidad de
transferencia
WiFi 802.11n 2,4G[Hz] y 5G[Hz] 70[m] 600 Mbps
Bluetooth Bluetooth 4.2. 2,4GHz. 100[m] 1Mbps.
Red de
telefonía
móvil
UMTS/HSPA
(3G), LTE (4G).
900,1800,1900,2100
MHz - 3-10Mbps
ZigBee IEEE 802.15.4 2.4GHz 10-100m 250kbps
46
1.4.2 Machine Learning
Con un número cada vez mayor de sistemas embebidos que monitorean distintos
equipos (máquinas electromecánicas, automóviles entre otros), nace la
posibilidad de monitorear y registrar los datos de los sistemas. A través del
Internet de las cosas (IIoT) se aprovechan los datos de las máquinas captados
por los sensores, para posteriormente aplicar diversos algoritmos y obtener
información útil. Los datos capturados por las máquinas suelen ir acompañados
de un componente de fecha y hora que resulta vital para el modelado predictivo.
Con los datos recopilados durante la operación de los equipos, se obtiene
información que nos permite detectar anomalías y predecir fallas. Para esto se
enfatizan dos áreas de estudio, el primero el campo de detección de tipo de falla
y el segundo mantenimiento predictivo mediante una técnica de aprendizaje
automático [29]. Este último tiene como pilar de funcionamiento utilizar los
recursos mínimos de mantenimiento sin comprometer la fiabilidad del sistema. El
mantenimiento predictivo está estrechamente relacionado con el campo de los
pronósticos.
Los modelos que pronostican el estado de “salud” utilizan modelos físicos de la
máquina o de datos. Los modelos basados en conocimiento físico distinguen el
comportamiento del sistema utilizando las leyes asociadas al sistema
monitoreado [30] [31]. Estos modelos requieren un conocimiento acabado del
comportamiento mecánico, por lo que son muy difíciles de implementar en para
aplicaciones con respuestas dinámicas o procesos complejos [32] [33]. Por otro
47
lado, los modelos basados en datos utilizan datos de monitoreo de condiciones
para analizar y predecir las condiciones de salud [34]. Gran parte de estos
modelos se basan en el reconocimiento de patrones para realizar su pronóstico
y suelen ser más simples de implementar ya que no suelen necesitar una gran
capacidad de cómputo [35]. La precisión de la predicción depende del conjunto
de entrenamiento por lo que la limitación de estos enfoques es la cantidad y
variabilidad de los datos [36].
A. Adquisición y tipos de datos
En la detección y predicciones de fallas es clave el buen uso de la información,
es por esto la relevancia que toma la adquisición de datos. En la actualidad los
sistemas de detección de fallas y mantenimiento predictivo se implementan junto
con un sistema de adquisición de datos implementado a priori. Los sistemas de
adquisición de datos existentes no cumplen necesariamente con el objetivo
principal de una detección de tipo de falla y mantenimiento predictivo. Esto se
puede ejemplificar con los sensores basados en IoT, que tendrán como eje
central de su diseño la eficiencia energética y reducir los costos de comunicación.
Lo que puede tener como consecuencia el no adquirir la cantidad suficiente de
datos para la detección de falla o bien no poder informar la falla de forma
oportuna. Por lo que los sistemas de adquisición deben ser adaptados según la
naturaleza física del proceso que se monitorea, para así poder sintonizar el
enfoque de mantenimiento predictivo con los sistemas de adquisición de datos
[37].
48
Con el desarrollo de los sistemas embebidos los sensores se han vuelto más
“inteligentes”, más pequeños, más eficientes en su consumo de energía, más
económicos, más fáciles de implementar y exportar a sistemas ya existentes, así
como más baratos y confiables. Los sensores convierten los valores físicos en
valores como voltaje, corriente, resistencia o capacitancia. Con este valor
mecánico, uno puede interpretar los datos de diferente naturaleza vibración,
datos acústicos, temperatura, humedad, clima, altitud, etc. Estos datos se dividen
en tres categorías [38]:
• Tipo de valor: los datos que se recopilan en una ventana de tiempo
determinado para una condición, por lo que las variables de monitoreo tienen
un solo valor.
• Forma de onda: los datos que se recopilan en una ventana de tiempo
determinado para una condición, por lo que las variables de monitoreo son
una serie de tiempo.
• Tipo multidimensional: los datos que se recopilan en una ventana de tiempo
determinado para una condición, por lo que las variables de monitoreo son
multidimensionales. Dentro de estas destacan datos de imágenes,
termógrafos infrarrojos, imágenes de rayos X, entre otros.
Para la adquisición de datos, se suele usar un “banco de ensayos” estándar que
es el de la Fig. 1-24 Este se compone de un conjunto de actuadores y sensores
controlados por un controlador, todos los datos generados por este sistema son
almacenados en el servidor, para luego ser procesados y en algoritmos.
49
Fig. 1-24 Banco de ensayo sistema de adquisición.
Los algoritmos de detección de falla y de mantenimiento predictivo, tienen dos
tipos de adquisición de datos, denominados push o pull. Los sistemas de
adquisición tienen dos tipos de respuestas, la primera basado en extracción, en
esta el usuario envía una consulta al sistema y este responde, la frecuencia de
esta respuesta va a depender del usuario. Por otro lado, existen las respuestas
basadas en inserción, este consiste en que el sistema comunica el estado o
comportamiento descrito anteriormente de forma autónoma cuando los valores
cambien recientemente.
Los sistemas de monitoreo que operan “tiempo real” deben procesar datos de
forma que el tiempo de procesamiento no sea significativo en términos de la
detección de tipo de falla y mantenimiento predictivo. Además, cabe destacar que
estos sistemas suelen tener un costo de la eficiencia energética y la
comunicación son altos en los sistemas en tiempo real. Estos pueden transferir
una cantidad considerable de información inútil a algoritmo de detección
50
predictiva de fallas y mantenimiento predictivo [39].
Una alternativa de estos son los sistemas de adquisición de datos por ventanas
o intervalos de tiempos, estos son sistemas basado en extracción. El intervalo de
tiempo para transferir los datos puede tener diferentes longitudes y frecuencias.
Este tipo de sistema se utiliza cuando los costos de energía y/o tráfico de datos
de la comunicación son altos, esto tiene como consecuencia que los paquetes
de datos enviados suelen ser un indicador clave y no todos los valores de la
medición.
La observación de una propiedad mediante aprendizaje automático se denomina
característica. Por lo general se observan varias características
simultáneamente, si estas son independientes entre sí, mayor será el esfuerzo
del algoritmo de aprendizaje automático. El conjunto de características se llama
vector de características.
Para las aplicaciones de detección de falla y mantenimiento predictivo, los datos
recopilados por el sistema de adquisición se deben pre-procesar [40] . Esto tiene
como objetivo mejorar el rendimiento del algoritmo de aprendizaje automático,
estos valores pre-procesados se convierten en el vector de características del
sistema. Para realizar un correcto pro-procesamiento de los datos se debe
considerar tres etapas, la primera de “Procesamiento de la señal” que realiza la
interpretación, generación y transformación de los datos sin procesar. La
segunda denominada “selección de características” que seleccionan un
subconjunto de las características, estas deben ser las más representativas del
51
sistema. Finalmente se tiene la etapa de “extracción de características” que
genera nueva información combinando características. Estas etapas pueden
interactuar en diferente orden con los datos en bruto o con los algoritmos, estas
interacciones se pueden observar en la Fig. 1-25.
Fig. 1-25 Etapas procesamiento de datos.
B. Técnica de aprendizaje
Las técnicas que actualmente se utilizan en los modelos de pronósticos son
variadas, estas difieren entre sí en características de utilización de recursos
computacionales, tiempo de ejecución, esfuerzo de cálculo y disponibilidad de
datos históricos.
En la Fig. 1-26 se observa los distintos requerimientos que cada una de las
técnicas requiere para lograr un adecuado funcionamiento. Procesos como las
regresiones o clasificadores gaussianos y matrices de coincidencias son
computacionalmente ineficientes, por lo que no son recomendables para
implementaciones en sistema de monitoreo en tiempo real. Los modelos de
Markov, redes neuronales artificial y el sistema neuro-difuso requieren una gran
52
cantidad datos históricos para realizar el pronóstico, en cambio modelos basado
en lógica difusa y SVM requieren una cantidad de datos moderados.
Fig. 1-26 Diagrama de algoritmos.
Como se dijo anteriormente los algoritmos que requieren ser implementados en
sistemas computacionales con una alta tasa procesamiento por lo que no son
recomendables para tareas de monitoreo en tiempo real. Por otro el
requerimiento detener una base de datos históricos robusta es un desafío para
la implementación de estos algoritmos en aplicaciones industriales. Ya que los
datos históricos no siempre están disponibles o bien catalogados y esto se
traduce en pronósticos imprecisos poco fiable puede provocar una falsa alarma
y un tiempo de inactividad innecesario de la máquina [41].
53
CAPÍTULO 2. HIPÓTESIS, OBJETIVOS Y METODOLOGÍA
2.1 Introducción
Este trabajo responde a la necesidad de desarrollar un producto mínimo viable
de un sistema de medición de comunicación inalámbrica para el análisis de las
variables críticas de una malla de harnero. Para implementar este proyecto es
necesario integrar conocimiento de varios tópicos, dentro de los que destacan las
tecnologías de información, sistemas embebidos, sistemas de comunicación
inalámbricas, internet de las cosas, machine learnig, procesamiento digital de
señales entre otros. En este capítulo se definirán la hipótesis, objetivo general,
objetivos específicos y alcances de este proyecto de investigación.
2.2 Hipótesis
Si se introduce un sistema de adquisición de vibraciones en tiempo real en un
conjunto de mallas de harnero y se procesan con algoritmos de aprendizaje
automático. Se obtiene como resultado un sistema de detección del estado de
salud del harnero.
2.3 Objetivo general
Desarrollar un sistema de caracterización inercial de la pantalla vibratoria de un
harnero, utilizando las aceleraciones y el desgaste de las mallas de caucho para
la detectar su estado de salud.
54
2.4 Objetivos específicos
• Estudiar la factibilidad técnico-teórica de mantenimiento predictivo vibratorio
a harneros en operación, estableciendo parámetros críticos objeto de
evaluación que permitan determinar el desgaste o falla.
• Diseñar e implementar sistema electrónico de adquisición de datos y análisis
de señales vibratorias para mallas de harnero.
• Implementar sistemas de adquisición de datos a través de pruebas
experimentales y modelos de simulación.
• Desarrollar e implementar algoritmos para la caracterización del panel
vibratorio del harnero.
• Generación de bases de datos simulados y experimentales para
entrenamiento, validación y testeo.
• Entrenamiento, validación, testeo y selección de algoritmos de machine
learnig para la detección del estado de salud de las mallas de harnero.
2.5 Alcances y limitaciones
Los algoritmos de detección de fallas serán entrenados con señales adquiridas a
través de distintas pruebas a la que se somete el banco de ensayo diseñado.
Este emula el comportamiento de un harnero sin carga. Para adquirir datos del
harnero con carga se utiliza el software de Rocky Dem.
55
2.6 Metodología
Por lo expuesto en la revisión bibliográfica es que actualmente no se han medido
las aceleraciones en las mallas de harnero, durante el tiempo de operación; por
lo que esta investigación se plantea como una investigación exploratoria y
descriptiva [42].
La primera etapa del trabajo consiste en la adquisición de señales vibratorias de
las mallas de harnero, la recopilación de los datos se prueba en el banco de
ensayos diseñado. La recopilación de información se realiza con un sistema de
medición inalámbrico basado y desarrollado en la memoria de título “Diseño e
implementación de un sistema IIoT para el análisis estructural en mallas de
harneros” [43]. Por otro lado, se utiliza el software RockyDem el que permite
simular el comportamiento del harnero ante distintas condiciones de carga. Los
datos recopilados son analizados con herramientas descriptivas, como promedio,
desviación estándar, coeficiente de variación. Seguido a la adquisición de
información se buscan modelos que establezcan correlación entre las señales
vibratorias y el desgaste. Finalmente se testean y ajustan diferentes algoritmos
para la detección de fallas.
56
CAPÍTULO 3. DISEÑO Y DESARROLLO DE HARDWARE Y FIRMWARE
DE SISTEMA DE MEDICION.
3.1 Introducción
El sistema de medición y monitoreo de vibraciones para las mallas de caucho de
harneros industriales, utilizan como base sensores inerciales, un
microcontrolador de la familia ESP de Espressif y un sensor de desgaste. Con
estos componentes se implementa un sistema de recopilación, monitoreo y
análisis de aceleraciones y desgaste de mallas de harneros. El sistema de
medición recibe y envía información desde las mallas del harnero al servidor; esto
mediante una red inalámbrica de protocolo de Wi-Fi IEEE 802.11n. El servidor
cumple tres tareas: la primera el almacenar en una base de datos todos los
valores enviados por los sensores de las mallas. La segunda tarea es alojar el
software de control, configuración y monitoreo de las mallas; la última tarea del
servidor consiste en almacenar los datos en la “nube”, es decir, en un espacio de
almacenamiento virtualizados, con el objetivo de ser visualizados por terceros
[44]. El esquema general del sistema de medición se puede observar en la Fig.
3-1.
57
Fig. 3-1 Esquema general del sistema de medición.
3.2 Diseño general circuito de medición
En el diseño de hardware se deben considerar tres condiciones: la primera es
que éste debe ir inserto en la malla de caucho. Para esto se utiliza uno de los
agujeros de la malla, garantizando que no afectara el porcentaje de “pasada” o
de selección. Esto tiene como consecuencia que la electrónica embebida debe
ser lo más pequeña posible (no debe exceder las dimensiones de 30x50x15
[mm]). La segunda condición hace referencia a los costos, ya que el precio de
una malla de caucho es aproximadamente $100, por lo que el sistema de
medición anexado a las mallas de caucho debe ser bajo (menor a $15 por
unidad). Como se mencionó anteriormente toda la electrónica esta embebida en
la malla, lo que conlleva que se debe optimizar al máximo el consumo energético,
ya que el sistema solo se podrá cargar cuando se termine la vida útil de la malla
58
(la que puede oscilar entre 24 a 90 días). El hardware contiene los siguientes tres
elementos principales:
• Sensores: los sensores deben medir las vibraciones a las cuales están siendo
excitadas las mallas, además de la deformación de la estructura. Para esto
se utilizan acelerómetros y giroscopios de 3 ejes cada uno. Por otro lado, se
incorpora un sensor de desgaste, que consiste en la medición de variación
de voltaje generado por resistencias de sacrificio. Por último, se cuenta con
un sensor que mide el voltaje de la batería, esto a través de un divisor de
voltaje.
• Sistema de procesamiento y comunicación: el microcontrolador tiene la tarea
de tomar los datos obtenidos de los sensores, procesarlos y enviarlos a
través de una comunicación inalámbrica. Este sistema debe consumir la
menor energía posible y procesar una gran cantidad de datos.
• Sistema de energización: la energización del sistema debe permitir funcionar
cada uno de los elementos del sistema sensor mientras la malla esté en
operación, esto es hasta 90 días, para esto se utilizará una batería de
Polímero de Litio.
Como se muestra en la sección A.1 en la Tabla 30, se comparan distintos
sensores inerciales y microcontroladores; esto, con el objetivo de seleccionar los
componentes más adecuados para el diseño del hardware de medición.
Considerando los criterios principales expuestos anteriormente de tamaño,
eficiencia energética y precio es que se selecciona el sensor inercial BMI160, el
59
microcontrolador esp32 pico d4, el regulador de voltaje LT1761ES5 y el circuito
de regulación de carga Mcp73831.
3.3 Diseño funcional de hardware
El circuito de medición se compone de once bloques funcionales. Estos cumplen
funcionalidades de procesamiento y almacenamiento de datos, sistema de
comunicación, medición de variables, alimentación y regulación de energía. En
la Fig. 3-2 se observa como estos bloques interactúan entre sí. Cabe destacar
que tres bloques funcionales se encuentran integrados en el microcontrolador
“ESP32 pico D4”. Esto ayuda a disminuir el tamaño del sensor diseñado.
Fig. 3-2 Bloques funcionales circuito de medición.
• Sistema de procesamiento: tiene como función procesar y gestionar la
información del sistema, entre los que destacan Rtos, periféricos, entre otros.
El hardware contiene un oscilador de 40 MHz y una memoria RAM de 520
60
kB. Durante el proceso de comunicación inalámbrica (WiFi) este tiene un
consumo promedio de 80m[A]. El sistema de procesamiento cuenta con los
periféricos necesarios de comunicación, entre los que destacan para la
presente aplicación, el “circuito inter-integrado” (I2C) y el “conversor análogo
digital” (ADC) de 12 bits de resolución.
• Sistema de comunicación RF: se compone por un controlador WiFi, el
sistema es compatible con 802.11 b/g/n, con un rango de frecuencia que va
desde los 2.4 a 2.5 GHz.
• Sistema de almacenamiento Flash: permite la lectura y escritura de múltiples
posiciones de memoria. El hardware contiene una memoria de 4 Megabytes.
• Antena: tiene como objetivo de emitir y/o recibir ondas electromagnéticas
hacia el espacio libre o hacia otro dispositivo transmisor. En la Tabla 7 se
pueden ver distintos tipos de antenas [45]. Debido a los requerimientos de
dimensiones y eficiencia es que se utiliza la antena modelo “AN043”.
Tabla 7 Tipos de antenas.
DN007 AN043 DN004 DN024 AN048
Frecuencia 2.4 GHz 2.4 GHz 2.4 GHz 2.4 GHz 2.4 GHz
Eficiencia 80% (EB) 68% (EB) 80% (EB) 76% (EB) 55% (EB)
Ancho de banda 280 MHz 101 MHz 100 MHz 354 MHz 150 MHz
Dimensiones (mm) 26x8 15x6 46x9 38x25 7x3
61
• Sensor inercial BMI160: sistema micro-electro-mecánico el cual cuenta con
un microcontrolador, que permite configurar rangos de medición y
sensibilidad entre otros parámetros. La interfaz de comunicación entre el
sensor inercial y el sistema de procesamiento es I2C.
• Sensor de desgaste: permite cuantificar el desgaste de las mallas de harnero,
esto a través de un divisor de voltaje, que por un nodo está conectado al
convertidor análogo digital del sistema de procesamiento y por el otro nodo
conectado a cuatro resistencias en paralelo equidistantes.
• Regulador de voltaje: mantiene un nivel de tensión constante a 3.3 [V], puede
regular este voltaje aun cuando el voltaje de entrada es muy similar al de
salida.
• Medición de voltaje en batería: captura la caída del voltaje en la batería
mientras el circuito de medición está en operación.
• Batería de lipo: energiza el circuito de medición.
• Sistema de carga inalámbrica: para el diseño del cargador inalámbrico, se
utilizará la configuración de serie-paralelo y así tener un voltaje de entrada y
un voltaje de salida; esta configuración es más simple de diseñar, eficiente y
acepta un mayor rango de distancia. Además, el diseño del sistema de carga
inalámbrica contempla operar a una frecuencia de 130 K[Hz]
• Bobina: para evitar generar interferencia entre el enlace inductivo de carga y
la antena del sensor de comunicación, es que se decide dividir los
componentes de la Fig. 3-2 en dos placas PCB. La bobina está diseñada en
62
la PCB que tiene un tamaño de 13x51. Con estas dimensiones se obtiene
una bobina que a 130 K[Hz] tiene las características expuestas en la Tabla
8.
Tabla 8 Medición de inductancia de bobina
Parámetro Valor
Inductancia 0.892 µH
Resistencia 1.145 Ω
Fase 32.466°
impedancia 1.35 Ω
3.4 Fabricación malla inteligente
El sistema de medición se ubica en el centro de la malla de caucho, al lado del
alma de acero y desplazado 6 mm hacia abajo de la cara superior. El dispositivo
de medición y la batería van encapsulados dentro de un bloque de resina como
se observa en la Fig. 3-3.
Fig. 3-3 Modelo 3d de sistema de medición encapsulado en resina
El encapsulamiento del dispositivo de medición y su batería se realizó en un
bloque de resina epóxica. Las dimensiones del bloque mostrado en Fig. 5 1 son
63
53 x 18.5 x 32.5 [mm]. El proceso de encapsulamiento en resina se lleva a cabo
en un molde de silicona compuesto de 2 partes. La parte inferior que contiene la
resina y la parte superior que permite el posicionamiento del sensor electrónico y
la batería en el molde, evitando que estos floten libremente en la resina durante
el periodo de curado. Para centrar los elementos en el molde se utilizaron
soportes de plástico de impresión 3D tipo PLA, que aseguran el posicionamiento
de los elementos a encapsular y evita que éstos queden expuestos sin cobertura
de resina.
Una característica esencial de las mallas de harnero es el porcentaje de pasada,
ya que tiene una directa relación con el rendimiento del proceso de clasificación.
En la Fig. 3-4 al lado izquierdo se observa la malla original (sin electrónica
embebida), utilizando el software inventor se calcula un 36.3% de área de
pasada. En la misma figura al lado derecho se observa la “Malla inteligente” que
tiene un área de pasada del 35.1%. Por lo que toda la electrónica embebida solo
baja un 1.2% el porcentaje de pasada.
Fig. 3-4 Malla original (izquierda). Malla inteligente (derecha)
64
3.5 Desarrollo de firmware
El firmware tiene como tareas establecer una comunicación entre el
microcontrolador y los sensores, siendo capaz de realizar la configuración de
estos y luego la adquisición de datos. Por otro lado, también debe gestionar la
comunicación inalámbrica (WiFi) del microcontrolador con el servidor a través de
la conexión del socket TCP. Esta comunicación se diseña de carácter
bidireccional. Esto se puede observar en la Fig. 3-5.
Fig. 3-5 Ubicación algoritmos en sistema de medición.
El firmware desarrollado en el sistema de “mallas inteligentes” debe tener como
características los siguientes puntos:
• Las mediciones realizadas deben ser fidedignas, con tasas de muestreo
homogéneas.
• Debe realizar las tareas de conexión, medición y transferencia de datos en el
menor tiempo posible; con el objetivo de disminuir el consumo energético.
• Ante cualquier imprevisto durante la ejecución, el firmware debe ser capaz
de reintegrarse en el siguiente ciclo de operación.
65
Debido a estos puntos se decide traspasar la mayor cantidad de procesamiento
de los datos al servidor, considerando que ninguna de las funciones que
componen el firmware son de carácter “bloqueante”, es decir, que ante cualquier
percance existe un “time out” que permite que el algoritmo continúe su ejecución.
En la Fig. 3-6, se puede observar el diagrama de flujo del firmware, en donde:
• Ciclo condicional 1: consulta si se ha establecido satisfactoriamente la
conexión a la red inalámbrica
• Ciclo condicional 2: verifica si la cantidad de intentos de conexión a la red es
menor a la cantidad máxima de intentos (determinado por el desarrollador).
• Ciclo condicional 3: consulta si se ha establecido satisfactoriamente la
conexión al socket TCP (que se encuentra alojado en el servidor)
• Ciclo condicional 4: verifica si la cantidad de intentos de conexión al socket
es menor a la cantidad máxima de intentos. (determinado por el
desarrollador)
• Ciclo condicional 5: verifica el modo de operación que el servidor entrega a
la malla, según el valor de este se continua en uno de los 4 modos de
operación existentes.
Los modos se definen como:
• Modo 0: el dispositivo se encuentra desactivado en modo “deep sleep”. Se
activa aplicando una señal inercial externa, la que debe ser capaz de
traspasar un umbral determinado por el desarrollador. Luego de esto busca
una red y puerto predeterminadas.
66
• Modo 1: este modo tiene un comportamiento análogo al Modo 0, con la
diferencia que el dispositivo se activa a través de un reloj interno del
microcontrolador. Este modo se ejecutará siempre que el sistema esté en
operación y que por alguna razón presente fallas en la comunicación con la
red inalámbrica o con el socket TCP.
• Modo 2: en este modo el dispositivo se encuentra registrado en el sistema,
esperando recibir un paquete de datos de configuración del servidor TCP. Si
esto no ocurre el dispositivo utiliza su configuración por defecto.
• Modo 3: en este modo el dispositivo se encuentra realizando mediciones
inerciales de la malla del harnero, dentro de las cuales se obtienen datos del
acelerómetro y del giroscopio, ambos dispositivos son triaxiales.
Cabe destacar que el detalle de las funciones que componen el firmware se
detalla en el anexo A.4.
67
Fig. 3-6 Diagrama de flujo Firmware.
68
CAPÍTULO 4. DISEÑO DE SISTEMA DE COMUNICACIÓN
4.1 Introducción
En este capítulo se propone un sistema que comunica los dispositivos de
medición con la base de datos alojada en el servidor local. Esta se realiza
mediante una red WiFi local. El servidor gestiona la información enviada desde
el sensor de medición a un servidor TCP que luego almacena la información en
la base de datos SQL. En el diseño de la base se definen las tablas y variables
como también quienes son los usuarios autorizados para realizar consultas de
lectura y/o escritura. Finalmente se presentan los distintos paquetes de datos
generados por el sistema de medición de “mallas inteligentes”.
4.2 Topología de Red
La red diseñada transporta datos entre 2 nodos geográficamente próximos, por
lo que se utiliza una red LAN. Por otro lado, en la capa física el sensor diseñado
utiliza comunicación WiFi con topología estrella. La implementación de la red se
utiliza hardware que cumpla con las siguientes características:
• Ser pequeño y portátil
• Soportar una gran cantidad de dispositivos conectados en forma simultánea.
Debido a las características anteriormente mencionadas, se decide implementar
el servidor mediante un minicomputador Asus UN65U, el que tiene un procesador
Intel Core i7-7500U que llega a operar a 3.5GHz, además de 16 GB de memoria
RAM DDR3L, con sistema operativo Ubuntu.
69
El sistema de comunicación se compone de un router Asus RT-AC5300 estándar
y universal 1024-QAM de alta velocidad con ancho de banda 20/40/80 Mhz, este
es el encargado de enrutar los dispositivos con el servidor. Por otro lado, se
tienen dos acces point modelo Rocket M2 con acople a antenas Ubiquiti AIRMAX
AMO-2G13 MIMO omnidireccional. Esto permite iluminar de mejor manera el
harnero y evita saturar los puntos de accesos con un gran número de dispositivos
conectados. Finalmente, para poder acceder al sistema de forma remota y que
este no dependa de una conexión local a internet se utiliza el modem 3g /4g
RUT955 que cuenta con un sistema de redundancia, es decir, soporta 2 tarjetas
sim. La interacción entre todos los elementos mencionados anteriormente se
muestra en la Fig. 4-1.
Fig. 4-1 Diagrama de red
Los microcontroladores tienen dos comportamientos durante su funcionamiento,
el primero es procesar y enviar los datos a la base de datos y el segundo de
desconectarse de la red y activar el modo de bajo consumo energético, para
70
optimizar la asignación de las IP de cada dispositivo es que se utiliza una
asignación desde el router de una IP estática asignada por MAC.
En el servidor se ejecutan diferentes servicios que permiten la implementación
de un sistema de comunicación IIoT, estos servicios deben ser de alta
confiabilidad en la trasmisión de datos, multiplataformas y trabajar sobre un
sistema operativo estable y seguro.
Por otro lado, el diseño de la base de datos diseñada tiene que ser un
intermediario entre las mallas instrumentalizadas y la interfaz de usuario. Es
debido a esto que existirán dos bases de datos, la primera se compondrá de cinco
tablas, las cuales son invisibles para la interfaz de usuario. La segunda base de
datos contendrá tres tablas las cuales están visibles para la interfaz de usuario.
Cada una de estas tablas contiene variables de escritura y/o lectura, accesibles
para ciertos usuarios. En el anexo A.5 se detalla el contenido de las tablas de la
base de datos .
4.3 Tamaño de Paquetes de Datos
El firmware desarrollado en el sistema de “mallas inteligentes” consiste en 4
modos de operación posibles para cada dispositivo sensor embebido en mallas:
Modo 0: el dispositivo se encuentra desactivado en modo “Deep Sleep”. Se activa
aplicando una señal inercial externa, busca una red y puerto predeterminadas. Al
realizar esta acción, el dispositivo envía un paquete de 11 Bytes, los que
corresponden a su MAC e información del protocolo de comunicación.
71
Modo 1: este modo tiene un comportamiento análogo al Modo 0, con la diferencia
que el dispositivo se activa a través de un clock interno del microcontrolador. Este
modo se ejecutará siempre que el sistema esté en operación y que por alguna
razón presente fallas en la comunicación con la red inalámbrica o con el socket
TCP.
Modo 2: en este modo, el dispositivo se encuentra registrado en el sistema, éste
envía un paquete de 11 Bytes que corresponden a su MAC y la solicitud de
configuración, el sistema le responde con 8 Bytes.
Modo 3: en este modo el dispositivo se encuentra midiendo el funcionamiento del
harnero vibratorio. Se envía un paquete de 1730970 Bytes o 1.65 MegaBytes
cada 15 minutos, que corresponden al ID del dispositivo, Aceleraciones y
Velocidad angular en sus 3 ejes a 400 Hz, estado de batería y medición de
desgaste.
El sistema de medición está configurado para realizar una trasferencia de
información cada 15 minutos. Además, los dispositivos solo pueden estar en uno
de los modos definidos previamente, por lo que cualquier cambio de modo puede
ejecutase sólo en el próximo periodo de envío de información. La secuencia de
cambios de modo en un dispositivo se observa en Tabla 9.
Tabla 9 Secuencia de modos de operación de dispositivos.
0:00 0:15 0:30 0:45
Modo 0 Modo 2 Modo 3 Modo 3
72
En caso de haber un problema de comunicación en la red local o con el socket
TCP la secuencia de cambios de modo se observa en Tabla 10
Tabla 10 Secuencia de modos de operación de dispositivos en mallas durante error de comunicación
Fallo de
Comunicación
Fallo de
Comunicación 0:00 0:15 0:30 0:45 1:00 1:15
Modo 0 Modo 2 Modo 1 Modo 3 Modo 1 Modo 3
El detalle de la trasferencia de datos que se realiza entre los dispositivos y el
servidor por cada uno de los modos se puede observar en la Tabla 11
Tabla 11 Trasferencia de datos desde dispositivos en mallas hacia servidor local por cada modo
Cada 15 min
Tipos de modo Bytes por
Dispositivo
Bytes por 90
Dispositivos
Modo 0 11 990
Modo 1 11 990
Modo 2 19 1710
Modo 3 19233 1730970
Otro flujo importante de información se realiza en la interfaz de visualización en
la red local. Esta muestra los valores RMS en cada eje, estado de batería y nivel
de desgaste de cada una de las mallas, además de mostrar los KPI del harnero.
El detalle de la trasferencia de datos hacia el servidor se puede observar en la
Tabla 12.
73
Tabla 12 Información desde servidor local a terminal operador
Cada 15 min
Bytes
Flujo de 1 Dispositivo 100
Flujo de 90 dispositivos 5440
En la Fig. 4-2 se observa la “ubicación” de las distintas tasas de trasferencia de
datos respecto al diagrama general de comunicación.
Fig. 4-2 Diagrama de flujo de comunicación.
74
CAPÍTULO 5. VARIABLES CRÍTICAS Y SISTEMAS DE ADQUISICIÓN Y
GENERACIÓN DE DATOS
5.1 Introducción
La detección de fallas en mallas de harnero actualmente se basa en modelos
donde se requiere conocimiento a priori sobre el proceso. Estos modelos se
basan en el historial del proceso y una de las dificultades de implementar estos
sistemas es la gran cantidad de datos históricos que se requieren [49]. A través
de esta información se generan planes de mantenimientos preventivos con un
periodo determinado por el historial de fallas, estos historiales no consideran
información acerca de la física del proceso monitoreado, por lo que disminuyendo
el periodo entre las tareas de mantenimiento esperan disminuir la probabilidad de
fallas catastróficas del equipo [50].
Los algoritmos revisados en el capítulo 1.4, utilizan datos que deben caracterizar
el comportamiento del sistema durante la operación normal y durante la
operación con falla. Por lo mencionado anteriormente, este capítulo presenta la
metodología para la obtención de datos través de dos métodos. El primer método
consiste en utilizar un “banco de ensayo”, el que replica el funcionamiento de un
harnero. Las pruebas realizadas en el “banco de ensayo” permiten caracterizar
el espectro en frecuencia de las aceleraciones del harnero sin carga ante
diferentes excitaciones vibracionales. El segundo método consiste en la
simulación de un harnero en funcionamiento, a través de métodos de elementos
finitos y discretos a través del software RockyDem. Esta simulación ayuda a
75
caracterizar el comportamiento en amplitud de las aclaraciones frente a distintos
niveles de carga
5.2 Variables criticas
En el CAPÍTULO 3, se muestra el diseño del hardware que va inserto en la malla
de caucho. Este cuenta con un sensor inercial que nos permite medir las
vibraciones a las que la malla está siendo excitada, por otro lado, el hardware
cuenta con un sensor de desgaste de caucho. En el firmware se implementó un
sistema de reportabilidad, por lo que se puede obtener el tiempo de operación de
las mallas de caucho. Todas estas variables aportan desde diferentes
perspectivas para el entrenamiento de algoritmos de detección de fallas.
El análisis de vibraciones se enfoca en el análisis a través del comportamiento
vibratorio en el tiempo de un sistema. Estas pueden ser caracterizadas por la
amplitud y la frecuencia con la que el sistema vibra en los tres ejes: X, Y, Z. Los
análisis pueden llevarse en el dominio tiempo y frecuencia, por lo tanto, podremos
determinar si el equipo tiene como síntoma un nivel vibratorio que lo hace
incompatible con la vibración y también podríamos determinar las causas
originadas analizando con más acuciosidad el componente frecuencial de la
señal. Sin embargo, las vibraciones de un sistema pueden ser ocasionadas por
estímulos externos e internos al sistema, lo que hace más difícil cualquier tipo de
diagnóstico, no obstante, la vibraciones originadas al interior del sistema en forma
de energía cinética son originadas por el movimiento de un motor, impacto,
fuerzas inerciales, desbalanceamientos o algún tipo de mecanismo de
76
movimiento recíproco al interior del conjunto entre otros, que luego son disipadas
por los conjuntos o componentes dispuestos para aquello, como amortiguadores
o suspensores; no obstante, las vibraciones como movimientos intermitentes de
partes mecánicas generará cargas fluctuantes que son el origen de la fatiga de
los materiales o ruptura de elementos. Por lo tanto, la vibración, al describir un
movimiento, puede ser cuantificada por una magnitud energética del mismo,
desprendida de la energía cinética, llamado promedio raíz cuadrático (RMS), que
es el mejor indicador que en mecánica describe los estados de severidad
vibratoria en los cuales una máquina puede verse sometida. De este modo, la
amplitud se utiliza como control de una sintomatología mecánica no admisible y
la frecuencia, en encontrar sus causas; debido a que las causas pueden ser
múltiples e indistinguibles, el análisis vibratorio a través del RMS es preferente.
𝑅𝑀𝑆 = √ 𝑅𝑀𝑆𝑥2 + 𝑅𝑀𝑆𝑦
2 + 𝑅𝑀𝑆𝑧2 (1)
Al abordar un poco más con respecto a la frecuencia de los sistemas vibratorios,
en un espectro de una máquina pesada, solo deben aparecer los componentes
espectrales al giro de todos los elementos rotatorios al interior de ella y la
frecuencia natural de la estructura, además de todos los equipos a su alrededor
y componentes del sistema transmisor de la onda, en este caso, el suelo. De esta
forma, distinguimos la no linealidad de los sistemas mecánicos (piezas que han
superado el límite elástico o la zona de hook, o solturas en los equipos), al no ser
lineal, el espectro arrojará una serie de componentes aleatorias en diferentes
77
intervalos de tiempo, haciendo imposible el diagnóstico. La frecuencia sólo será
efectiva si el sistema es lineal, es decir, la frecuencia será altamente exitosa en
sistemas rotodinámicos estáticos y en ambientes de desempeño no severamente
agresivos para la cual la máquina fue diseñada. Es el caso de los harneros,
sistemas mecánicos, altamente modelables puesto que sus condiciones de
frontera serán relativamente estables [51] [52].
La evaluación de la severidad vibratoria es la evaluación de operación
estandarizada de los equipos, utilizando la intensidad vibratoria efectiva de
operación y zonas de riesgo. Normativas como la ISO 2372 convergen en la
descripción de las zonas, mencionadas y descritas a continuación
• Zona A, buena, las máquinas nuevas o recientemente reacondicionadas
puestas en servicio, normalmente deberían estar en esta zona.
• Zona B, aceptable, puede operar sin restricción en un periodo de largo tiempo.
• Zona C, insatisfactorias, para una operación continua de periodo prolongado.
• Zona D, inaceptable, los valores de la vibración podrían causar daño a la
máquina.
Sumado al análisis vibracional se incorporan las variables de Tiempo de
operación, es decir el tiempo efectivo que las mallas llevan en operación y el
desgaste de estas.
78
5.3 Banco de ensayo
El banco de ensayo tiene el objetivo de emular el comportamiento de un harnero
(a escala de laboratorio) sin carga. Los algoritmos de pronósticos que se utilizan
en el banco de ensayo se basan en los datos, por lo que no requiere un nivel de
comprensión física de mucho detalle. Este enfoque tiene ventajas, una de las
principales consiste que no requiere estudios acabados de los modelos físicos de
degradación y dinámica, además, se capturan modos de falla desconocidos. Sin
embargo, se requieren muchos datos desde la operación normal del banco de
ensayo hasta la falla. Aun así, la estimación adolece de hechos provocados por
fallas poco frecuentes y las relaciones aprendidas muy pocas veces tienen en
cuenta la causalidad. El banco de ensayo debe homologar de la mejor manera el
funcionamiento del sistema a monitorear.
El banco de ensayo propuesto se compone de tres elementos principales. El
primero es la estructura de acero que imita la forma a escala de un harnero
vibratorio. El segundo es el DECK o pantalla vibratoria, la que, a través de una
matriz de mallas de caucho, realiza la clasificación del material. El tercer
elemento es el sistema electromecánico el que permite excitar vibratoriamente
de forma controlada el banco de ensayo.
La estructura se compone por un marco de acero que sostiene un arreglo de
mallas compuestas por barras de acero. La dimensión consta de una base
rectangular de 125x80 [cm], por sobre de esta base se proyecta un triángulo con
una altura de 57 [cm] y una diagonal de 108 [cm]. En la base rectangular se fijan
79
dos travesaños para fijar el motor. El banco de ensayo cuenta con un sistema de
aislación mecánica, el que se compone de cuatro resortes, estos van apernados
a los pies del banco de ensayo y a un marco base.
La estructura permite posicionar dos columnas con tres mallas cada una como
se observa en la Fig. 5-1 y Fig. 5-2.
Fig. 5-1 Vista isométrica de banco de ensayo.
80
Fig. 5-2 Implementación banco de ensayo.
Para realizar la excitación vibratoria controlada en el banco de ensayo se utiliza
un motor trifásico modelo M2BAX de fabricante ABB. Este motor tiene una
potencia de 0.52KW y llega a las 1000 revoluciones por minuto. Para el
accionamiento se utiliza un variador de frecuencia modelo ACS150 de fabricante
ABB. Este variador utiliza una fuente de alimentación de monofásica y salida
trifásica.
Para fijar las mallas inteligentes al banco de ensayo, se diseñan un par de
“pernos” macho-hembra de ácido poliláctica. El perno macho tiene un diámetro
de 20 [mm] y un largo de 35 [mm]. El perno hembra tiene un diámetro de 22[mm]
y un largo de 28 [mm]. En la Fig. 5-3 se muestra el diseño 3D de los pernos y en
la Fig. 5-4 se observa una imagen de su utilización en el Banco de Ensayos.
81
Fig. 5-3 Diseño 3D pernos de fijación mallas inteligentes.
Fig. 5-4 Pernos en banco de ensayo.
Para que el motor excite vibratoriamente al banco de ensayo, se debe
desbalancear. Para esto se diseña una pieza que se compone de una
semicircunferencia de 20 [cm] de diámetro, 5 [cm] de espesor y una abrazadera.
El diseño 3D de esta pieza se puede observar en la Fig. 5-5 y su implementación
en la Fig. 5-6.
82
Fig. 5-5 Diseño de masa de desbalance.
Fig. 5-6 Fijación de masa en motor
Las pruebas realizadas en el banco de ensayos cumplen 2 objetivos principales,
el primero es evaluar y validar el funcionamiento del sistema propuesto, esto a
nivel de hardware, firmware y software. El segundo es recopilar la respuesta del
banco de ensayo ante distintas vibraciones.
83
5.3.1 Pruebas de banco de ensayo
El banco de ensayo consta de seis mallas inteligentes, las que se conectan vía
WiFi a través de un router Asus RT-AC1200 al servidor. Este último es
implementado en minicomputador Asus UN65U, que consta con características
como un procesador Intel Core i7-7500U, 16 GB de memoria RAM DDR3L y
sistema operativo Ubuntu. El minicomputador aloja un servicio de servidor TCP
que recopila la información de las mallas inteligentes y las almacena en la base
de datos SQL. Se toma como base el sistema propuesto en Fig. 4-1 y se
implementa como se muestra en la Fig. 5-7.
Fig. 5-7 Prototipo de red de datos implementado en ambiente controlado: sensores, backhaul, backbone, servidor TCP.
Tabla 13 Componentes de Red Banco de ensayo.
Componente Función/Marca/Modelo
A Modem 3G/4G RUT955
B Router Asus RT-AC5300
C Switch TL-SG105E
D Antenas Ubiquiti AIRMAX AMO-2G13 MIMO omnidireccionales
E PoE Aps
F Access Points (APs) Ubiquiti Rocket M2
84
En el banco de ensayo se realizan 3 pruebas:
1- Excitar la estructura a través de señales impulsos.
2- Excitar la estructura con vibraciones en un rango de frecuencias. Este barrido
de frecuencia se realiza en los rangos con cotas mínimas y máximas en la que
opera un harnero.
3- Excitar la estructura a la frecuencia de operación más común en los harneros
vibratorios, es decir 20[Hz].
Cabe destacar que los análisis de estas pruebas tienen ciertas limitaciones,
dentro de las que destacan:
• Las pruebas se hacen sin carga, por lo que el diagnostico se hace a través de
la medición en su condición vibratoria basal, es decir, los algoritmos podrán
clasificar de mejor manera el estado de salud de un harnero industrial cuando
este sin carga.
• Debido a que el banco de ensayo no tiene las mismas fijaciones que un
harnero real, este presenta mayores amplitudes en el espectro de frecuencias
de las señales vibratorias, por lo que el proceso de clasificación puede ser
menos complejo que en el ambiente industrial.
• El etiquetado de las señales se realiza al observar el comportamiento dinámico
ante diferentes estímulos vibratorios, por lo que el modelo solo considera y
reconoce fallas asociadas al tiempo de funcionamiento de un ciclo “optimo” de
trabajo, es decir sin ninguna falla imprevista.
85
5.4 Simulación en RockyDem
Los algoritmos de pronósticos que se utilizan en los resultados de la simulación
multifísica, se basan en modelos físicos y matemáticos que representan el
sistema de estudio. Por lo que se requiere un nivel de comprensión física de
mucho detalle para explicar tanto el funcionamiento como los diversos procesos
de degradación de un sistema. Este enfoque tiene una serie de ventajas, la
primera es que se pueden diseñar durante el desarrollo del producto, además los
modelos incorporan comprensión física y se pueden transferir entre activos
similares (ajustando ciertos parámetros). Sin embargo, se requieren
conocimientos detallados y modelos de degradación, los modos de falla son
modelados. El desarrollo de modelos requiere mucho tiempo y, por lo tanto, es
caro a esto se suma la alta carga computacional asociados a métodos de
modelos de elementos finitos (FEM) o discretos (DEM).
El software utilizado para generar el set de datos simulados para entrenamiento
y análisis de algoritmos y modelos del proyecto corresponde al software
RockyDEM.
RockyDEM es un poderoso software para 3D Discrete Element Modeling (DEM)
que de manera rápida y precisa permite simular el comportamiento de flujo
granular de partículas de formatos y tamaños diferentes dentro de equipamientos
de procesamiento de material como harneros mineros vibratorios. RockyDEM
permite simular el transporte y manipulación de materiales con partículas de
varios formatos con distribución real de tamaños, considerando fenómenos como
86
fricción, contacto, atollo de material, ruptura, adhesión, erosión e interacción
fluido-partícula.
El uso de esta herramienta CAE (Computer Aided Engineering) como RockyDEM
proporcionan beneficios en el desarrollo de tecnología tales como:
• Mayor eficiencia y calidad, gracias a que permite prever posibles errores y
corregirlos antes de la fase de prototipo y fabricación.
• Reducción de costos, debido a que el desarrollo de prototipos físicos
complejos es más costoso que un prototipo virtual. Permite realizar cambios
en los proyectos rápidamente.
• Disminuye el tiempo empleado en el desarrollo de tecnologías.
• Reduce la cantidad de prototipos de prueba.
• Ayuda en la verificación de tecnologías en cuanto a funcionalidad, ensambles
y diseño, permitiendo la revalidación cada vez que sea necesario.
• Aumento de la competitividad.
La simulación multifásica tiene como objetivo de emular el comportamiento de un
harnero en funcionamiento. Para la realización de la simulación se necesita el
diseño 3D del harnero, definir las variables de contorno e información de la
operación. El modelo 3D del harnero que se observa en la Fig. 5-8, tiene solo un
nivel de clasificación, este DECK es de una dimensión de 6.1 [m] x3.6 [m], lo que
representa un harnero de tamaño medio.
87
Fig. 5-8 Vistas 3D de modelo de harnero minero vibratorio utilizado para simulación.
El modelo multifísico entrega la respuesta vibratoria, fuerzas y desgaste ante la
definición de un conjunto de variables de contorno. Éstas deben ser lo menos
restrictivas posibles, pero deben asegurar la convergencia de la simulación. Las
variables de contorno seleccionadas para la presente simulación son:
• En el sistema de referencia de la Fig. 5-8, se puede observar que el eje Z es
el que tendrá una menor excitación vibratoria, por lo mismo se decide fijar,
dejando como ejes con grados de libertad el X e Y.
• La respuesta del sistema se realiza ingresando la frecuencia de operación
sistema, por lo no se podrá tener como parte de la solución el comportamiento
en el espectro de la frecuencia del sistema.
• El material de entrada tiene una distribución bimodal, como se observa en la
Fig. 5-9 y Fig. 5-10
88
Fig. 5-9 Grafico entrada de material respecto a frecuencia.
Fig. 5-10 Grafico entrada de Material en el tiempo.
1- La simulación debe tener un tiempo que permita identificar un ciclo completo
de funcionamiento, es decir, de carga y descarga del material sobre el harnero.
Para ingresar los parámetros correspondientes a la información de la operación
de la etapa de clasificación, se recurre a la información reportada en el estado
del arte. Con esto podemos destacar que los aspectos más importantes son las
características de porcentaje de pasada del harnero, factor de Rolling
Resistance, tamaño y distribución de partículas, cantidad de material y amplitud
0
1000
2000
3000
4000
5000
01
,21
2,4
23
,63
4,8
46
,05
7,2
68
,47
9,6
81
0,8
91
2,1
13
,31
14
,52
15
,73
16
,94
18
,15
19
,36
Mat
eria
de
entr
ada
Kg
Tiempo (s)
Entrada de Material en el tiempo
89
inicial del DECK. Con todas las variables seleccionadas se procede a generar
una tabla con sus respectivos valores, como se observa en la Tabla 14.
Tabla 14 Parámetros para simulación RockyDem.
Nombre de Variable Valor
Porcentaje de pasada. 34%
Factor de Rolling Resistance. 0,1
Tamaños de partículas [mm]. 76; 45; 21; 19; 12; 10;
Distribución acumulativa del tamaño de partículas. 100; 88,84; 53,85; 47,99; 22,36;
17,99
Cantidad promedio de material que pasa por sobre el harnero [ton/h].
4000
Frecuencia de harnero en operación. 20
Amplitud de harnero en operación [mm]. 1,75
Como se mencionó anteriormente RockyDem entrega la respuesta vibratoria y
fuerzas según el nivel de carga del harnero, por lo que se realizan 4 simulaciones.
La primera con un bajo flujo de material de 2000 toneladas horas, luego con la
carga nominal que debiese tener de 4000 toneladas horas, seguido por una
sobrecarga de 6000 toneladas horas y finalmente un caso de sobrecarga extrema
de 8000 toneladas horas. En la Fig. 5-11 se observa la simulación de elementos
discretos del harnero a carga nominal. Y en la Fig. 5-12 se muestra la respuesta
transiente y estacionaria de modelo de simulación 3D de harnero vibratorio
90
Fig. 5-11 Simulación Harnero a carga nominal
91
Fig. 5-12 Respuesta transiente y estacionaria de modelo de simulación 3D de harnero vibratorio en Rocky DEM para un flujo de pasada de 4000 [Ton/h].
Para la estimación de desgaste se utiliza la respuesta vibratoria del sistema como
una nueva variable de entrada. Debido a que la simulación cuenta con las
variables de entradas las definiciones geométricas, de variables de contorno, de
operación y respuesta vibratorias el sistema entrega una estimación de desgaste
en milímetros. El diagrama de la metodología expuesta se puede apreciar en la
Fig. 5-13.
Fig. 5-13 Diagrama metodología para estimación de desgaste.
92
CAPÍTULO 6. ANALISIS DE DATOS, ALGORITMO DE PREDICCION DE
FALLA Y RESULTADOS.
6.1 Introducción
En el presente capitulo se analizan los datos generados y recopilados en el
CAPÍTULO 5. Este análisis consiste en la extracción de características mediante
el procesamiento de la información cualitativa (observación de experto y modelos
de tendencias) e información cuantitativa (métodos estadísticos).
Luego de la caracterización de los datos se procede a diseñar y entrenar
diferentes algoritmos de clasificación que nos permiten diagnosticar el estado de
la malla según la ISO 2372 y pronosticar fallas y/o desgaste.
6.2 Análisis de datos pruebas Banco de Ensayo
En el presente capitulo se analizan las pruebas especificadas en el capítulo 5.3.1.
El banco de ensayo se compone por dos columnas de 3 mallas. Debido a que la
variación de los parámetros medidos por fila tiene una variación de menos de
1%, es que solo se analiza una columna del banco de ensayo. En la Fig. 6-1 se
muestra el sistema de referencia del banco de ensayo y la columna la que será
analizada. Además, cada malla esta etiquetada con un número y nombre como
se observa en Tabla 15.
Tabla 15 Identificación mallas de banco de ensayo
Numero de malla Nombre
1 Malla Superior
2 Malla Central
3 Malla Inferior
93
Fig. 6-1 Sistema de referencia banco de ensayo.
Se realiza una excitación vibratoria controlada por el variador de frecuencia del
banco de ensayos. La prueba consiste en realizar un barrido de frecuencias
desde los 5 [Hz] hasta los 30 [Hz] en múltiplos de cinco. En el eje z se alcanza la
amplitud máxima de la señal que es alrededor de los 3.5 [G]. En la Fig. 6-2 se
aprecia que la amplitud de la señal varía dependiendo de la frecuencia a la que
está siendo excitada, obteniendo los picos más altos en la frecuencia de
resonancia y sus respectivas armónicas. En la Tabla 16 se aprecia que el mayor
valor pico-pico se encuentran en el eje Z, seguido por Y y finalmente el eje X.
Cabe destacar que la “Malla Central” tiene los mayores valores pico-pico en todos
los ejes, seguida por la “Malla Superior” y finalizando por la “Malla Inferior”.
94
Fig. 6-2 Barrido en frecuencia.
Tabla 16 Aceleración pico-pico por malla y eje.
Aceleracion
máxima eje X
Aceleracion
máxima eje Y
Aceleracion
máxima eje Z
Malla Superior 2.95 3.06 5.68
Malla Central 3.24 3.29 7.04
Malla Inferior 2.27 2.99 5.67
Debido al rango de operación en frecuencia de los harneros mencionado en el
capítulo 1.2.2 es que se analiza en detalle el comportamiento de la señal cuando
el variado de frecuencia induce una vibración a 20[Hz]. Como resultado de la
prueba se obtiene una señal sinusoidal por cada eje, teniendo la mayor amplitud
la señal del eje Z, seguida por el eje Y, y finalizando por el eje X. Al aplicar la
FFT en los tres ejes, se aprecia un pico en los 20 [Hz], es decir, la excitación
forzada imprime un movimiento a esta frecuencia en las tres direcciones de
referencia. Esto se puede observar en la Fig. 6-3 y Fig. 6-4.
95
Fig. 6-3 Medición con excitación a 20 Hz
Fig. 6-4 FFT a medición con excitación a 20 Hz.
La prueba de someter el banco de ensayo a una señal impulso se realiza
golpeando con un martillo de goma el centro de la malla. Estos golpes generan
vibraciones los que se observan en la Fig. 6-5 en la que se aprecia la
amortiguación de la estructura con un decaimiento de la amplitud de las
vibraciones exponencial. Al aplicar la FFT a una señal impulso se encuentra la
96
frecuencia natural del sistema. En la Fig. 6-5, se observa que el eje Z tiene una
frecuencia de resonancia de aproximadamente 16[Hz], por otro lado, los ejes
X e Y entran en resonancia en los 30[Hz], esta diferencia se debe a los distintos
grados de libertad que tiene el Banco de Ensayo.
Fig. 6-5 Señales impulso.
Fig. 6-6 FFT señales impulsos
97
6.3 Análisis de datos Simulación Multifásica
Se realizan cuatro simulaciones con la metodología propuesta en el capítulo 5.4.
Estas se diferencian entre sí por la cantidad de toneladas horas que fluyen por
sobre el harnero, realizando simulaciones de 2.000, 4.000 (carga nominal del
harnero simulado), 6.000 y 8.000 toneladas por horas.
En la Tabla 17 se muestran los valores máximos y mínimos de las variables de
salida de la simulación. En esta se puede observar que los valores máximos RMS
son inversamente proporcional a las toneladas de flujo que pasa por sobre el
Deck. Esto debido a que fluye una mayor cantidad de material por el harnero y la
amplitud de oscilación de las mallas disminuye. Por otro lado, los valores de
fuerza neta máxima y mínima tienen una relación directamente proporcional con
la cantidad de flujo de material sobre el harnero. Cabe destacar que la variabilidad
de los valores máximos y mínimos RMS es de alrededor de un 10% y que la
variabilidad de las fuerzas netas es de alrededor de un 60%,
Tabla 17 Máximos y mínimos de valores RMS y fuerza neta.
T/h RMS max RMS min Fuerza neta
Max Fuerza neta min
2000 88,8264396 0,00037431 64276 15916
4000 83,197236 0,00034188 169918 29640
6000 71,6504734 0,00029945 297587 47981
8000 69,2843619 0,00028572 538996 73724
Coeficiente de
variación 10% 11% 66% 52%
98
La Fig. 6-7,muestra la relación de los distintos niveles de flujo respecto a la RMS
acumulativo (es decir la suma de los valores RMS en una ventana de tiempo). A
medida que aumenta el flujo de mineral sobre el harnero la recta de relación
disminuye su pendiente.
Fig. 6-7 RMS Acumulado con distintos flujos
Considerando la carga nominal (4000 Toneladas por hora), se obtiene una
relación de RMS acumulado y flujo como la que se muestra en Fig. 6-8.
Fig. 6-8 Relación RMS acumulado y flujo.
020000400006000080000
100000120000140000160000
Tiem
po
1,1
32
,27
3,4
14
,55
5,6
96
,83
7,9
79
,11
10
,25
11
,39
12
,53
13
,67
14
,81
15
,95
17
,09
18
,23
19
,37
20
,51
21
,65
22
,79
23
,93
RM
S A
cum
ula
do
RMS Acumulado con distintos flujos
2000 T/H 4000 T/H 6000 T/H 8000 T/H
0
500
1000
1500
2000
2500
3000
3500
4000
4500
0 20000 40000 60000 80000 100000 120000 140000
Flijo
RMS acumulado
Relacion RMS acumulado y flujo
99
Se realiza una estimación polinomial de las cuatro distintas curvas de flujo
respecto a RMS acumulado. En la Fig. 6-9 se observa la curva verde, la cual es
una aproximación polinómica de grado 3. En la Tabla 18 se ven distintas
ecuaciones que representan el flujo de mineral según el RMS acumulado, estas
van variando según la magnitud del flujo por hora. Las cuatro ecuaciones son
polinomios de grados 3 y tienen un 𝑅2 de aproximadamente de 0.93.
Fig. 6-9 Curva de relación Flujo RMS acumulado.
Tabla 18 Ecuaciones de Flujo respecto a RMS acumulado.
Flujo de material (T/h) Ecuación 𝑹𝟐
2000 𝑦 = (7 ∗ 10−12 ∗ 𝑥−3) − (2 ∗ 10−6 ∗ 𝑥2)
+ 0.0917𝑥 + 177.39 0.928
4000 𝑦 = (2 ∗ 10−11 ∗ 𝑥−3) − (5 ∗ 10−6 ∗ 𝑥2)
+ 0.2338𝑥 + 125.67 0.927
6000 𝑦 = (6 ∗ 10−11 ∗ 𝑥−3) − (1 ∗ 10−5 ∗ 𝑥2)
+ 0.4779𝑥 + 240 0.934
8000 𝑦 = (9 ∗ 10−11 ∗ 𝑥−3) − (2 ∗ 10−5 ∗ 𝑥2)
+ 0.7686𝑥 + 1076.3 0.939
-1000
0
1000
2000
3000
4000
5000
0 20000 40000 60000 80000 100000 120000 140000
Flijo
RMS acumulado
Curva de relacion Flujo RMS acumulado
100
6.4 Algoritmo de predicción de falla y desgaste
Al realizar estudios exploratorios en donde no se tiene una información a priori
de los datos, se utiliza el aprendizaje automático supervisado para identificar la
relación entre un vector de entrada y un resultado. El aprendizaje del algoritmo
se realiza mediante la supervisión de un experto en el tema quien etiqueta las
características y atributos más importantes. Con esto el algoritmo tiene como
tarea principal optimizar los parámetros de su modelo.
Los volúmenes de datos analizados en la presente investigación son de
aproximadamente de 60.000 y 3.000 para las pruebas en el banco de ensayos y
simulación multifásicas. Por otro lado, el sistema debe ser implementado en un
minicomputador, debido a estas condiciones los clasificadores seleccionados no
deben requerir una gran capacidad de cómputo, deben poder trabajar con pocos
datos y ser fácil de implementar como sistemas de monitoreo industrial. Los
clasificadores que cumplen estas características son [53] [54]:
Support Vector Machine (SVM): tiene el objetivo de encontrar un hiperplano en
un espacio N-dimesional (con n clases de datos) que separe los datos. En la
mayoría de las situaciones esto puede tener varias soluciones, sin embargo, este
algoritmo encuentra la que tenga un mayor margen a las clases de datos. Así, se
logra mayor confiabilidad en la clasificación. Para maximizar el margen, se
utilizan vectores de soporte, que corresponden a los datos que más se acercan
al hiperplano. Estos vectores de soporte condicionaran la posición y orientación
del hiperplano. Con estos, se calcula una función de costo, de la cual se obtienen
101
sus derivadas parciales para finalmente optimizar usando un algoritmo basado
en gradiente. En la Tabla 19 se muestran las ventajas y desventajas del
clasificador SVM.
Tabla 19 Características SVM
Clasificador Ventajas Desventajas
SVM • Resultados robustos y
precisos con datos de entrada
de gran dimensión.
• Alta precisión con el límite
de decisión maximizado.
• Eficiente para conjuntos de
datos pequeños o grandes y
análisis en tiempo real.
• Se aplica con éxito al
diagnóstico de fallas de
maquinaria
• Buen rendimiento de
generalización en un número
limitado de patrones de
aprendizaje
• No hay un método estándar
para elegir la función del
kernel.
• Existen problemas de
estabilidad numérica en la
programación cuadrática
restringida.
• Es difícil construir una serie
de tiempo univariante por la
vida restante y el tiempo de
muestreo.
• Los parámetros deben
ajustarse específicamente al
problema en cuestión y esto
puede resultar difícil.
Naive Bayes: es un proceso no paramétrico y de enfoque Bayesiano que brinda
mediciones de incerteza a las predicciones. Diferente a otros enfoques de
clasificación, el Bayesiano infiere la distribución de probabilidad de los datos,
partiendo de una probabilidad inicial y recalculándola con la evidencia de los
datos usando la “regla de Bayes”. Así, para predecir datos no conocidos, pondera
cada posible predicción con su última distribución de probabilidades calculada
del entrenamiento. Usando esto, la regresión gaussiana calcula la distribución de
probabilidad sobre todas las posibles curvas que se ajustan a los datos. Igual
parte de una distribución de probabilidades y la recalcula con los datos.
102
Normalmente, se parte asumiendo una distribución gaussiana de los datos. Sin
embargo, conociendo los datos de entrada se pueden preajustar ciertos
parámetros para mejorar el proceso de regresión, como la media, covarianza,
entre otros, de los datos En la Tabla 20 se muestran las ventajas y desventajas
del clasificador Naive Bayes. El cálculo de la probabilidad de predicción se realiza
mediante la siguiente ecuación:
𝑃(𝐻|𝐸) =𝑃(𝐸|𝐻) ∗ 𝑃(𝐻)
𝑃(𝐸)
dónde
P (H | E) es la probabilidad de hipótesis H dado el evento E, una probabilidad
posterior.
P (E | H) es la probabilidad del evento E dado que la hipótesis H es verdadera.
P (H) es la probabilidad de que la hipótesis H sea verdadera (independientemente
de cualquier evento relacionado), o la probabilidad previa de H.
P (E) es la probabilidad de que ocurra el evento (independientemente de la
hipótesis).
Tabla 20 características de Naive Bayes
Clasificador Ventajas Desventajas
Naive Bayes • Puede calcular la predicción
de degradación para
problemas de clasificación
dinámicos.
• Técnica flexible,
probabilística no paramétrica
que ofrece predicción de
incertidumbre a través de la
varianza alrededor de la
• Gran carga de cálculo,
especialmente cuando los
conjuntos de datos de
entrenamiento son grandes
• Asume que todos los puntos
están distribuidos
normalmente y que el error
entre cada punto está
correlacionado
103
predicción media del modelo
de proceso gaussiano.
• Alta adaptabilidad para
manejar datos de alta
dimensión y puede lograr una
predicción precisa incluso
cuando el tamaño de la
muestra es pequeño
• Permite el aprendizaje no
paramétrico de una función
de regresión a partir de datos
ruidosos, evitando
suposiciones paramétricas
simples.
• Es difícil encontrar valores
óptimos de los parámetros de
la escala
• Asume que el ruido en los
datos de entrenamiento es
constante en todo el dominio
de entrada.
6.4.1 Predicción de falla
El proceso de etiquetado de los datos es sumamente relevante para realizar una
buena clasificación supervisada. Para el caso de la predicción de falla se toman
los datos recopilados de la prueba de “Barrido” de frecuencia en el Banco de
ensayo. La etiqueta de los datos se genera por la respuesta dinámica del banco
de ensayo ante las diferentes señales de excitación. A medida que la frecuencia
de operación se acerca a la frecuencia de resonancia (o a algunas de sus
armónicas) el sistema se vuelve inestable por lo que se etiqueta en estado
“Insatisfactorio” o “Inaceptable”. Los estados “Bien” o “Aceptable” se utilizan
cuando la mayor amplitud vibratoria se refleja en el DECK del banco de ensayo.
Para la predicción de falla se utilizan tres distintos clasificadores, el primero de
Naive Bayes con estimación de kernel, el segundo un clasificador SVM lineal y el
ultimo un clasificador SVM cuadrático.
104
La muestra se compone de 65.546 de datos. Estos datos se componen por 6
variables, RMS acumulado, RMS, Aceleración en el eje X, eje Y, eje Z y
frecuencia. Acompañando a cada dato se encuentra su respectiva etiqueta. En
la Tabla 21 se muestra la frecuencia con la que los diferentes estados se
encontraban en los datos. Por lo que, para las fases de entrenamiento, validación
y prueba, que corresponden a una utilización de datos del 60%, 30% y 10%
respectivamente, se utilizó una selección aleatoria respetando los porcentajes de
frecuencia de cada uno de los estados.
Tabla 21 Porcentaje de frecuencia de cada estado para clasificación de falla.
Estado Porcentaje en muestra
Bien 30%
Aceptable 25%
Insatisfactorio 25%
Inaceptable 20%
En la Tabla 22 se observan los resultados de clasificación de los algoritmos
testeados (con un kfold de 15). Esta prueba se realizó con las 6 variables
mencionadas anteriormente. Se observa que los clasificadores tienen un
promedio de clasificación correcta de 97.5%, 92.8%, 97.8% para los algoritmos
de Nauve Bayes con estimación de Kernel, SVM lineal y SVM cuadrático
respectivamente. Cabe que, para todos los algoritmos probados, la clasificación
del estado “inaceptable” está por sobre el promedio.
105
Tabla 22 Resultados de clasificación con todas las variables
Clasificador
Exactitud
promedio
[%]
Verdadero
positivo estado
“Bien” [%]
Verdadero positivo
estado “Aceptable”
[%]
Verdadero positivo
estado
“Insatisfactorio” [%]
Verdadero positivo
estado “Inaceptable”
[%]
Clasificador Naive Bayes
con estimación de Kernel 97.5% 98% 96.9% 97.6% 97.9%
Clasificador SVM lineal 92.8% 98% 85.1% 90.6% 97.5%
Clasificador SVM
Cuadrático 97.9% 97.9% 98% 97.9% 98.1%
En la Tabla 23 se observan los resultados de clasificación con un kfold de 15.
Esta prueba se realizó con las variables de aceleración de cada eje. Se observa
que los clasificadores tienen un promedio de clasificación correcta de 65%,
24.5%, 55.9% para los algoritmos de Naive Bayes con estimación de Kernel, SVM
lineal y SLM cuadrático respectivamente.
Tabla 23 Resultados de clasificación con variables de aceleración en los 3 ejes.
Clasificador
Exactitud
promedio
[%]
Verdadero
positivo estado
“Bien” [%]
Verdadero positivo
estado “Aceptable”
[%]
Verdadero positivo
estado
“Insatisfactorio” [%]
Verdadero positivo
estado “Inaceptable”
[%]
Clasificador Naive Bayes
con estimación de Kernel 67.7% 91.1% 41.8% 66.6% 71.1%
Clasificador SVM lineal 24.5% 0% 0% 90.5% 8.2%
Clasificador SVM
Cuadrático 55.9% 87.6% 25.1% 58.2% 72.8%
En la Tabla 24 se observan los resultados de clasificación con un k-fold de 15.
Esta prueba se realizó con las variables de RMS y RMS acumulado. Se observa
que los clasificadores tienen un promedio de clasificación correcta de 94.25%,
106
88.8%, 95.15% para los algoritmos de Naive Bayes con estimación de Kernel,
SVM lineal y SLM cuadrático respectivamente. Cabe que, para todos los
algoritmos probados, la clasificación del estado “inaceptable” está por sobre el
promedio.
Tabla 24 Resultados de clasificación con variables RMS y RMS acumulado.
Clasificador
Exactitud
promedio
[%]
Verdadero
positivo estado
“Bien” [%]
Verdadero positivo
estado “Aceptable”
[%]
Verdadero positivo
estado
“Insatisfactorio” [%]
Verdadero positivo
estado “Inaceptable”
[%]
Clasificador Naive Bayes
con estimación de Kernel 94.25% 92.5% 91.9% 92.6% 100%
Clasificador SVM lineal 88.8% 90.1% 83.1% 88.6% 93.7%
Clasificador SVM
Cuadrático 95.15% 93.9% 92.8% 93.9% 100%
6.4.2 Predicción de desgaste
Para el caso de predicción de desgaste de falla se toman los datos recopilados
de la prueba de “simulación multifísica”. La etiqueta de los datos se genera por
la tasa de desgaste que entrega el modelo simulado (detallado en la Fig. 5-13).
A medida que el degaste de la malla de caucho aumenta y se acerca al alma de
acero el sistema se va etiquetando en los estados “Bien”, “Aceptable”,
“Insatisfactorio” o “Inaceptable”. El nivel de desgaste asociado a tu etiqueta se
observa en la Tabla 25, por otro lado, en la Fig. 6-10 se muestra la referencia del
nivel de desgaste en la malla.
107
Tabla 25 Estado de malla respecto a desgaste.
Estado Milímetros de desgaste
Bien 6
Aceptable 7
Insatisfactorio 8
Inaceptable 9
Fig. 6-10 Etiqueta generada por nivel de desgaste de malla.
Para la predicción de degaste de la malla se utilizan tres distintos clasificadores.
El primero un clasificador de Naive Bayes que asume una distribución normal de
los datos. El segundo también es un clasificador de Naive Bayes, pero se
diferencia con el primero ya que utiliza un kernel que fue estimado con los datos
y el tercer clasificador es un SVM lineal. Estos clasificadores se entrenan con
todas las variables que entrega la simulación multifísica y que pueden ser
adquiridos por el hardware diseñado en esta investigación. Estas son tiempo de
simulación, flujo de material, RMS, RMS acumulado, aceleración eje X y
aceleración eje Y.
La muestra se compone de 3.134 de datos acompañados de su respectiva
etiqueta. En la Tabla 26 se muestra la frecuencia con la que los diferentes
estados se encontraban en los datos. Por lo que, para las fases de
108
entrenamiento, validación y prueba, que corresponden a una utilización de datos
del 60%, 30% y 10% respectivamente, se utilizó una selección aleatoria
respetando los porcentajes de frecuencia de cada uno de los estados.
Tabla 26 Porcentaje de frecuencia de cada estado para clasificación de desgaste.
Estado Porcentaje en muestra
Bien 40%
Aceptable 27%
Insatisfactorio 18%
Inaceptable 15%
Los clasificadores probados tienen una exactitud promedio del 99.2%. Con los
tres clasificadores se obtuvieron excelentes resultados, pero se diferencian entre
ellos en la exactitud para clasificar los diferentes estados. Cabe que, para todos
los algoritmos probados, la clasificación del estado “inaceptable” es del 100%.
Esto se puede observar en la Tabla 27.
Tabla 27 Pruebas de Clasificadores con todas las variables entregadas por simulación multifísica
Clasificador
Exactitud
promedio
[%]
Verdadero
positivo estado
“Bien” [%]
Verdadero positivo
estado “Aceptable”
[%]
Verdadero positivo
estado
“Insatisfactorio” [%]
Verdadero positivo
estado “Inaceptable”
[%]
Clasificador de Naive
Bayes con datos de
distribución normal
gaussiana
98.9% 97.8% 100% 99.1% 100%
Clasificador Naive Bayes
con estimación de Kernel 99.1% 98.5% 100% 98.8% 100%
Clasificador SVM lineal 99.8% 99.8% 99.6% 99.9% 100%
109
En la Tabla 28 se observan los resultados de clasificación con un kfold de 15.
Esta prueba se realizó con las variables de aceleración de cada eje. Se observa
que los clasificadores tienen un promedio de clasificación correcta de 26.8%,
28.9%, 25% para los algoritmos de Naive Bayes con datos de distribución normal
gaussiana, Naive Bayes con estimación de Kernel y SVM lineal respectivamente.
Cabe que, para todos los algoritmos probados, la clasificación del estado
“inaceptable” es del 0%.
Tabla 28 Resultados de clasificación con variables de aceleración entregadas por simulación multifísicas.
Clasificador
Exactitud
promedio
[%]
Verdadero
positivo estado
“Bien” [%]
Verdadero positivo
estado “Aceptable”
[%]
Verdadero positivo
estado
“Insatisfactorio” [%]
Verdadero positivo
estado “Inaceptable”
[%]
Clasificador de Naive
Bayes con datos de
distribución normal
gaussiana
26.8% 79.4% 0% 28.1% 0%
Clasificador Naive
Bayes con estimación
de Kernel
28.9% 49.6% 0% 66.2% 0%
Clasificador SVM lineal 25% 100% 0% 0% 0%
En la Tabla 29 se observan los resultados de clasificación con un k-fold de 15.
Esta prueba se realizó con las variables de RMS y RMS acumulado. Se observa
que los clasificadores tienen un promedio de clasificación correcta de 96.1%,
97.5%, 96.4% para los algoritmos de Naive Bayes con datos de distribución
normal gaussiana, Naive Bayes con estimación de Kernel y SVM lineal
110
respectivamente. Cabe que, para todos los algoritmos probados, la clasificación
del estado “inaceptable” está por sobre el promedio.
Tabla 29 Resultados de clasificación con variables de RMS acumulado y RMS entregadas por simulación multifísicas.
Clasificador
Exactitud
promedio
[%]
Verdadero
positivo estado
“Bien” [%]
Verdadero positivo
estado “Aceptable”
[%]
Verdadero positivo
estado
“Insatisfactorio” [%]
Verdadero positivo
estado “Inaceptable”
[%]
Clasificador de Naive
Bayes con datos de
distribución normal
gaussiana
96.1% 95.7% 93.5% 95.9% 99.4%
Clasificador Naive
Bayes con estimación
de Kernel
97.5% 96.9% 94.5% 98.9% 100%
Clasificador SVM lineal 96.4% 95.9% 93.9% 96.3% 99.8%
6.5 Resultados
El sistema diseñado de monitoreo de mallas de harneros industriales se probó en
un banco de ensayo que simulaba el funcionamiento de un harnero a escala. Con
las pruebas realizadas se verifico el correcto funcionamiento a nivel de hardware,
firmware y software.
Respecto a las simulaciones multifísicas realizadas, se destaca que, teniendo un
mínimo de información del funcionamiento del proceso de clasificación, se
pueden obtener parámetros sumamente relevantes como esfuerzos, excitación
vibratoria, desgaste y flujo. Al buscar las relaciones de las variables que puede
medir el sistema de monitoreo propuesto y los datos entregados por la simulación
111
se establece una relación directa entre los parámetros vibratorios medidos y el
flujo de mineral. Eso se puede modelar en funciones por tramo, ya que depende
de la cantidad de flujo de material total por hora. Los modelos se estimaron a
través de funciones polinomiales de orden 3, con un promedio de 𝑅2de 0.96. Por
lo que se considera que es una buena aproximación de la curva. Para saber cuál
es la función que representa el proceso se debe determinar la magnitud total (flujo
por hora) a través de los valores máximos RMS medidos por el sistema (observar
Tabla 18).
Por otra parte, la simulación multifísica permitió realizar una estimación de
desgaste en las mallas. Con estos datos se entrenaron distintos algoritmos de
clasificación, dentro de los cuales se encontraban Naive Bayes con datos de
distribución normal gaussiana, Naive Bayes con estimación de Kernel y SVM
lineal. Los mejores resultados se obtuvieron con el algoritmo de Clasificador
Naive Bayes con estimación de Kernel y utilizando las variables de tiempo de
simulación, flujo de material, RMS, RMS acumulado, aceleración eje X y
aceleración eje Y. Con esto se obtuvo una exactitud promedio de clasificación del
99.8%. No obstante, con el mismo clasificador y disminuyendo el número de
variables a solo RMS, RMS acumulado se obtiene una exactitud promedio de
97.5%.
Respecto a las pruebas en el Banco de ensayo, el sistema pudo captar las
aceleraciones a una tasa de frecuencia de 400[Hz], es decir, a más de 20 veces
112
la frecuencia de operación. Es debido a esto que se pudo captar sin problemas
las señales en el plano del tiempo y frecuencia.
Las pruebas asociadas a la estimación de falla se realizaron con los datos
obtenidos al excitar con un barrido de frecuencias al banco de ensayos. Con
estos datos se entrenaron distintos algoritmos de clasificación, dentro de los
cuales se encontraban Naive Bayes con estimación de kernel, SVM lineal y SVM
cuadrático. Los mejores resultados se obtuvieron con el algoritmo de Clasificador
SVM cuadrático y utilizando las variables de RMS acumulado, RMS, Aceleración
en el eje X, eje Y, eje Z y frecuencia. Con esto se obtuvo una exactitud promedio
de clasificación del 97.9%. No obstante, con el mismo clasificador y
disminuyendo el número de variables a solo RMS, RMS acumulado se obtiene
una exactitud promedio de 95.15%.
113
CAPÍTULO 7. DISCUSIÓN GENERAL Y CONCLUSIONES
7.1 Discusión
Una nueva herramienta de monitoreo de condiciones para evaluar el estado de
desgaste de las mallas de harnero fue desarrollada. El sistema consta de “mallas
inteligentes”, las que son instrumentadas con sensores inerciales, sistema de
procesamiento de datos y gestión de comunicación inalámbrica. La información
captada por los sensores es enviada mediante una red WiFi a un servidor en
donde se procesan y guardan datos. Para evaluar el estado de salud de la malla,
el sistema utiliza los sensores de desgaste diseñados. Se propuso un nuevo
sistema para evaluar el estado de salud de la malla utilizando los datos de los
sensores de desgaste y correlacionándolos con los datos inerciales recopilados
durante la operación del harnero.
El sistema fue probado a través de dos métodos, el primero un banco de ensayo,
que consistía en una réplica en miniatura de un Harnero. Este se somete a una
serie de excitaciones vibratorias controladas, para así caracterizar tanto en el
plano del tiempo como de frecuencia su respuesta (sin carga).
El segundo método corresponde a simulaciones multifísicas realizadas en el
software RockyDem. Este Software permite simular el comportamiento
vibracional de un harnero ante distintas condiciones de carga, por lo que nos
permite realizar estadística descriptiva para las distintas relaciones de entrada-
salida del modelo.
114
El sistema fue capaz de poder categorizar con una precisión del 99.8% el
desgaste de las mallas según la ISO 2372. Esto solo tomando el valor RMS
acumulado del DECK que se obtuvieron como respuesta de la simulación
multifísica. Las diferencias en la precisión se dieron según las variables con la
que se entrenaron los modelos de Machine Learnig.
Un elemento emergente no contemplado al inicio de esta investigación es la
estimación de flujo de material que pasa sobre el Deck a través de la correlación
con el RMS acumulado. Se logró establecer 4 ecuaciones para distintos rangos
de flujo, estas ecuaciones tenían un 𝑅2 de 0.93. La importancia de este hallazgo
es entregar un indicador que actualmente es sumamente complejo medir de
forma directa y que tiene un gran impacto en la productividad de la actividad
minera. Los sistemas disponibles en el mercado como los pesímetros tienen
rangos de error de más del 80% y necesitan ser recalibrados cada 24 horas por
lo que por sus características de operabilidad y mantenibilidad suelen ser
descartados.
En cuanto a los parámetros obtenidos en el banco de ensayo, se pudo clasificar
con una precisión del 97.9% el estado de falla del harnero (según ISO 2372).
Esto se realizó categorizando el espectro en frecuencia de un rango de operación
vibracional del harnero, es decir, se realizó un barrido en frecuencia y se observó
el comportamiento al acercarse a la frecuencia natural y a sus respectivas
armónicas.
115
En consecuencia, se considera que el sistema de monitoreo de mallas de harnero
es una herramienta que permite entregar el estado de desgaste y falla en mallas
de harnero, o para la estimación del flujo de material. Sin embargo, se requiere
un estudio en un ambiente industrial, que incluya un ciclo completo de vida útil
de las mallas para validar los algoritmos y asegurar que puede medir y estimar
los parámetros ante cualquier escenario.
Los algoritmos probados tienen una alta exactitud en poder clasificar el estado
de “Inaceptable”, por lo que el sistema propuesto se traduce en una herramienta
de gran utilidad para los mantenedores, ya que actualmente son los operadores
quienes “clasifican” en base a su experiencia y subjetividad sesgada por las
tareas de producción. Por lo que el entregar una evaluación objetiva basada en
el real estado de salud de la maquina es fundamental.
Al comparar los resultados de la clasificación con todas las variables respecto a
las que solo se ingresaron los valores RMS y RMS acumulado, solo se tiene una
baja de la exactitud de aproximadamente 2% (tanto para los algoritmos de
análisis de falla como desgaste). Este hallazgo es sumamente relevante ya que
por las limitaciones de almacenamiento de energía (debido al tamaño máximo
disponible para la batería), se puede optimizar el envío de información. En vez
de que cada dispositivo envíe los datos en “bruto” de las aceleraciones de cada
uno de los ejes, se puede enviar indicadores por ventanas de tiempo. Es decir,
enviar el valor RMS, y la mayor amplitud con su frecuencia de la FFT de la señal.
116
Con el objetivo de disminuir el tiempo de conexión y transferencia de datos del
dispositivo, procesos que tienen asociado el mayor consumo de energía.
7.2 Conclusión
El sistema propuesto difiere de los productos disponibles en el mercado para el
monitoreo de harneros, ya que mide las variables de aceleración durante el
tiempo de trabajo en las mallas de este. Los componentes utilizados en la
sensorización de la malla inteligente son de bajo costo ("con un costo promedio
del dispositivo de USD 10), por lo que, con una inversión baja, se puede
monitorear un proceso crítico de la industria minera.
El prototipo final fue probado en el banco de ensayos a los que se les inducía
excitaciones mediante diferentes pruebas, corroborando que el algoritmo del
sensor midiera las vibraciones de las mallas y que los sistemas de monitoreo
diseñados calcularán y almacenaran los parámetros de interés.
Con respecto a los datos obtenidos en la medición, se muestra que las amplitudes
en los datos recopilados tienen una considerable variabilidad en contra de las
frecuencias. Esto es consistente con los estándares de mantenimiento
tradicionales, que estiman el estado de salud general de un equipo con análisis
de amplitud de vibración.
Los resultados también muestran que las clasificaciones son suficientes para
detectar el estado de la máquina en tiempo real, debido a una buena precisión
tanto para la detección de desgaste como de la falla (97.5%. 97.9%
respectivamente) y una alta tasa positiva verdadera (100% para ambos casos)
117
para el estado más crítico ("Inaceptable"). Los algoritmos que se implementaron
para el análisis de las pruebas se presentan como una alternativa para
complementar los modelos de pronósticos basados en experiencia (que
actualmente se utilizan en los harneros) con modelos basados en Física y Datos.
Con el objetivo de mejorar la estimación del final de la vida útil y permitir las
acciones adecuadas para evitar llegar a una falla real
7.3 Trabajos Futuros
Como trabajo futuro, se deben monitorear un harnero en un ambiente industrial.
Para esto se debe desarrollar una guía de usuario dirigida a operarios y
mantenedores asociados a las tareas de clasificación. Esta guía debe contener
claramente los procesos de instalación de las mallas inteligentes, la descripción
de la puesta en marcha del sistema, la operatividad y mantenibilidad del sistema.
Con los datos recopilados en un ambiente industrial, se espera ajustar los
modelos desarrollados en la presente investigación. Además, se debe realizar
una optimización para el clasificador seleccionado, a fin de obtener mejores
resultados de clasificación y hacer una selección de características para
simplificar los datos enviados por los dispositivos.
118
CAPÍTULO 8. REFERENCIAS
[1] P. King, «Size classification,» de Modeling and Simulation of Mineral Processing
Systems, 2001, pp. 81-125.
[2] Codelco Chile, «www.codelcoeduca.cl,» 2018. [En línea]. Available:
https://www.codelcoeduca.cl/codelcoeduca/site/edic/base/port/proceso_productivo.html.
[Último acceso: 2019 08 07].
[3] Metso Minerals, «Crushing and Screening Handbook,» Tampere, 2016.
[4] A. Noble y G. Luttrell, «A review of state-of-the-art processing operations in coal
preparatio,» International Journal of Mining Science and Technology, 2015.
[5] Consejo de Competencias Mineras, «http://www.ccm.cl,» 2012. [En línea]. Available:
http://www.ccm.cl/sulfuros-de-cobre/. [Último acceso: 11 08 2019].
[6] Mular , «Size separation,» de Principles of Mineral Processing, Englewood, Society for
Mining, Metallurgy, and Exploration (SME)., 2003, p. 54.
[7] E. Ponce, R. Cortes y C. Valdez, «Desarrollo de harnero vibratorio,» Santiago, 2003.
[8] L. Peng, H. Jiang, C. Chen y D. Liu, «A review on the advanced design techniques and
methods of vibrating,» Changzhou, 2018.
[9] Rivet, «Catalogo mallas, cribas,telas metálicas,» Santiago, 2018.
119
[10] D. A. E. Moscoso, «Modelación numérica del comportamiento estructural de harnero
vibratorio r-md, mediante acoplamiento entre el método de elementos finitos y elementos
discretos,» Concepción, 2016.
[11] W. Barry y J. Finch, An Introduction to the Practical Aspects of Ore Treatment and Mineral
Recovery, Elsevier Science & Technology Books, 2006.
[12] O. Makinde, K. M. Mpofu y B. Ramatsetse, «Review of vibrating screen development
trends: Linking the past and the future in mining machinery industries,» Tshwane, 2015.
[13] G. Schlemmer, Principles of Screening and Sizing, Phoenix , 2016.
[14] M. M. Quispe, «Formulación de elementos finitos y elementos discretos,» Ciudad de
Mexico, 2013.
[15] Z. Yue-mina, L. Chu-sheng y H. Xiao-mei, «Dynamic design theory and application of
large vibrating screen,» ScienceDirect, Yangquan, 2009.
[16] M. M. Merino, «Modelación dinámica no lineal de harnero vibratorio considerando inercia
del mineral y fuerza del mineral sobre el harnero calculada con elementos discretos,»
Concepción, 2017.
[17] IMI SENSORS, «Vibratory screens & feeders,» Depew, 2016.
[18] Metso Minerals Industries, «Screenwatch,» Harrisburg, 2016.
[19] Daniel Volante, «Condition Monitoring for Rotarional Machinery,» Hamilton, 2011.
[20] R. G. Budynas y K. Nisbett, Diseño en ingeniería mecánica de Shingley, McGraw Hill,
2008.
120
[21] A. Arata, Ingeniería y Gestión de la Confiabilidad Operacional en Plantas Industriales, Ril
Editores, 2008.
[22] G. B. Rios y M. Razeto Migliaro, Analisis de fallas en equipos industriales, Concepción:
Universidad de Concepción, 2010.
[23] O. A. Makinde, «Establishment of the best maintenance practices for optimal
reconfigurable vibrating screen management using decision techniques,» Emerald
Insight, 2016.
[24] A. Zanella, A. Bui, L. Vangelista y M. Zorzi, «Internet of Things for Smart Cities,» IEEE
INTERNET OF THINGS JOURNAL, VOL. 1, NO. 1, 2014.
[25] V. Ventura, «https://polaridad.es,» [En línea]. Available: https://polaridad.es/que-es-
internet-de-las-cosas-iot/. [Último acceso: Miercoles 23 Octubre 2019].
[26] M. A. Khan y K. Salah, «IoT security: Review, blockchain solutions, and open
challenges,» Zakariya University, Sharjah, 2018.
[27] S. Madakam, R. R y T. Siddharth, «Internet of Things (IoT): A Literature,» Journal of
Computer and Communications, Mumbai,, 2015.
[28] V. Sharma y T. Ravi , «A review paper on “IOT” & It‟s Smart Applications,» International
Journal of Science, Engineering and Technology Research (IJSETR), Chattisgarh, 2016.
[29] A. Kanawaday y Ameeth Kanawaday, «Machine Learning for Predictive Maintenance of
Industrial Machines using IoT Sensor Dat,» Pune, 2017.
121
[30] Y. Peng, M. Dong y M. Zuo, «Current status of machine prognostics in condition-based
maintenance: a review,» Int. J. Adv. Manuf. Technol.,, vol. 50, nº 1-4, p. 297–313, 2010.
[31] J. Z. Sikorska, M. Hodkiewicz y L. Ma, «Prognostic modelling options for remaining useful
life estimation by industry,,» Mech. Syst. Signal Process, vol. 25, nº 5, p. 1803–1836,
2011.
[32] A. Heng y S. Zhang, «Rotating machinery prognostics: State of the art, challenges and
opportunities,» Mech. Syst. Signal Process, vol. 23, nº 3, p. 724–739, 2009.
[33] «Condition based maintenance optimization for wind power generation systems under
continuous monitoring,» Renew. Energy, vol. 36, nº 5, p. 1502–1509, 2011.
[34] D. An, N. H. Kim y J. Choi, «Options for Prognostics Methods : A review of data-driven
and physics- based prognostics,» in Annual Conference of the Prognostics and Health
Management, p. 1–14., 2013.
[35] M. Gašperin, Đ. Juričić, P. Boškoski y J. Vižintin, «Model-based prognostics of gear
health using stochastic dynamical models,» Mech. Syst. Signal Process, vol. 25, nº 2, p.
537–548, 2011.
[36] «A data-driven approach for predicting failure scenarios in nuclear systems,» Ann. Nucl.
Energy, vol. 37, nº 4, p. 482–491, 2010.
[37] H. Li, D. Parikh, Q. He, B. Qian, Z. Li y D. Fang, «Improving rail network velocity: A
machine learning approach to predictive maintenance,» Transportation Research Part,
New york, 2014.
122
[38] P. Jahnke, Machine Learning Approaches for Failure Type Detection and Predictive
Maintenance, Darmstadt: Technische Universität Darmstadt, 2015.
[39] G. A. Susto, A. Schirru, S. Pampuri, S. McLoone y A. Beghi, «Machine Learning for
Predictive Maintenance: A Multiple Classifier Approach,» IEEE TRANSACTIONS ON
INDUSTRIAL INFORMATICS, vol. 11, nº 3, 2015.
[40] B. Kroll, D. Schaffranek, S. Schriegel y O. Niggemann, «System modeling based on
machine learning for anomaly detection and predictive maintenance in industrial plants,»
IEEE Emerging Technology and Factory Automation, 2014.
[41] M. S. Kan, A. C. Tan y J. Mathew, «A review on prognostic techniques for non-stationary
and non-linear rotating systems,» Mechanical Systems and Signal Processing, Vols. %1
de %262-63, pp. 1-20, 2015.
[42] R. H. Sampieri, «Metodologia de la investigación,» Ciudad de mexico, Mc Graw Hill,
2014, pp. 96-100.
[43] L. R. Figueroa, «Diseño e implementación de un sistema IIoT para el análisis estructural
en mallas de harneros,» Concepcion, 2019.
[44] R. J. Rafaels, Cloud Computing: From Beginning to End, Washington D. C, 2015.
[45] Texas Instruments, «Antenna Selection Quick Guide,» Texas Instruments Incorporated,
Dallas, 2013.
[46] Oracle , «https://www.mysql.com/,» [En línea]. Available: https://dev.mysql.com/doc/.
[Último acceso: Jueves 17 Mayo 2018].
123
[47] Apache Friends, «https://www.apachefriends.org,» [En línea]. Available:
https://www.apachefriends.org/es/index.html. [Último acceso: Jueves 17 Mayo 2018].
[48] The PHP Group, «https://secure.php.net,» [En línea]. Available:
https://secure.php.net/support.php. [Último acceso: Jueves 17 Mayo 2018].
[49] V. Venkatasubramanian, R. Rengaswamy, S. Kavuri y K. Yin, «A review of process fault
detection and diagnosis Part III: Process History Based Methods,» Computers &
Chemical Engineering, nº 27, pp. 327-346, 2003.
[50] R. A. Makowsk y R. Zimroz, «A procedure for weighted summation of the derivatives of
reflection coefficients in adaptive Schur filter with application to fault detection in rolling
element bearings,» Mechanical Systems and Signal Processing, vol. 1, nº 38, p. 65–77,
2013.
[51] N. Z. Gebraeel y M. A. Lawley, «A Neural Network Degradation Model for Computing and
Updating Residual Life Distributions,» IEEE TRANSACTIONS ON AUTOMATION
SCIENCE AND ENGINEERING, vol. 5, nº 1, pp. 154-163, 2009.
[52] H. Yıldırım, A. N. Özsezen y A. Çınar, «Vibration and Noise Depending upon Engine
Speed in a Diesel Engine Fueled with Biodiesel,» de 6th Eur. Conf. Ren. Energy Sys.,
Istanbul., 2018.
[53] A. Tripathy, A. Agrawal y S. Kumar Rath, «Classification of Sentimental Reviews Using
Machine Learning Techniques,» Procedia Computer Science, Rourkela, 2015.
124
[54] K. Sabanci, M. Ünlerşen y K. Polat, «CLASSIFICATION OF DIFFERENT FOREST
TYPES WITH MACHINE LEARNING ALGORITHMS,» Research for Rural Development,
Bolu, 2016.
[55] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/bosch-sensortec/BMI160/828-1057-1-ND/6136308. [Último acceso: Domingo
27 Octubre 2019].
[56] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/bosch-sensortec/BMI055/828-1043-1-ND/4196679. [Último acceso: Domingo
27 Octubre 2019].
[57] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/bosch-sensortec/BMX055/828-1060-1-ND/6136311. [Último acceso: Domingo
27 Octubre 2019].
[58] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/bosch-sensortec/BMF055/828-1059-1-ND/6136310. [Último acceso: Domingo
27 Octubre 2019].
[59] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/bosch-sensortec/BNO055/828-1058-1-ND/6136309. [Último acceso: Domingo
27 Octubre 2019].
[60] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/bosch-sensortec/BHI160/828-1067-1-ND/6187901. [Último acceso: Domingo
27 Octubre 2019].
125
[61] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/tdk-invensense/ICM-20602/1428-1060-1-ND/5872875. [Último acceso:
Domingo 27 Octubre 2019].
[62] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/tdk-invensense/MPU-6500/1428-1011-2-ND/4385412. [Último acceso:
Domingo 27 Octubre 2019].
[63] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/nxp-usa-inc/LPC824M201JHI33E/568-11572-ND/4975716. [Último acceso:
Domingo 27 Octubre 2019].
[64] Digikey, «www.digijey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/es/silicon-labs/EFM32TG110F32-QFN24/914-1033-2-ND/2508073. [Último
acceso: Domingo 27 Octubre 2019].
[65] Digikey, «www.digikey.com,» [En línea]. Available: https://www.digikey.com/product-
detail/en/espressif-systems/ESP8285/1904-1002-2-ND/8028402. [Último acceso:
Domingo 27 Octubre 2019].
[66] Espressif Systems, «ESP32-PICO-D4,» Shenzhen, 2019.
[67] A. Lab, «Berg Balance Scale,» Ability Lab, 19 6 2013. [En línea]. Available:
https://www.sralab.org/rehabilitation-measures/berg-balance-
scale?fbclid=IwAR3W437E4irvwjQIerReBJOnZg-bcIT_idvfzJl7a31Oq1-MFOsvcYUilms.
[Último acceso: 2 12 2019].
[68] A. S. Tanenbaum, Redes de computadoras, Pearson, 2012.
126
[69] W3C, «w3,» [En línea]. Available: https://www.w3.org/Protocols/. [Último acceso: 02
jueves 01 2020].
[70] Z. Shelby, «ietf,» [En línea]. Available: https://tools.ietf.org/html/rfc7252. [Último acceso:
2 jueves 01 2020].
[71] D. Soni y A. Makwana, «A SURVEY ON MQTT: A PROTOCOL OF INTERNET OF
THINGS (IOT),» ResearchGate, 2017.
[72] dc-square, «www.hivemq.com,» [En línea]. Available:
https://www.hivemq.com/company/. [Último acceso: viernes 4 mayo 2018].
[73] R. M. Vozmediano, R. S. Montero y J. . C. Fabero Jiménez, «http://www.fdi.ucm.es,» [En
línea]. Available:
http://www.fdi.ucm.es/profesor/rubensm/redes/Trasparencias/Tema%204.pdf. [Último
acceso: Miercoles 19 Septiembre 2018].
[74] phpMyAdmin contributors, «https://www.phpmyadmin.net,» [En línea]. Available:
https://www.phpmyadmin.net/docs/. [Último acceso: Jueves 17 Mayo 2018].
[75] H.-C. Lin, Y.-C. Ye,, B.-J. Huan y J.-L. Su, «Bearing vibration detection and analysis using
enhanced fast Fourier transform algorithm,» SAGE Journals, 2016.
127
CAPÍTULO 9. ANEXO A: COMPARACIÓN DE COMPONENTES
ELECTRÓNICOS
A.1. COMPARACIÓN SENSORES INERCIALES
Luego de realizar una revisión y estudio de múltiples sensores disponibles en el
mercado se genera la Tabla 30 [55], [56], [57], [58], [59], [60], [61], [62].
Tabla 30 Sensores adquiridos y probados en laboratorio para su incorporación en el sistema sensor.
Acelerómetro-Giroscopio
Marca Modelo Precio Un.
US$
Dimensión
[mm]
Temperatura
Operación
Interface
Bosch Sensortec BMI160 2,29 3 x 2,5 x 0,8 85° SPI, I2C
BMI055 3,04 3 x 4,5 x 0,95 85°
TDK Invensense ICM-20602 3,11 3 x 3 x 0,95 70° SPI, I2C
Acelerómetro-Giroscopio-Geomagnético
Bosch Sensortec BMX055 3,92 4,5 x 0,95 x 3 85° SPI
TDK Invensense MPU-6500 4,52 3 x 3 x 0,95 70° SPI
Acelerómetro-Giroscopio-Controlador
Bosch Sensortec BMF055 6,37 5,2 x 3,8 x 1,1 85° SPI, I2C
BNO055 5,92 5,2 x 3,8 x 1,1 85° SPI, I2C
BHI160 6,95 3x3x0,95 85° SPI, I2C
128
A.2. COMPARACIÓN MICROCONTROLADORES
Luego de realizar una revisión y estudio de múltiples microcontroladores
disponibles en el mercado se genera la Tabla 31 [63], [64], [65], [66].
Tabla 31 Comparativa de microcontroladores evaluados para desarrollar el sistema sensor.
Microcontrolador Precio Unitario
(Por compra de
100)
Soporta
Protocolos de
Comunicación
Wi-Fi
incorporada
Dimensión
[mm]
LPC82X 0,93 No No 10x5x2
ARM Cortex –M3 1,45 Si No 15x15x3
ESP8285 2.15 Si Si 5x5x0.8
ESP32-PICO-D4 4.5 Si Si 7x7x0.8
A.3. ESQUEMÁTICOS Y LAYOUT
Para la implementación del circuito sensor propuesto, se deben diseñar los
esquemas eléctricos o esquemáticos.
El microcontrolador ESP-32 pico-d4 contiene pines que cumplen la función de
fuente de alimentación analógica; dentro de estos están los pines VDDA,
VDDA3P3, VDD3P3_RTC, VDD_SDIO, VDD3p3_CPU y GND. Por otro lado, se
tiene el periférico de comunicación I2C, que contiene las señales de reloj (SCL)
y datos (SDA) en los pines IO22 e IO21. Además, se utilizan los pines IO35 e
I034 como conversores análogo digital, para la medición del desgaste del sensor
y de la caída del voltaje en la batería. Para un correcto funcionamiento en el boot
desde el puerto del UART (Universal Asynchronous Receiver-Transmitter) o
desde la memoria “Flash” (Electrically Erasable Programmable Read Only
Memory) se utilizan resistencias de pull up en los pines de “enable” e IO0. Los
129
pines de MTDI, GPIO0, GPIO2, MTDO, GPIO5 son “strapping pins”; estos tienen
como función administrar las opciones de “boot”, el voltaje de operación y
configuraciones iniciales del sistema. Esto se puede apreciar en la Fig. 9-1.
Fig. 9-1 Circuito esquemático microcontrolador ESP32-pico-d4.
El sensor inercial BMI160 pines que cumple la función de fuente de alimentación
analógica, dentro de estos se destacan los pines VDD, VDDIO, GND y GNDIO.
Por otro lado, se tiene el periférico de comunicación I2C, que contiene las señales
de reloj (SCL) y datos (SDA) en los pines SCX y SDX. Para habilitar comunicación
I2C se debe conectar el pin CSB a 3.3[V]. Además, se utiliza el pin INT1 como
una salida lógica, que entrega un “1” cuando el sensor inercial capta una
aceleración mayor a un umbral determinado. Esto se puede observar en la Fig.
9-2.
130
Fig. 9-2 Circuito esquemático de sensor inercial BMI160.
El sensor de medición de voltaje en la batería, se compone de un divisor de
voltaje con 2 resistencias de 1 M[Ω], para disminuir el consumo de energía del
circuito. El punto que se encuentra entre ambas resistencias se conecta al
conversor análogo digital. Esto se puede apreciar en la Fig. 9-3.
Fig. 9-3 Circuito esquemático de sensor de voltaje en batería.
El sensor de desgaste consiste en un divisor de voltaje con resistencias de 10
M[Ω], para disminuir el consumo de energía del circuito. El divisor de voltaje se
compone de 5 resistencias en paralelo, que por un lado van conectado a 3.3[V] y
por el otro lado conectado a una resistencia en serie. Las resistencias en paralelo
trabajan como “resistencias de sacrificio”, a medida que el sensor se va
desgastando, estas se irán desconectado produciendo una caída de voltaje. Esta
131
caída es monitoreada por uno de los conversores análogo digital. Esto se puede
observar en la Fig. 9-4.
Fig. 9-4 Circuito sensor de desgaste.
Un componente primordial en el funcionamiento del circuito es el regulador de
voltaje de baja caída. Este componente va conectado en los pines “ENABLE” e
“IN”, van conectados a la batería. El pin “Out” es la salida que alimentara el resto
del circuito con 3.3[V]. Se agrega un condensador de 10 u[F] (recomendado por
el fabricante); este con el objetivo de estabilizar el voltaje de salida. Esto se puede
apreciar en la Fig. 9-5.
Fig. 9-5 Circuito regulador de voltaje.
Para la correcta transmisión de datos es necesario implementar un circuito de
“sintonización” de la antena. Este tiene un condensador de 10 u[F] (recomendado
por el fabricante). La antena debe estar contenida en un espacio libre de otros
132
componentes de dimensión 15[mm] por 5[mm] (recomendado por el fabricante).
Estas dos características se pueden observar en la Fig. 9-6.
Fig. 9-6 Circuito antena.
El sistema de carga inalámbrica está compuesto por una bobina, un rectificador
de onda completa, un regulador de voltaje de 5[V] con dos condensadores que
estabilizan el voltaje. Y finalmente un circuito integrado de carga que controla la
carga de la batería, este va con un led para indicar el estado de carga de la
batería. Esto se puede apreciar en la Fig. 9-7.
Fig. 9-7 Circuito de carga inalámbrica.
Al considerar los circuitos esquemáticos diseñado, se crea un layout de
dimensiones de 25 [mm] x 20 [mm], que se observa en la Fig. 9-8. En la parte
superior del circuito se posicionan (a un milímetro de distancia entre sí) las
133
resistencias de sacrifico que componen el sensor de desgaste. Debajo de estas
se encuentra la antena contenida en un espacio libre de otros componentes. Este
circuito es de doble capa, utilizando una para los circuitos integrados y otra para
el ruteo de pistas.
Fig. 9-8 Layout circuito de medición.
Finalmente, en la Fig. 9-9 se observa el diseño el layout del sistema de
energización inalámbrica. Este debe tener una dimensión de 13[mm] x 51[mm].
Este circuito es de doble capa, utilizando una para los circuitos integrados y otra
para el ruteo de la bobina.
Fig. 9-9 Layout circuito de carga inalámbrica.
134
A.4. FUNCIONES DE FIRMWARE
Funciones del firmware se divide en 9 archivos. Estos son:
• Archivo “Main.c”: sirve como punto de partida para la ejecución del programa,
además controla la ejecución del programa dirigiendo las llamadas a otras
funciones.
• Archivo “bmi160.c”: esta librería contiene las funciones que comunican el
microcontrolador con el sensor inercial BMI160 a través del protocolo I2C.
Para realizar la configuración y utilización, se implementan las siguientes
funciones:
o bmi_init: función que inicia comunicación i2c entre el microcontrolador y
el sensor inercial bmi160.
o bmi_read: función que lee un registro específico del sensor inercial. Esta
función recibe como argumento el puerto i2c, la variable que se le
asignará el valor del registro a leer, la dirección del registro que se quiere
leer y el tamaño de este.
o bmi_write: función que escribe un registro específico del sensor inercial.
Esta función recibe como argumento el puerto i2c, el valor que se quiere
escribir, la dirección del registro que se quiere escribir y el tamaño de
este.
o imu_anymotion: configura al sensor inercial en estado “anymotion”, esta
envía una señal lógica “1” por el pin1 cuando capta una aceleración que
supera un umbral (determinado por el desarrollador). Esta función recibe
135
como argumento un conjunto de parámetros de configuración ente los
cuales destacan el tiempo de muestreo del sensor inercial, la sensibilidad
del acelerómetro, giroscopio y umbral de activación para anymotion.
o imu_measurement_config: configura los parámetros del acelerómetro y
giroscopio. Esta función recibe como argumento un conjunto de
parámetros de configuración ente los cuales destacan el tiempo de
muestreo del sensor inercial, la sensibilidad del acelerómetro y giroscopio
o imu_measurement: mide los datos medidos por al acelerómetro y
giroscopio; esto se realiza con un timer de 400[Hz], llenando buffers de
seis vectores de 3200 bytes. En cada uno de los buffers caben 1600
muestras, que corresponden a mediciones de la aceleración y velocidad
angular en los ejes “x”, “y” y “z”.
o imu_reset: función que reinicia a la configuración por defecto al sensor
inercial bmi160.
• Archivo “WiFi.c”: la librería contiene las funciones que comunican el
microcontrolador con la red inalámbrica.
• Archivo “deep_sleep_clk.c”: la librería contiene una función, la cual establece
un tiempo de “wake up” por el reloj interno del microcontrolador y finalmente
se va a modo “deep sleep”.
• Archivo “deep_sleep_imu.c”: la librería contiene una función, la cual
establece que el “wake up” se realice mediante la lectura de un pin externo y
finalmente se va a modo “deep sleep”.
136
• Archivo “wearing_and_tearing.c”: la librería contiene una función, la que
primero configura un pin como conversor análogo-digital. Luego transforma
la medición de bytes a un voltaje. La discretización se compone de cuatro
niveles de desgaste, como se observa en la ¡Error! No se encuentra el
origen de la referencia..
Tabla 32 Escala de sensor de desgaste.
Nivel de desgaste Carga m[V]
1 0-200
2 200-1200
3 2000-2700
4 >>2700
• Archivo “battery_level.c”: la librería contiene una función, la que primero
configura un pin como conversor análogo-digital. Luego transforma la
medición de bytes a un voltaje. La discretización se compone de diez niveles
de carga de la batería, como se observa en la ¡Error! No se encuentra el
origen de la referencia.. Esta discretización no es lineal, por lo que se hizo
una aproximación de 10 rectas, que aproximan de mejor manera la curva de
caída de voltaje entregada por el fabricante.
137
Tabla 33 Escala de medición de batería.
Porcentaje de carga Carga [V]
100% 4,2
90% 4,13
80% 4,06
70% 3,99
60% 3,92
50% 3,85
40% 3,78
30% 3,71
20% 3,64
10% 3,57
0% 3,5
• Archivo “nvs.c”: la librería contiene las funciones que escriben y leen datos
en la memoria no volátil del microcontrolador. Para esto se implementan las
siguientes funciones:
o Write_NVS: función que escribe datos en memoria no volátil. Esta función
recibe como argumento la variable que se quiere guardar y una llave
identificadora.
o Read_NVS: función que lee un dato en memoria no volátil. Esta función
recibe como argumento un puntero para guardar la variable y una llave
identificadora.
• Archivo “tcp.c”: la librería contiene las funciones que se administran, envían
y reciben mensajes del socket TCP. Para esto se implementan las siguientes
funciones:
138
o tcp_socket_sonnect: función que realiza la conexión al socket TCP,
alojado en el servidor TCP. Esta función puede ser configurada tanto para
ip.v4 como para ip.v6
o tcp_socket_receive: función que recibe mensajes enviados por el
servidor tcp. Esta función recibe como argumento un puntero para
guardar el mensaje y el largo de este.
o tcp_socket_send: función que envía mensajes hacia el servidor TCP.
Esta función recibe como argumento la variable que se quiere guardar y
una llave identificadora. Esta función recibe como argumento un puntero
del mensaje que se quiere enviar junto con su largo.
o tcp_socket_close: función que realiza la desconexión al socket TCP.
139
A.5. ESTRUCTURA BASE DE DATOS
A continuación, se detalla el contenido de las tablas de la base de datos invisible
para la interfaz de usuario.
• Devices: esta tabla contiene todos los dispositivos que se han conectado con
el servidor TCP. Dentro de las variables que la tabla almacena, se
encuentran:
o Device_ID: variable que identifica las mallas, se asigna a cada dispositivo
de forma autoincremental.
o Mac_Adress: variable del tipo “varchar”, contiene la dirección Mac del
dispositivo.
o Status: variable del tipo “tinyint”, guarda el modo de operación de la malla
de caucho.
o Type_Config: variable del tipo “tinyint”, almacena el tipo de configuración
de la malla.
o Physical_ID: variable del tipo “int”, contiene un número que identifica a la
malla, debido a que esta anotado en el caucho.
o Pos_x: variable del tipo “tinyint”, conserva la coordenada del eje x de la
ubicación de la malla, respecto al harnero.
o Pos_y: variable del tipo “tinyint”, conserva la coordenada del eje y de la
ubicación de la malla, respecto al harnero.
140
• Devices_Log: esta tabla guarda cada “handshake” o intento de conexión que
la malla realiza hacia el servidor TCP. Dentro de las variables que la tabla
almacena, se encuentran:
o ID: se asigna a cada dispositivo de forma autoincremental
o Device_ID: almacena el “Device_ID” del dispositivo que realiza el intento
de conexión.
o Status: guarda el “Status” del dispositivo que realiza el intento de
conexión.
o Time_Stamp: conserva la hora y fecha de cuando el dispositivo realiza el
intento de conexión.
o Battery_Level: variable del tipo “tinyint”, almacena la cantidad de energía
disponible de la batería del sensor inserto de la malla.
o Waernig_and_Tearing_level: variable del tipo “tinyint”, almacena el nivel
de desgaste que tiene malla.
• Raw_Devices_Data: esta tabla guarda los datos enviados por la malla,
cuando esta se encuentra en modo de medición. Los datos provenientes del
acelerómetro y giroscopio se envían y almacenan como un arreglo de bytes.
Dentro de las variables que la tabla almacena, se encuentran:
o ID: se asigna a cada dispositivo de forma autoincremental
o Device_ID: almacena el “Device_ID” del dispositivo que realiza el intento
de conexión.
141
o Ax: guarda las aceleraciones del eje x, enviadas por el acelerómetro del
sensor embebido en la malla.
o Ay: guarda las aceleraciones del eje y, enviadas por el acelerómetro del
sensor embebido en la malla.
o Az: guarda las aceleraciones del eje z, enviadas por el acelerómetro del
sensor embebido en la malla.
o Gx: guarda las velocidades angulares del eje x, enviadas por el
giroscopio del sensor embebido en la malla.
o Gy: guarda las velocidades angulares del eje y, enviadas por el
giroscopio del sensor embebido en la malla.
o Gz: guarda las velocidades angulares del eje z, enviadas por el
giroscopio del sensor embebido en la malla.
o Session_time_stamp: conserva la hora y fecha de cuando el dispositivo
envía los datos al servidor TCP.
• Protocol_Devices_Data: esta tabla es similar a la “Raw_Devices_Data” con
la única diferencia que los datos provenientes del acelerómetro y giroscopio
se transforman de un arreglo de bytes a un valor numérico. Este valor
numérico esta acompañado de su unidad de medida. (en caso de las
aceleraciones la unidad es gravedad [G] y para la velocidad angular es
metros divido segundos [𝑚
𝑠])
• Data_For_ML: esta tabla guarda los datos enviados por un algoritmo de
procesamiento de datos. Este algoritmo toma los datos de la tabla
142
Protocol_Devices_Data y realiza cálculos de valores RMS y FFT. Dentro de
las variables que la tabla almacena, se encuentran:
o ID: se asigna a cada dispositivo de forma autoincremental
o Device_ID: almacena el “Device_ID” del dispositivo que realiza el intento
de conexión.
o Waernig_and_Tearing_level: almacena el nivel de desgaste que tiene la
malla.
o Rms_x: guarda los valores RMS de las aceleraciones del eje x.
o Rms_y: guarda los valores RMS de las aceleraciones del eje y.
o Rms_z: guarda los valores RMS de las aceleraciones del eje z.
o A1: guarda la mayor amplitud de la FFT calculada.
o F1: guarda la frecuencia en la que se encuentra la mayor amplitud de la
FFT calculada.
o A2: guarda la segunda mayor amplitud de la FFT calculada.
o F2: guarda la frecuencia en la que se encuentra la segunda mayor
amplitud de la FFT calculada.
o A3: guarda la tercera mayor amplitud de la FFT calculada.
o F3: guarda la frecuencia en la que se encuentra la tercera mayor amplitud
de la FFT calculada.
o A4: guarda la cuarta mayor amplitud de la FFT calculada.
o F4: guarda la frecuencia en la que se encuentra la cuarta mayor amplitud
de la FFT calculada.
143
o A5: guarda la quinta mayor amplitud de la FFT calculada.
o F5: guarda la frecuencia en la que se encuentra la quinta mayor amplitud
de la FFT calculada.
o Session_time_stamp: conserva la hora y fecha de cuando el dispositivo
envía los datos al servidor TCP.
A continuación, se detalla el contenido de las tablas de la base de datos visible
para la interfaz de usuario.
• Devices_Config: esta tabla se guardan los tipos de configuración que las
mallas pueden tener. Dentro de las variables que la tabla almacena, se
encuentran:
o Type_Config: variable del tipo “tinyint”, que identifica los tipos de
configuración, se asigna a cada dispositivo de forma autoincremental.
o Sampling_Frequency: variable del tipo “int”, que configura la frecuencia
de muestreo del sensor embebido en la malla. Esta variable puede tomar
los valores de 100[Hz], 200[Hz], 300[Hz] o 400[Hz].
o Tiempo_de_Muestreo_Horas: variable del tipo “int”, que configura el
periodo (en horas) con la que el sensor toma mediciones.
o Tiempo_de_muestreo_Minutos: variable del tipo “int”, que configura el
periodo (en minutos) con la que el sensor toma mediciones.
o Acc_Sensibility: variable del tipo “tinyint”, que configura la sensibilidad del
acelerómetro del sensor embebido en la malla. Esta variable puede tomar
los valores de 2[G], 4[G], 8[G] o 16[G].
144
o Gyro_Sensbility: variable del tipo “int”, que configura la sensibilidad del
giroscopio del sensor embebido en la malla. Esta variable puede tomar
los valores de 200[𝑚
𝑠], 250[
𝑚
𝑠], 500[
𝑚
𝑠], 1000[
𝑚
𝑠].
o Acc_Sensibility_Anymotion: variable del tipo “tinyint”, que configura el
umbral de aceleración con la que la función “Anymotion” entrega una
salida digital “1”. Esta variable puede tomar los valores de 2[G], 4[G] o
8[G].
o RF_Calibration: variable del tipo “tinyint”, controla si se ejecuta una
calibración de la antena de acuerdo a la señal recibida. Esta variable
puede tomar los valores de “1” para ejecutar la calibración o “0” para no
ejecutarla.
o Selec_ssid: variable del tipo “tinyint”, controla a cuál señal WiFi se
conecta la malla. Esta variable puede tomar los valores de números
naturales, estos corresponden a que señal asignar de una lista de
nombres posibles predefinidos.