UNIVERSIDAD VERACRUZANA

FACULTAD DE INGENIERA MECNICA Y

ELCTRICA

DIAGNSTICO DE FALLAS EN MOTORES

ELCTRICOS DE INDUCCIN TRIFSICOS
TIPO JAULA DE ARDILLA USANDO REDES
NEURONALES ARTIFICIALES

TESIS
Que para obtener el ttulo de:
INGENIERO MECNICO ELCTRICISTA

PRESENTA:
ALEXANDRA ESTEPHANY BARUCH VERA

DIRECTOR:
DRA. ROSARIO ALDANA FRANCO

XALAPA, VER.

JUNIO 2013

AGRADECIMIENTOS

Agradezco de manera muy especial a la Dra. Rosario Aldana Franco, quien me

ense todo lo necesario para poder realizar este trabajo, brindndome su tiempo
y paciencia; y algo an ms valioso: su amista.
Al Dr. Alfredo Ramrez Ramrez, cuyo apoyo y conocimientos fueron primordiales
en el proceso de investigacin.
Al Dr. Adres Lpez Velzquez, quien nos recibi con gran agrado integrndonos a
su espacio de trabajo, hacindonos sentir siempre parte de un equipo.

A mi familia, sin quienes definitivamente esto no hubiese sido posible.

NDICE

INTRODUCCIN. ....................................................................................... 1
Naturaleza, sentido y alcance del trabajo. .......................................... 1
El diagnostico en ingeniera. ............................................................... 2
Estructura del trabajo. ......................................................................... 2
CAPTULO I: DESCRIPCIN DEL PROBLEMA E HIPTESIS. ................ 4
1.1 Planteamiento del Problema. ........................................................ 4
1.2 Justificacin. ................................................................................. 5
1.3 Hiptesis. ...................................................................................... 7
1.4 Objetivos. ...................................................................................... 7
1.4.1 Objetivo General. ............................................................... 7
1.4.2 Objetivos Particulares. ....................................................... 7
CAPTULO II: MARCO TERICO. ............................................................... 9
2.1 Motores elctricos de induccin. ................................................... 9
2.1.1 Historia. ............................................................................. 9
2.1.1.1 El experimento de Oersted. ................................... 10
2.1.1.2 Estructura de un Motor Elctrico. ........................... 11
2.1.1.2.1 Estator. ....................................................... 11
2.1.1.2.2 Rotor. .......................................................... 14

2.1.1.2.3 Otras Partes. ............................................... 15

2.1.1.3 Clasificacin de los Motores Elctricos. ................. 17
2.1.1.4 Motores Elctricos de Corriente Alterna Asncronos
Trifsicos o de Induccin. ................................................... 19
2.1.1.4.1 Motor de Induccin tipo jaula de ardilla. ..... 23
2.1.2 Motores Elctricos de Induccin en la Industria. ............... 29
2.1.3 Fallas. ................................................................................ 36
2.1.4 Zonas de Falla. .................................................................. 37
2.1.4.1 Circuito de Potencia. .............................................. 38
2.1.4.2 Calidad de Energa. ............................................... 39
2.1.4.3 Aislamiento. ............................................................ 42
2.1.4.4 Estator. ................................................................... 44
2.1.4.5 Rotor. ..................................................................... 45
2.1.5 Clasificacin de Fallas. ...................................................... 47
2.1.5.1 Clasificacin de las Fallas en los Motores Elctricos
Trifsicos de Induccin Jaula de Ardilla. ............................ 48
2.1.5.1.1 Fallas Mecnicas. ....................................... 49
2.1.5.1.2 Fallas Elctricas. ......................................... 56
2.2 Redes Neuronales Artificiales. ...................................................... 64
2.2.1 El Modelo Biolgico de Redes Neuronales Artificiales. ..... 65
2.2.1.1 Estructura de la Neurona. ...................................... 66
2.2.1.1.1 Funcionamiento de la Neurona. .................. 68

2.2.1.1.2 La Sinapsis. ................................................ 71

2.2.1.2 El Modelo de McCulloc y Pitts. ............................... 72
2.2.1.3 El Perceptrn. ........................................................ 73
2.2.1.3.1 Arquitectura. ............................................... 75
2.2.1.3.2 Aprendizaje Supervisado. ........................... 76
2.2.1.3.3 Caracterstica. ............................................. 80
2.2.1.4 Clasificacin de las RNA. ....................................... 82
2.2.1.4.1 Clasificacin de las RNA segn Richard P.
Lippmann. .................................................................. 84
2.2.1.4.2 Redes Competitivas. ................................... 85
2.2.1.4.3 Red de Hamming. ....................................... 88
CAPTULO III: MARCO METODOLGICO. ................................................ 92
3.1 Mtodos y procedimientos. ........................................................... 92
3.2 Algoritmo de Hamming. ................................................................. 94
3.3 Experimentos. ............................................................................... 97
3.4 Cmo se usa el programa. ............................................................ 99
RESULTADOS. ........................................................................................... 103
CONCLUSIONES Y PERSPECTIVAS. ....................................................... 105
REFERENCIAS. .......................................................................................... 106
BIBLIOGRAFA. .......................................................................................... 106
ANEXOS. .................................................................................................... 115
Anexo 1: Paper. .................................................................................. 115

Anexo 2: Cartel. .................................................................................. 119

INTRODUCCIN

En la presente investigacin se plante el problema del diagnstico de motores

elctricos de induccin trifsicos tipo jaula de ardilla como una tarea cognitiva de
clasificacin de patrones, a partir de sntomas caractersticos de cada tipo de falla
y se propuso el desarrollo e implementacin de un software libre, amigable con el
usuario y portable, basado en Redes Neuronales Artificiales (por sus siglas en
espaol RNA), usando una arquitectura de Hamming, especficamente para
apoyar a los ingenieros para la identificacin de fallas en motores elctricos de
induccin trifsicos tipo jaula de ardilla y como recurso didctico para apoyar el
aprendizaje correspondiente en estudiantes de ingeniera mecnica elctrica,
elctrica o mecnica.
Las fallas de motores no identificadas o fuera de tiempo, provocan daos al equipo
y, en consecuencia, prdidas econmicas por destruccin del equipo y/o por
daos a los operadores.
El software desarrollado para apoyar la labor de diagnstico de fallas en motores
elctricos de induccin trifsicos tipo jaula de ardilla finalmente, y una vez que los
patrones estuvieron correctamente definidos, se prob con 15 patrones tomados al
azar dando como resultado un 80% de efectividad.

Naturaleza, sentido y alcance del trabajo

Para realizar esta tesis se model el conocimiento que un experto tiene acerca del
diagnstico de fallas de motores de induccin trifsicos tipo jaula de ardilla para
construir los patrones de sntomas que caracterizan a cada una de ellas.
La tarea de diagnstico de fallas se plante como una tarea lgica de clasificacin,
misma que se us para solucionar el problema que representa la identificacin de
fallas en ingeniera, se propuso el uso de una red de Hamming por sus entradas

binarias para identificar las fallas comparando casos reales con casos tpicos de
fallas de motores elctricos de induccin.
El software est implementado en C IDE para DOS que es una versin libre, es
sencillo de manejar, an para quin no tiene mucha experiencia en el manejo de la
computadora, y es portable.

El diagnstico en ingeniera
Sotelo-Rosas y Ramrez-Carrera (2005) realizaron un estudio de campo en la
divisin de estudios de posgrado e investigacin del Instituto Tecnolgico de
Orizaba, revisando 50 tesis de maestra en ciencias en ingeniera administrativa e
ingeniera industrial, tambin realizaron 50 encuestas a alumnos de la maestra en
ingeniera administrativa; encontraron que dichos tesistas y estudiantes tenan
problemas en la fase de diagnstico para la solucin de problemas tecnolgicos,
pues el 30% de ellos manifestaron desconocer los pasos para realizarlo, de ah la
importancia de caracterizar la tarea de clasificacin, con el fin de mostrarles el
procedimiento algortmico correspondiente. En el mismo estudio, los autores
encontraron que el diagnstico en ingeniera puede realizarse siguiendo el mtodo
cientfico.
El diagnstico, en general, es una tarea lgica de clasificacin porque para
realizarla primero es necesario contar con un conjunto de caractersticas que
definen un patrn y definir un conjunto patrones, uno por cada falla, cuando se
tiene un conjunto de caractersticas nuevo, se compara con los patrones
disponibles y se asocia con el que resulta ms semejante para determinar la falla.

Estructura del trabajo

En el presente trabajo se propone un diagnstico de fallas en motores elctricos
de induccin trifsicos tipo jaula de ardilla apoyado en una rama de la Inteligencia
Artificial conocida como Redes Neuronales Artificiales usando como herramienta
principal la Neurona Artificial con arquitectura de Hamming. Esta tcnica no solo

es econmica, si no que no requiere ser operada forzosamente por un especialista

ya que, an sin conocimientos previos sobre motores, cualquier usuario podra
responder al programa ya que cada pregunta se basa nicamente en sntomas
que pueden ser detectados mediante observacin, as como el odo y el tacto.
Adems del ahorro de tiempo, esta tcnica ofrece una ventaja ms, ya que puede
ser usada como una herramienta de aprendizaje para los futuros ingenieros
mecnicos y/o elctricos dado que los ayuda a desarrollar sus conocimientos y a ir
conociendo las diferencias entre un motor que funciona correctamente, o bien, uno
que est presentando una anomala.
Para su desarrollo, este trabajo se estructura en ocho captulos.
El captulo 1 pertenece a la introduccin, su naturaleza, sentido y su alcance,
adems de la descripcin del diagnstico en ingeniera.
Para el captulo 2 se tiene la descripcin y planteamiento del problema, as como
la justificacin, hiptesis y los objetivos, los cuales esta divididos en objetivos
generales y objetivos particulares.
Para el captulo 3 se aborda el marco terico, el cual se divide en dos temas
bsicos. Dichos temas son los motores elctricos de induccin y las Redes
Neuronales Artificiales (RNA).
El captulo 4 contiene el marco metodolgico utilizado en el proceso de la
investigacin, as como la descripcin del mtodo empleado, los procedimientos y
los experimentos realizados.
En el captulo 5 se presentan los resultados obtenidos.
Finalmente, los captulos 6, 7 y 8 mencionan las conclusiones obtenidas,
referencias y anexos respectivamente.

DESCRIPCIN DEL PROBLEMA

1.1 Planteamiento del problema

Falla es una condicin no deseada que hace que un sistema no desempee una
funcin para la cual existe; es la discrepancia resultante de comparar lo que est
sucediendo con lo que debera suceder. Las fallas pueden ser vitales, importantes
o triviales (Arredondo, 2011).
Las fallas en motores elctricos de induccin no diagnosticadas oportunamente
causan prdidas econmicas y humanas en la industria.
Cuando ocurre una falla existen prdidas econmicas y de tiempo, que son las
ms importantes, porque se puede incumplir con los objetivos y metas de
produccin o servicio, tambin se puede causar daos al personal o a otra
mquina.
Las fallas vitales ocurren al principio de la vida til y constituyen un porcentaje
pequeo del total de fallas. Pueden ser causadas por problemas de materiales, de
diseo o de montaje.
Las fallas importantes son las fallas que presentan mayor frecuencia durante la
vida til del equipo, se derivan de las condiciones de operacin, por ejemplo,
suciedad en un filtro de aire, cambios de rodamientos de una mquina y se
presentan ms lentamente que las fallas triviales.
Las fallas triviales representan una pequea fraccin de las fallas totales,
aparecen en forma lenta y ocurren en la etapa final de la vida del bien por
envejecimiento de aislamiento de un pequeo motor elctrico, prdida de flujo
luminoso de una lmpara, por ejemplo.
Para realizar un diagnstico de fallas se deben analizar los datos recopilados y
plantear una hiptesis de la causa de la falla para contrastarla con las fallas
caracterizadas. Este mtodo de anlisis permite confirmar o descartar los
supuestos hechos al pretender encontrar el origen de la falla. En esta etapa es
comn escuchar y analizar las opiniones de los expertos, porque un buen

diagnstico tiene como consecuencia, un mejor funcionamiento en las mquinas y

evitar prdidas econmicas, porque esperar a que ocurra una falla para darles
mantenimiento puede implicar detener la produccin.

1.2 Justificacin
La ingeniera es una profesin basada en el uso de los conocimientos cientficos
para transformar ideas en acciones; pero dado que la ingeniera trabaja con el
mundo real, las reas de la matemtica, la fsica y la qumica son comunes a
todas las carreras, para modelar y explicar los fenmenos que se estudian; a
diferencia de las ciencias puras cuyo objetivo es construir conocimiento para
comprender un fenmeno, la ingeniera se basa en la aplicacin del conocimiento
cientfico para la solucin de problemas reales.
En la ingeniera se emplea la ciencia como un medio para proponer soluciones,
pero est ntimamente ligada con la experimentacin y la gestin; su objetivo final
es resolver problemas, con el mejor uso de los recursos.
La Ingeniera Mecnica Elctrica es una combinacin de dos ramas de la
ingeniera, la Ingeniera Mecnica y la Ingeniera Elctrica; que permite a sus
practicantes abordar la solucin de problemas como el uso eficiente de la energa
elctrica para el desarrollo industrial, la automatizacin de mquinas y la mejora
de procesos en las empresas.
El ingeniero mecnico electricista est capacitado para disear maquinaria,
dispositivos elctricos y electrnicos, sistemas mecnicos, de control de procesos
industriales y de servicio con base en microcomputadoras. Tambin supervisa la
manufactura de equipo industrial, dirige el montaje, operacin y mantenimiento de
instalaciones y sistemas mecnicos, planea la operacin de sistemas de
generacin y distribucin de energa elctrica, adems de intervenir en el estudio y
realizacin de los sistemas de comunicacin tales como telefona, televisin,
satlites, entre otros.

Para desempearse en la ingeniera se requiere inters y aptitud hacia las

ciencias bsicas y las matemticas; habilidad para aplicarlas a los problemas
prcticos; visualizar relaciones, describirlas e interpretar los resultados en trminos
de objetivos. Pero fundamentalmente lo que se requiere es una mente analtica,
creatividad y sentido comn.
Los campos de la ingeniera mecnica se dividen en una cantidad extensa de subdisciplinas. Muchas de las disciplinas que pueden ser estudiadas en Ingeniera
mecnica pueden tocar temas comunes con otras ramas de la ingeniera. Un
ejemplo de ellos son los motores elctricos que se solapan con el campo de los
ingenieros elctricos o la termodinmica que tambin es estudiada por los
ingenieros qumicos. Algunos de los campos de la ingeniera mecnica elctrica
son ingeniera de producto y de manufactura, robtica industrial, mecatrnica,
manufactura flexible, mecanismos inteligentes, motores hbridos, nanomquinas,
siderrgica y biomecnica, por ejemplo.
Debido a la complejidad creciente de los anlisis que se realizan en todas las
ramas de la Ingeniera mecnica elctrica, el clculo asistido por ordenador ha
tomado importancia y se ha producido una evolucin en la representacin de los
sistemas fsicos, pasando de esquematizar partes del sistema en modo
aproximado a reproducir todo el conjunto en modo detallado. Este proceso ha sido
posible en gran parte debido a la constante mejora de las caractersticas de los
equipos informticos, y a la mejora de los programas de clculo.
En el diseo de nuevos componentes, el uso de estas herramientas permite en la
mayora de los casos obtener resultados ms precisos y sobre todo una reduccin
de costes al analizar virtualmente el pronstico de nuevas soluciones.
En el proceso de anlisis y diseo se utilizan herramientas de clculo como el
anlisis mediante elementos finitos (FEA por sus siglas en ingls) o volmenes
finitos as como tambin la dinmica de fluidos computacional (CFD). El diseo de
procesos de fabricacin con ayuda de computadores (LEVA), permite que los

modelos generados se puedan utilizar directamente para crear "instrucciones"

para la fabricacin de los objetos representados por los modelos, mediante
mquinas de control numrico (CNC) u otros procesos automatizados, sin la
necesidad de dibujos intermedios.
Junto con el uso de la computadora, en la solucin de problemas de la ingeniera
mecnica elctrica, se ha incorporado el uso de tcnicas de inteligencia artificial
para optimizar (algoritmos genticos), para planear y clasificar (redes neuronales
artificiales), automatizar de forma inteligente (sistemas expertos y agentes).

1.3 Hiptesis
Se puede realizar el diagnstico de fallas de motores elctricos de induccin
trifsicos tipo de jaula de ardilla con el uso de una red de Hamming.

1.4 Objetivos
1.4.1 Objetivo general
El objetivo general es mejorar la tarea de diagnstico en Ingenieros mecnicos
elctricos y elctricos, usando una red de Hamming.

1.4.2 Objetivos particulares

Definir el diagnstico como una tarea de clasificacin.

Definir los patrones de fallas de motores de induccin con base en sntomas

caractersticos

Implementar computacionalmente una red de Hamming para realizar el

diagnstico de fallas usando sntomas.

Probar el software con expertos ingenieros.

MARCO TERICO

Generalmente las nicas herramientas usadas por el personal de mantenimiento

para identificar fallas en motores han sido un megger (medidor de aislamiento) y
un ohmmetro; pero la informacin obtenida es muy general y no precisa la zona
de falla del motor en estudio. Es muy fcil el diagnstico errneo si se basa en los
resultados de un megger.
Por ejemplo, un corto circuito entre espiras o entre fases puede estar disparando
un motor y al medir el aislamiento este parece en buen estado, porque estas fallas
aunque son un problema de aislamiento en el devanado podran estar aisladas
completamente de tierra y, por lo tanto, el megger no las indica. Este tipo de
anomalas deteriora rpidamente el devanado, que se traducir en un futuro
reemplazo u overhaul del motor.
La figura 1 muestra los resultados de un estudio realizado entre el Electric Power
Research Institute (EPRI) y General Electric en 1985, para mostrar las fuentes de
falla en motores elctricos, en ella se puede apreciar que las fallas ms
recurrentes se encuentran en los rodamientos (41%), seguida por el estator (37%),
otras varias (12%) y por ultimo las del rotor (10%).

Fuentes de fallas en
motores elctricos
12%

10%
Rotor

41%

37%

Estator
Rodamientos
Otros

Figura 1. Fuentes de fallas en motores elctricos (Electric Power Research

Institute, 1985).

2.1 Motores elctricos de induccin

Una mquina elctrica rotativa es un dispositivo que puede convertir energa
mecnica en energa elctrica o energa elctrica en energa mecnica. Cuando
este dispositivo es utilizado para convertir energa mecnica en elctrica se
denomina generador, y cuando convierte energa elctrica en energa mecnica se
denomina motor (Chapman, 1984).
Existen diversos tipos de motores los cuales se clasifican dependiendo su
construccin.
Los motores de induccin trifsicos tipo jaula de ardilla son parte de los motores
de corriente alterna y se caracteriza especficamente por la forma de su rotor. Por
otra parte, se dicen que son trifsicos porque para generar tensiones trifsicas
necesitan un alternador con tres devanados iguales pero desfasados 120 en el
espacio. Estos devanados se encuentran en la parte no giratoria de la mquina
llamada estator (CIFP, 2013).

2.1.1 Historia
En 1820, el fsico-qumico Hans Christian Oersted descubri la relacin entre la
electricidad y el magnetismo en un experimento que llev a cabo ante sus
alumnos. Demostr empricamente que un hilo conductor de corriente poda mover
la aguja imantada de una brjula; poda haber interaccin entre las fuerzas
elctricas y las fuerzas magnticas, lo que en aquella poca result revolucionario
(CSIC, 2012).
A Oersted no se le ocurri una explicacin satisfactoria del fenmeno, y tampoco
trat de representar el fenmeno matemticamente. Sin embargo, public
enseguida el resultado de sus experimentos en un pequeo artculo en latn
titulado Experimenta circa effectum conflictus electrici in acum magneticam. Sus
escritos se tradujeron enseguida y tuvieron gran difusin en el seno de la
comunidad cientfica europea, aunque los resultados fueron criticados con dureza
(CSIC, 2012).

Ampere conoci los experimentos de Oersted en septiembre de 1820, donde se

pona de manifiesto la influencia magntica asociada a las cargas elctricas en
movimiento, dando paso a una conjetura que no tard en demostrarse
experimentalmente, sta deca que las corrientes elctricas que circulan por hilos
conductores prximos ejercen una influencia mutua de origen magntico que
modifica sus magnitudes y propiedades (CSCI, 2012). Basndose en este
descubrimiento, Andr Marie Ampere desarroll, en 1831 las bases matemticas
de esta teora y formul una ley del electromagnetismo, denominada Ley de
Ampere donde describi matemticamente la relacin del campo magntico
esttico con la causa que lo produce, la corriente elctrica. Defini la unidad de
medida de la corriente elctrica: el amperio, as como el instrumento para medirla,
el ampermetro.
Cuanto ms se aceptaban las teoras de Ampere por parte de otros cientficos,
ms se reconoca la autenticidad e intuicin de Oersted (CSIC, 2012).
2.1.1.1 El experimento de Oersterd
Al realizar su experimento (ver figura 2), Oersted comprob que colocando una
espira alrededor de una brjula, si se haca pasar una corriente por la espira, la
aguja de la brjula (el imn) se mova, descubriendo as la relacin que existe
entre la electricidad y el magnetismo. Con este experimento se demostr que la
espira al ser atravesada por una corriente generaba un campo magntico (fuerzas
magnticas) que interactuaban con la fuerza magntica de la aguja imantada,
produciendo en esta un giro.

Figura 2. Ejemplo del experimento realizado por Oersted. (Campillo, 2010).

10

Entonces, si se hace pasar corriente por unas espiras (bobinado) y en su interior

se tiene un imn que puede girar sobre un eje (rotor) se consigue crear un motor
elctrico, ya que el eje del imn se mueve convirtiendo as la energa elctrica en
energa mecnica con el movimiento del eje, como se muestra en la figura 3 (rea
Tecnologa, 2012).

Figura 3. Simplificacin del principio de un motor elctrico (rea Tecnologa,

2012).

2.1.1.2 Estructura de un motor elctrico

La constitucin de toda mquina elctrica rotativa, ya sea de corriente directa, o
de corriente alterna es muy similar.
Dentro de las caractersticas estructurales de los motores elctricos estn el
estator, el rotor, las escobillas, la carcasa o culata, el entrehierro, los cojinetes, la
caja de conexiones, las tapas y la base. No obstante, es posible que un motor
funcione simplemente con el estator y el rotor.
2.1.1.2.1 Estator
Se le llama estator por ser la parte fija del motor, tambin se conoce como
inductor, es una de las dos partes fundamentales que forman cualquier mquina
elctrica y se encarga de producir y de conducir el flujo magntico.

11

El estator es el elemento que opera como base, permitiendo que desde ese punto
se lleve a cabo la rotacin del motor; que no se mueve mecnicamente, pero si
magnticamente. Existen dos tipos de estatores, Estator de polos salientes y
Estator ranurado, como se muestra en la figura 4.

Figura 4. Tipos de Estatores (Rontom, 2011).

El estator est constituido por un conjunto de lminas de acero al silicio (paquete),

que permiten el paso del flujo magntico con facilidad; la parte metlica del estator
y los devanados proveen los polos magnticos. Los polos de un motor siempre
son pares (pueden ser 2, 4, 6, 8, 10, por ejemplo), por ello el mnimo de polos que
puede tener un motor para funcionar es dos (un norte y un sur). En la figura 5 se
muestra, como ejemplo, un motor trifsico (debido a que las fuerzas
electromagnticas estn desfasadas 120) y un rotor sencillo de 2 polos (un norte
y un sur).

12

Figura 5. Ejemplo de rotor de dos polos (CIFP, 2013).

Los elementos de los que consta el estator (ver figura 6) son el ncleo, la pieza
polar, la expansin polar y el devanado inductor (Sanjurjo, 1989).
El ncleo forma parte del circuito magntico de la mquina junto con los polos, las
expansiones polares, el entrehierro, inducido y la culata, y en l se encuentran los
devanados inductores.
La pieza polar, sujeta a la culata de la mquina, incluye al ncleo propiamente
dicho y a su expansin.
La expansin polar es la parte ms ancha de la pieza polar, y se encuentra
prxima al inducido o rotor de la mquina.
El devanado inductor est formado por el conjunto de espiras que, en nmero
prefijado para cada tipo de mquina, producir el flujo magntico cuando circule la
corriente elctrica.

13

Figura 6. Elementos de los que consta el estator (Quintns, 2011).

2.1.1.2.2 Rotor
El rotor constituye la parte mvil del motor, es el otro elemento fundamental del
motor elctrico, se denomina tambin inducido.
El rotor es el elemento de transferencia mecnica, ya que de l depende la
conversin de energa elctrica a mecnica. Los rotores, son un conjunto de
lminas de acero al silicio que forman un paquete, y pueden ser bsicamente de
tres tipos, Rotor ranurado, Rotor de polos salientes y Rotor jaula de ardilla (Videla,
2012), como se muestra en la figura 7.

Figura 7. Tipos de Rotores. (Rontom, 2011).

14

El rotor consta, a su vez, de otros elementos como el ncleo del inducido o ncleo
del rotor, devanado inducido y colector.
El ncleo del inducido o ncleo del rotor est formado por un cilindro de chapas
magnticas que estn construidas, generalmente, de acero laminado con un 2 %
de silicio para mejorar las prdidas en el circuito magntico. Este cilindro se fija al
eje de la mquina, el cual descansa sobre unos cojinetes de apoyo. Las chapas
que forman el inducido o rotor de la mquina disponen de ranuras en las que se
alojan los hilos de cobre del devanado inducido.
El devanado inducido se encuentra conectado al circuito exterior de la mquina a
travs del colector, y es en l donde se produce la conversin de energa.
El hilo de cobre utilizado para los devanados inducido e inductor es de cobre
electroltico, el cual presenta una resistividad de 0.017 mm2/m a 20 C de
temperatura.
El colector es un conjunto de lminas de cobre, denominadas delgas, aisladas
entre s y conectadas a las secciones del devanado del inducido. Sobre las delgas
se deslizan las escobillas (Videla, 2012).
2.1.1.2.3 Otras partes
Algunas otras partes que conforman los motores elctricos son las escobillas, la
culata o carcasa, el entrehierro y los cojinetes, entre otras las cuales no son
mencionadas pero que se pueden ver sealadas en las figuras 8, 9 y 10.
Las escobillas generalmente se fabrican de carbn o de grafito, se alojan en un
porta escobillas desde donde se deslizan sobre las delgas del colector y, mediante
un conductor flexible, se unen a los bornes del inducido, como se muestra en
figura 8.

15

Figura 8. Escobillas (Sanjurjo, 1989).

En las figuras 9 y 10 se pueden observar algunas de las siguientes partes:

La culata o carcasa es la envoltura de la mquina elctrica y est hecha de
material ferromagntico. Su misin es conducir el flujo creado por el devanado
inductor. Tambin se unen a ella los polos de la mquina.
El entrehierro es el espacio existente entre la parte fija y la parte mvil de la
mquina, es decir, entre el rotor y las expansiones polares, evitndose de esta
manera el rozamiento entre ambos.
Los cojinetes sirven de apoyo al eje del rotor de la mquina.

Figura 9. Algunas partes del motor elctrico (Sanjurjo, 1989).

16

Figura 10. Algunas partes del inductor as como del inducido

(Severomaquinaselectricas, 2012).

2.1.1.3 Clasificacin de los motores elctricos

El experimento de Oersted revolucion el campo de la mecnica, y con el paso del
tiempo los motores se fueron ajustando a aplicaciones e inventos que han
cambiado al mundo, haciendo ciertas tareas cotidianas ms simples y cmodas,
influyendo directamente en el ahorro de tiempo, por ejemplo. Algunos de estos
inventos fueron, la lavadora, el refrigerador, los ventiladores, los equipos de aire
acondicionado, por mencionar algunos.
Algunas de las ventajas de los motores elctricos son, por ejemplo, que no
requieren ventilacin ni combustibles constantes, como los motores de combustin
interna; por esta razn son adecuados en ambientes donde es indeseable tener
residuos contaminantes. Adems, la energa calorfica y la mecnica se pueden
convertir en energa elctrica en sitios lejanos y transmitirla a grandes distancias
hasta cualquier hogar, oficina o fbrica donde se requiera.
Los motores elctricos se clasifican segn el tipo de corriente utilizada para su
alimentacin en de corriente directa y de corriente alterna (ver figura 11).

17

Los motores de corriente directa pueden ser de excitacin independiente, de

excitacin serie, de excitacin en derivacin o shunt, de excitacin compuesta o
compud, como se muestra en la figura 11 (Sanjuro, 1990).
Los motores de corriente alterna pueden ser asncronos y sncronos. Los motores
asncronos, a su vez, pueden ser monofsicos o trifsicos; los motores
monofsicos pueden ser de bobinado auxiliar, de espira en cortocircuito o
universal; mientras que los motores trifsicos pueden ser de rotor bobinado o de
rotor en corto circuito (tambin conocidos como de jaula de ardilla), como se
muestra en la figura 11 (Sanjuro, 1990).
Todos los motores de corriente directa as como los sncronos de corriente alterna,
incluidos en la clasificacin la figura 11, tienen aplicaciones especficas, por lo que
es poco comn encontrarlos de manera cotidiana.

Figura 11. Taxonoma de los motores elctricos (elaborado a partir de la

informacin de Sanjuro, 1990).

18

Los motores de corriente alterna asncronos, tanto monofsicos como trifsicos,

son los que tienen una aplicacin ms generalizada por su facilidad de utilizacin,
poco mantenimiento y bajo costo de fabricacin. Sin embargo, an dentro de estos
mismos los ms comunes de encontrar son los motores elctricos asncronos de
corriente alterna trifsicos, tambin conocidos como motores de induccin, siendo
estos mismos de inters en esta investigacin.

2.1.1.4 Motor Elctrico de Corriente Alterna Asncrono o de Induccin

Trifsico
Las ideas fundamentales sobre los motores de induccin fueron desarrolladas
hacia finales de 1880 por Nikola Tesla, quien, en 1887, construy el primer motor
de induccin, sin escobillas alimentado con corriente alterna, el cual present en el
AIEE (American Institute of Electrical Engineers), actualmente conocido como
IEEE (Institute of Eectrical and Electronics Engineers).
Despus de algunos aos de investigacin recibi la patente de sus ideas en
1888. El 16 de mayo de ese ao fue invitado a ofrecer una ponencia sobre "Un
nuevo sistema para motores y transformadores de Corriente Alternante" en la
AIEE de Nueva York. Ya era entonces reconocido y aceptado como miembro de la
Asociacin de Ingenieros Elctricos.
El motor de induccin moderno se construy entre 1888 y 1895, durante ese
periodo se desarrollaron fuentes de potencia de dos y tres fases para producir
campos magnticos rotacionales dentro del motor, hacia 1896 estuvieron
disponibles en el comercio motores de induccin trifsicos plenamente
reconocidos y funcionales.
A comienzos de 1970 hubo progresos continuos en la calidad de los aceros, las
tcnicas de fundicin, los aislamientos y otros elementos utilizados en los motores
de induccin. Estos adelantos dieron como resultado un motor ms pequeo,
reduciendo los costos de fabricacin y transporte. En efecto, un motor de 100 HP

19

del ao de 1897 es igual en tamao fsico a uno de 7,5 HP en la actualidad

(General Electric Company, 2012).
El motor de induccin es el tipo ms popular de entre los motores de corriente
alterna, debido a su simplicidad y facilidad de operacin, porque carece de circuito
de campo separado; en cambio, depende de la accin transformadora para inducir
voltajes y corrientes en su circuito de campo (Chapman, 1984).
Los motores asncronos son aquellos motores elctricos en los que el rotor nunca
llega a girar en la misma frecuencia con la que lo hace el campo magntico del
estator. Se da el nombre de motor asncrono al motor de corriente alterna cuya
parte mvil gira a una velocidad distinta a la de sincronismo. Aunque a frecuencia
industrial la velocidad es fija para un determinado motor, hoy da se recurre a
variadores de frecuencia para regular la velocidad de estos motores.
Una mquina que solo tiene devanados de amortiguamiento se llama mquina de
induccin, porque el voltaje en el rotor (que produce la corriente en el rotor y el
campo magntico del rotor) se induce en los devanados del rotor en lugar de estar
fsicamente conectados por los cables. La caracterstica principal de un motor de
induccin es que no se necesita de corriente directa para que la mquina funcione.
Los motores de induccin de corriente alterna son la opcin preferida para las
aplicaciones industriales debido a su robusta construccin, la ausencia de
escobillas, que se requieren en la mayora de motores de corriente continua, y
porque gracias a la electrnica de potencia moderna, es posible controlar la
velocidad del motor.
Los motores de induccin se dividen en dos grupos los cuales dependen del rotor
que se utilice dentro del estator, estos pueden ser rotor de jaula de ardilla (ver
figura 12), o bien rotor bobinado. El rotor de jaula de ardilla consta de una serie de
barras conductoras dispuestas dentro de ranuras labradas en la cara del rotor y en
cortocircuito en alguno de los extremos mediante grandes anillos de cortocircuito,
como se aprecia en la figura 13.

20

Figura 12. Motor de jaula de ardilla (DirectIndustry, 2013).

Figura 13. Esquema del motor de jaula de ardilla (Baumeister, 1984).

A este diseo se le llama rotor de jaula de ardilla porque los conductores, si se

examinan por s solos, parecen una de las ruedas de ejercicio donde las ardillas o
hmsteres corren (Chapman, 1984). En la figura 14 se muestra otro esquema de
un rotor de jaula de ardilla, donde se aprecian sus distintos componentes.

21

Figura 14. Rotor jaula de ardilla. (Edison, 2012).

Por otra parte, las tres fases de los devanados del rotor normalmente estn
conectados en Y, y los extremos de los tres alambres del rotor estn unidos por
los anillos rozantes en el eje del rotor. Los devanados del rotor estn en
cortocircuito por medio de escobillas montadas en los anillos rozantes, como se
aprecia en la figura 15. Por lo tanto, los rotores bobinados de los motores de
induccin tienen corrientes en el rotor accesibles en las escobillas del estator,
donde se puede examinar y donde es posible insertar una resistencia extra en el
circuito del rotor. Se puede sacar ventaja de este hecho para modificar la
caracterstica par-velocidad del motor.

Figura 15. Devanados del rotor en cortocircuito por medio de escobillas montadas
en los anillos rozantes (Fily, 2009).

Los rotores bobinados de los motores de induccin son ms grandes que los
motores de induccin de jaula de ardilla (ver figura 16) y requieren mucho ms

22

mantenimiento debido al desgaste asociado con las escobillas y los anillos

rozantes; como resultado rara vez se utilizan los rotores devanados en los motores
de induccin.

Figura 16. Rotor de jaula de ardilla y Rotor de anillos (bobinado) (Alex, 2013).

2.1.1.4.1 Motor de Induccin tipo Jaula de Ardilla

Este tipo es sin duda el ms comn de todos los motores elctricos asincrnicos,
por su sencillez y forma constructiva. Se considera el motor ideal en la mayora de
las aplicaciones por su precio, robustez y fcil mantenimiento, tiene como
inconveniente que usa gran intensidad de corriente en el momento del arranque,
para lo que se han buscado alternativas en las caractersticas del material, forma
de las barras del rotor y en los dispositivos de arranque. En la figura 17 se muestra
un esquema de las distintas partes de un motor jaula de ardilla.
El arrollado estatrico de un de motor elctrico de induccin tipo jaula de ardilla
est conformado por tres devanados idnticos separados entre s 120 grados
elctricos con su respectiva conexin entre ellos, al estar cada devanado
conectado a una fase de la corriente elctrica trifsica equilibrada de la red de
alimentacin, se produce un campo magntico giratorio a una velocidad constante
(ver figura 18).

23

Figura 17. Componentes de un motor asncrono trifsico tipo jaula de ardilla.

(Edison, 2012).

Figura 18. Bobina del estator de un motor jaula de ardilla (Bordas, 2013).

As mismo, el devanado rotrico est conformado por un grupo de barras

conductoras unidas en sus extremos formando un cilindro (o jaula de ardilla), que
segn la ley de Faraday al estar en presencia de un campo magntico giratorio en

24

esas barras conductoras se produce una diferencia de potencial, como esas

barras estn cortocircuitadas entre s, circula una corriente elctrica y segn la
segunda ley de Laplace cargas elctricas en movimiento en el seno de un campo
magntico crean una fuerza magnetomotriz que hace girar el rotor en el mismo
sentido que el campo magntico a una velocidad inferior, ese movimiento del eje
es la energa mecnica utilizada (ver figura 19).

Figura 19. Rotor de una motor jaula de ardilla (Bordas, 2013).

Cuando se desarroll por primera vez el rotor de doble jaula de ardilla se cre tal
variedad y adaptabilidad en el diseo de rotores para motores de induccin que ha
llevado a diversas caractersticas de curva deslizamiento - par. Al dar la proporcin
correcta al devanado de doble jaula de ardilla, los fabricantes han desarrollado
numerosas variaciones del diseo del rotor de vaciado o normal nico. Estas
variaciones tienen por consecuencia pares de arranque mayores o menores que el
diseo normal y tambin menores corrientes de arranque.
Para

distinguir

entre

diversos

tipos

disponibles,

la

National

Electrical

Manufacturers Association (NEMA) ha desarrollado un sistema de identificacin

con letras en la cual cada tipo de motor comercial de induccin jaula de ardilla se
fabrica de acuerdo con determinada norma de diseo y se coloca en
determinada clase,

identificada

con

una

letra.

Las

propiedades

de

la construccin elctrica y mecnica el rotor, en las cinco clases NEMA de motores

de induccin de jaula de ardilla, se resume en la tabla 1; este sistema de

25

clasificacin se cre segn las curvas caractersticas par-velocidad de cada diseo

de motor.
Tabla 1. Caractersticas de los motores comerciales de induccin de jaula
de ardilla de acuerdo con la clasificacin en letras NEMA
Clase
NEMA

Corriente de
arranque
(Amperes)
5-7
4.5 - 5

Regulacin de
velocidad (%)

Nombre de clase
del motor

A
B

Par de arranque
(# de veces
nominal)
1.5 1.75
1.4 1.6

24
3.5

2 -2.5

3.5 5

45

2.5 3.0

3-8

5 8, 8 13

1.25

2-4

Mayor de 5

Normal
De propsito
general
De doble jaula de
ardilla
De alto para alta
resistencia
De doble jaula de
ardilla, bajo par y
baja corriente de
arranque

*Los voltajes mostrados citados son para el voltaje nominal de arranque.

Tabla 1. Caractersticas de los motores comerciales de induccin de jaula de
ardilla de acuerdo con la clasificacin en letras NEMA. (NEMA, 2012).

Figura 20. Curvas caractersticas tpicas para diferentes diseos de motores

elctricos jaula de ardilla. (NEMA, 2012).

26

En la figura 20 se muestran las curvas caractersticas de cada motor donde el eje

de las abscisas representa el porcentaje de la velocidad sncrona del motor y en el
eje de las ordenadas el porcentaje del par de carga, por lo tanto, lo que describe
cada curva es el rendimiento de cada motor segn su diseo.
La clasificacin de motores trifsicos segn NEMA dependiendo el diseo de la
jaula del rotor, se especifica en clases de A a la F.

Motores de induccin de jaula de ardilla CLASE A

El motor clase A es un motor de jaula de ardilla normal o estndar fabricado para

uso a velocidad constante. Tiene grandes reas de ranuras para una muy buena
disipacin de calor, y barras con ranuras ondas en el motor. Durante el periodo de
arranque, la densidad de corriente es alta cerca de la superficie del rotor; durante
el periodo de la marcha, la densidad se distribuye con uniformidad. Esta diferencia
origina algo de alta resistencia y baja reactancia de arranque, con lo cual se tiene
un par de arranque entre 1.5 y 1.75 veces el nominal (a plena carga). El par de
arranque es relativamente alto y la baja resistencia del rotor produce una
aceleracin bastante rpida hacia la velocidad nominal. Tiene la mejor regulacin
de velocidad pero su corriente de arranque vara entre 5 y 7 veces la corriente
nominal normal, hacindolo menos deseable para arranque con lnea, en especial
en los tamaos grandes de corriente que sean indeseables (NEMA, 2012).

Motores de induccin de jaula de ardilla CLASE B

A los motores de clase B a veces se les llama motores de propsito general; es

muy parecido al de la clase A debido al comportamiento de su deslizamiento-par.
Las ranuras de su motor estn embebidas algo ms profundamente que el los
motores de clase A y esta mayor profundidad tiende a aumentar la reactancia de
arranque y la marcha del rotor. Este aumento reduce un poco el par y la corriente
de arranque. Las corrientes de arranque varan entre 4 y 5 veces la corriente
nominal en los tamaos mayores de 5 HP se sigue usando arranque a voltaje
reducido. Los motores de clase B se prefieren sobre los de la clase A para

27

tamaos mayores. Las aplicaciones tpicas comprenden las bombas centrfugas

de impulsin, las mquinas herramientas y los sopladores (NEMA, 2012).

Motores de induccin de jaula de ardilla CLASE C

Estos motores tienen un rotor de doble jaula de ardilla, el cual desarrolla un alto
par de arranque y una menor corriente de arranque. Debido a su alto par de
arranque, acelera rpidamente, sin embargo cuando se emplea en grandes
cargas, se limita la disipacin trmica del motor por que la mayor parte de la
corriente se concentra en el devanado superior.
En condiciones de arranque frecuente, el rotor tiene tendencia a sobre calentarse
se adecua mejor a grandes cargas repentinas pero de tipo de baja inercia. Las
aplicaciones de os motores de clase C se limitan a condiciones en las que es difcil
el arranque como en bombas y compresores de pistn (NEMA, 2012).

Motores de induccin de jaula de ardilla CLASE D

Los motores comerciales de induccin de jaula de ardilla clase D se conocen

tambin como de alto par y alta resistencia. Las barras del rotor se fabrican en
aleacin de alta resistencia y se colocan en ranuras cercanas a la superficie o
estn embebidas en ranuras de pequeo dimetro. La relacin de resistencia a
reactancia del rotor de arranque es mayor que en lo motores de las clases
anteriores.
El motor est diseado para servicio pesado de arranque, encuentra su mayor
aplicacin con cargas como cizallas o troqueles, que necesitan el alto par con
aplicacin a carga repentina la regulacin de velocidad en esta clase de motores
es la peor (NEMA, 2012).

Motores de induccin de jaula de ardilla de CLASE F

Tambin conocidos como motores de doble jaula y bajo par. Estn diseados
principalmente como motores de baja corriente, porque necesita la menor
corriente de arranque de todas las clases. Tiene una alta resistencia del rotor tanto

28

en su devanado de arranque como en el de marcha y tiende a aumentar la

impedancia de arranque y de marcha, y a reducir la corriente de marcha y de
arranque.
El rotor de clase F se dise para remplazar al motor de clase B, adems produce
pares de arranque aproximadamente 1.25 veces el par nominal y bajas corrientes
de arranque de 2 a 4 veces la nominal. Los motores de esta clase se fabrican de
la capacidad de 25 HP para servicio directo de la lnea. Debido a la resistencia del
rotor relativamente alta de arranque y de marcha, estos motores tienen menos
regulacin de voltaje de los de clase B, bajan capacidad de sobrecarga y en
general de baja eficiencia de funcionamiento. Sin embargo, cuando se arrancan
con grandes cargas, las bajas de corrientes de arranque eliminan la necesidad de
equipo para voltaje reducido, an en los tamaos grandes (NEMA, 2012).
Se estima que aproximadamente el 50% de la energa elctrica que se consume
en el mundo es a travs de motores elctricos de induccin, los cuales, a su vez,
la gran mayora son del tipo rotor jaula de ardilla. Esto se debe a que constituyen
la fuerza motriz principal de la industria moderna, ya sea pequea, mediana o
grande debido a la simplicidad y fcil operacin (CIPEL, 2010).

2.1.2 Motores Elctricos de Induccin en la Industria

Los motores elctricos de induccin son fundamentales en todo proceso industrial,
esto se debe a su robustez, bajo costo, fcil mantenimiento y versatilidad, que los
han hecho populares con aplicaciones que van desde artefactos caseros hasta
equipos sofisticados de tipo industrial.
La historia del diagnstico de fallas, as como la proteccin a las mquinas
rotativas elctricas surgi casi a la vez que estas mismas. Y es que por ser
elementos que se comenzaron a usar a nivel industrial, era de suma importancia
que las mquinas duraran sin fallar lo suficiente como para no detener los
procesos industriales y causar prdidas significativas, as como que el
mantenimiento pudiera ser implementado con facilidad. Es por ello que los

29

fabricantes inicialmente desarrollaron protecciones simples tales como sobrecorriente, sobre-voltaje, falla a tierra, por ejemplo.
Con el paso del tiempo los procesos industriales en los que se usan los motores
elctricos se han vuelto ms complejos y demandantes, por lo tanto es de vital
importancia diagnosticar oportunamente las fallas antes de detener las mquinas,
ahorrando tiempo, recursos econmicos, y evitando riesgos innecesarios para el
personal.
En los ltimos aos, con el avance y desarrollo de nuevas tecnologas e
innovadoras aplicaciones de principios fsicos, como el monitoreo del campo
electromagntico, medida de la temperatura, anlisis por medio de infrarrojo,
monitoreo de las emisiones de radio frecuencia (conocidas como RF), monitoreo
de ruido y vibraciones producidas por las mquinas elctricas, mediciones de ruido
acstico, anlisis de las seales de corriente producidas por el motor (en ingls
Motor Current Signature Analysis MCSA), aplicacin de modelos basados en
inteligencia artificial (IA) como las redes neuronales artificiales (RNA) (Kliman y
Stein, 1990).
La mayora de los sistemas o mecanismos utilizados en los procesos productivos
industriales son accionados por motores elctricos, los cuales representan la parte
motriz y, por ende, un importante componente en el proceso productivo.
La finalidad de estos procesos es la transformacin de las materias primas en el
producto final, siendo la principal responsabilidad del personal de mantenimiento,
el garantizar la mayor cantidad de horas de operacin disponibles de los equipos,
con el fin de optimizar la produccin total de la empresa.
En la mayora de las empresas, cuando un motor elctrico presenta una falla
simplemente se enva al taller para su reparacin y se exige la entrega del motor
en el menor tiempo, para incorporarlo al proceso productivo lo antes posible. Este
procedimiento no permite al departamento de mantenimiento contar con el tiempo

30

suficiente para analizar la situacin y tomar acciones correctivas que prevengan la

incidencia de la falla.
Para identificar y cuantificar las fallas ms comunes en los motores elctricos
permite a las empresas tomar acciones para optimizar los recursos productivos y
de retorno de inversin.
En un artculo publicado por la IEEE (Institute of Electrical and Electronics
Engineers) el cual trata sobre una encuesta realizada en instalaciones industriales
y comerciales, mediante el cual se logr identificar las fallas ms comunes y su
distribucin, as como la distribucin de estas en la industria por sector productivo
(IEEE, 1985). Con los resultados obtenidos se concluy que las fallas de mayor
incidencia son el quemado y la sobrecarga, las cuales representan el 51,6% del
total de fallas encontradas. En el resto de la clasificacin se agrupan:
mantenimiento, falla rodamiento, corto circuito estator y otros, entre los cuales se
incluyen: carcasa, falla de ventilador, falla de eje, malas conexiones, prdida de
fase, falla a tierra, bobina abierta, ncleo daado y recalentamiento (ver tabla 2).

TABLA 2. TIPO DE FALLA DE ACUERDO A

IEEE
Sobrecarga (12.8%)
76
Quemado (38.8%)

230

Otros (16.9%)

100

Mantenimiento (17.4%)

103

Falla de rodamiento (6.4%)

38

Corto circuito Estator (7.8%)

46

Total

593

Tabla 2. Principales fallas en los motores elctricos de induccin segn la IEEE

(Guerrero y Gmez, 2010).

31

En la tabla 3 se muestra el porcentaje de incidencia de fallas en los sectores

productivos, como el alimenticio, la manufactura de la construccin, las empresas
de servicios (hoteles, hospitales, alquileres de equipos y maquinaria, venta de
repuestos, supermercados, entre otros), la agroindustria y el papel (Guerrero y
Gmez, 2010). En la clasificacin denominada Otros, se agrupan empresas con
menor ndice de participacin, en las que se pueden mencionar la industria del
plstico, la qumica, la metalmecnica, la mdica y las pequeas empresas
particulares (ver tabla 3), segn Guerrero y Gmez (2010).

Tabla 3. Principales fallas totales por sector productivo en relacin con la

zona de falla en los motores elctricos de induccin segn la IEEE
Fallas totales por sector productivo
Cantidad
Alimenticio (26.9%)
160
Manufactura de la construccin (17.3%)
103
Servicios (17.5%)
104
Agroindustria (9.1%)
54
Papel (6.6%)
39
Otros (22.6%)
134
Tabla 3. Principales fallas totales por sector productivo en relacin con la zona de
falla en los motores elctricos de induccin segn la IEEE (Guerrero y Gmez,
2010).
En la figura 21 se aprecia que en los sectores alimenticios, manufacturaconstruccin, servicios y otros en relacin con la incidencia de las fallas ya
mencionadas con anterioridad y la frecuencia de estas en cada sector.

32

Figura 21. Representacin grfica final obtenida de la relacin fallas totales por
sector productivo en conjunto con la zona de falla en los motores elctricos de
induccin (Guerrero y Gmez, 2010)
En la industria no se registra la informacin de las fallas reportadas, argumentando
que sus clientes slo exigen un tiempo de respuesta corto, bajo costo y garanta
por el trabajo realizado, dejando de lado la solicitud de un informe detallado, que
lleve a evitar la reincidencia de la falla (Guerrero y Gmez, 2010). Por lo tanto, la
mayora de la informacin presente en los talleres de las empresas se limita a
datos tcnicos tiles para el rebobinado de la mquina; esto significa que no
siempre se cuenta con la informacin necesaria para la prevencin de fallas, que
lleva al paro de la(s) unidad(es) para saber qu tipo de falla se est presentando.
Las polticas de produccin en algunas empresas de diversos sectores (como las
anteriormente mencionadas) establecen periodos o pocas de produccin y
estaciones, donde la planta, o parte de ella, sale de operacin para que los
equipos ms crticos sean intervenidos, de manera que durante la etapa de
produccin se minimicen las posibilidades de paradas imprevistas, que puedan
comprometer las metas del departamento de produccin; por lo tanto, prevalece el
criterio de control de la produccin por encima de la decisin de si debe o no
sacarse un motor de operacin, e incluso si deben ejecutarse ciertas tareas de

33

mantenimiento, como lo son el barnizado de sus devanados o el cambio de

rodamientos (Guerrero y Gmez, 2010).
El hecho de que una cantidad importante de motores (17%) se lleve al taller sin
tener una falla aparente, es una muestra de estas polticas de produccin que los
talleres clasifican como mantenimiento, aunque en s misma no representa una
condicin de deterioro o imposibilidad operativa. Por lo general, las empresas que
realizan este tipo de prcticas coordinan previamente con el taller y con el
departamento de produccin el periodo de ejecucin de estas labores.
Otra ventaja de estas intervenciones es que el motor es llevado al taller sin tener
falla catastrfica, con cual se prolonga la vida til del mismo. Aunque en primera
instancia, realizar un mantenimiento programado sea lo ideal, debe tenerse el
cuidado de no incurrir en gastos de montaje y desmontaje innecesarios, ya que un
exceso de mantenimiento puede perjudicar en lugar de favorecer. Es por ello que
se recomienda esta prctica, pero apoyada en tcnicas de mantenimiento que
permitan la adecuada seleccin de los motores que se envan al taller, para lo cual
se puede recurrir a tcnicas predictivas de mantenimiento como la termografa, las
vibraciones, el anlisis de aceite, la medicin de asilamiento, entre otras.
Desde el punto de vista de la prevencin de fallas, estas prcticas estn
orientadas a la continuidad de la produccin sin aprovechar el mantenimiento
programado que podra ser ms rentable, el cual permitira investigar y explorar
las condiciones de operacin, con la finalidad de evitar o mitigar posibles causas
de fallas o condiciones desfavorables para los motores. Esto es un llamado de
atencin en el sentido de que el procedimiento de montaje y desmontaje
recurrente de los equipos, sin tener una falla que imposibilite su operacin, puede,
gradualmente ir deteriorando el equipo y a la postre generara una nueva
condicin de falla que en cualquier momento puede ocurrir. Estas polticas de
produccin de una empresa no eliminan la causa de una potencial falla o el
deterioro prematuro de sus componentes, pues slo se atiende el equipo y no se

34

analiza su ambiente ni condiciones de operacin, que podran comprometer la vida

y el rendimiento de los equipos.
Se sabe que algunas empresas realizan pruebas anuales de verificacin de
motores, y se sabe que cerca del 50% de las protecciones no funcionan de forma
correcta porque las condiciones adversas de operacin (polvo y humedad). El
tema de seleccin, montaje y mantenimiento de las protecciones debe
fortalecerse, tanto a nivel de empresa como de centros de formacin tcnica y
universitaria.
Aunque pudieran existir diferencias en los procesos productivos y en los tipos de
mquinas que los motores manejan, las diferencias estn principalmente en el
ambiente de trabajo en que operan, el tipo y las polticas del mantenimiento que
estos reciben, y la adecuada seleccin de los mismos, factores fundamentales que
inciden en el tipo de falla que pueden presentar.
Dentro de la mayora de las empresas es notoria la existencia de motores de clase
estndar ubicados en lugares con condiciones especiales, tales como humedad,
partculas en suspensin, altas temperaturas, entre otros. Las circunstancias
desfavorables para el tipo de diseo del motor propician el deterioro prematuro de
sus componentes, paradas imprevistas y aumento en los costos de produccin. De
lo anterior se deduce que en las empresas no se seleccionan adecuadamente los
motores, pues se omite el criterio del ambiente de operacin y otros factores que
se deben considerar. Este es un problema que las empresas intentan corregir al
delegar a los talleres de reparacin la responsabilidad, con los posteriores
reclamos de garanta por un problema no de la reparacin, sino por la mala
aplicacin del motor y porque los talleres tampoco prestan la atencin debida.
Lo anterior refleja que las empresas carecen de estrategias de gestin de
mantenimiento de motores que permitan no slo incrementar la disponibilidad
mediante la reduccin de los tiempos de reparacin de los equipos, sino que,
adems, contribuyan a la eliminacin de fallas mediante la prevencin de las
mismas.

35

Es por ello es que tanto a empresas como a fabricantes de motores les sera de
gran apoyo un software el cual sea capaz de diagnosticar fallas sin verse en la
necesidad de detener las unidades o de esperar a que el equipo tenga una falla al
grado de ser causa de destruccin de elementos o de la unidad misma.

2.1.3 Fallas
Toda mquina tiene niveles normales de ruido, vibracin y temperatura, cuando se
observa algn aumento anormal de estos niveles, se tienen los primeros indicios
de que hay alguna falla. Los operarios de las mquinas deben estar capacitados
para que avisen al percibir estos sntomas que presenta la mquina (Arredondo,
2011).
Al disear una mquina se debe tener un profundo conocimiento de la forma en
que funciona cada componente y la forma en que puede fallar, antes de
reemplazar una pieza que ha fallado se debe hacer un anlisis minucioso con el
fin de determinar la causa exacta y aplicar los correctivos que haya lugar (Vegar,
2009).
Cuando falla una pieza, est puede quedar inservible, aunque funciona no lo hace
satisfactoriamente o su funcionamiento es poco fiable y presenta riesgos de
provocar daos mayores. Las causas pueden ser mal diseo, material inadecuado
en su fabricacin, errores en el servicio y en el montaje, errores del control de
calidad, mantenimiento y reparacin, factores ambientales, sobrecargas, marcas
de maquinado que originen grietas, esfuerzos residuales causados por tratamiento
trmico o la combinacin de dos o ms de las causas mencionadas (Vegar, 2009).
La mayora de las fallas de elementos de mquinas y equipos de procesos
industriales son repetitivas y dependientes de mecanismos bien conocidos; la
identificacin de los mecanismos presentes y la cuantificacin de los parmetros
que los gobiernan son tems en un anlisis de fallas. Una vez conocidos los
mecanismos de dao y cmo actan, es posible eliminar completamente las fallas

36

futuras, minimizarlas, o conocer la velocidad de evolucin de forma a programar

mantenimiento preventivo (Arredondo, 2011).
Tambin es comn que las fallas sean provocadas por defectos de fabricacin,
operacin y/o mantenimiento; la identificacin de la etapa o agente responsable, a
travs de un puede auxiliar la administracin correcta de los gastos generados por
la falla. Aprender, acumular experiencia y dirimir responsabilidades son objetivos a
alcanzar con el anlisis de fallas, para aumentar la seguridad de las personas y a
preservar el medio ambiente, eliminar las prdidas de produccin y aumentar la
confiabilidad del proceso (Vegar, 2009).
Las fallas mecnicas se clasifican de acuerdo a sus caractersticas fsicas en fallas
por desgaste, en las que se presenta prdida de material en la superficie del
elemento; puede ser abrasivo, adhesivo y corrosivo, tambin se puede identificar
como una falla de lubricacin; fallas por fatiga superficial, que se deben a los
esfuerzos presentes en la superficie y sub-superficie del material; fallas por
fractura, que se puede presentar del tipo frgil o dctil, su huella debe ser
analizada para encontrar el motivo de la falla, la pieza queda inservible y es
causada por el fenmeno de la fatiga y fallas por flujo plstico, que se presenta
deformacin permanente del material, causado por la presencia de cargas que
generan esfuerzos superiores al lmite elstico del material, deformndolo de
manera permanente (Vegar, 2009).

2.1.4 Zonas de Falla

Las tecnologas predictivas ms comunes tienen limitaciones y fallan en precisar la
causa de la anomala en un motor elctrico, sin embargo, s ayudan a guiar al
origen del problema.
El diagnstico del problema en un motor debe involucrar todas las zonas de falla
presentes como son, calidad de energa, circuito de potencia, aislamiento, estator,
rotor y excentricidad, para ello deben utilizarse tanto tecnologas dinmicas como

37

estticas, estas deben de ser de tipo no destructivas para no acelerar el dao en

el motor.
Las pruebas elctricas aplicadas a un motor deben ser confiables y deben servir
para realizar un diagnstico completo de todas las zonas o reas de falla de un
motor. Las pruebas a realizar deben incluir pruebas tanto con motor energizado
como con motor detenido. Las pruebas con motor detenido son de particular
importancia en aquellos casos en que un motor s este disparando y su puesta en
funcionamiento puede terminar de daarlo, o en el caso de pruebas de puesta en
marcha al instalarse un nuevo equipo de produccin (Hidalgo, 2001).
Para el diagnstico de un motor, se han establecido como zonas o reas de fallas,
el circuito de Potencia, el aislamiento, el estator, el rotor, la excentricidad
(entrehierro) y la calidad de energa. El anlisis de estas seis zonas permite
distinguir entre un problema mecnico o elctrico (Hidalgo, 2001).

2.1.4.1 Circuito de Potencia

El circuito de potencia se establece desde el Centro de Control del Motor (CCM)
hasta la caja de bornes del mismo, e involucra a todos los conductores con sus
bornes, interruptores, protecciones trmicas, fusibles, contactos y cuchillas.
El Electric Power Research Institute (por sus siglas EPRI) que los falsos contactos
son la fuente del 46% de las fallas en motores, porque con frecuencia el motor
est en excelente estado, pero se instala en un circuito de potencia defectuoso,
que lo daa. Los problemas de conexiones de alta resistencia (que se oponen al
paso de la corriente) son variados, entre ellos, la generacin de armnicas,
desbalances de voltaje y desbalances de corriente
Tpicamente las conexiones de alta resistencia son causadas por terminales
corrodos, cables sueltos, barras sueltas, prensa fusibles corrodos, hilos abiertos,
conexiones entre aluminio cobre y diferentes tamaos de conductores.

38

Uno de los mtodos usados para identificar defectos en el circuito de potencia en

un motor / generador, trifsico es la medicin de resistencia entre fases, es una
prueba esttica con motor detenido. En un equipo en buen estado las tres lecturas
entre las fases deben ser casi idnticas, su desbalance resistivo debe ser menor a
un 5%. Dinmicamente, con motor energizado el circuito es evaluado
completamente al detectarse desbalances de voltaje en cualquiera de las fases
(Hidalgo, 2001).
Otro mtodo utilizado para complementar el diagnstico del circuito de potencia es
la termografa IR (infra roja), sin duda una de las tcnicas ms conocidas para
detectar falsos contactos (Hidalgo, 2001).

2.1.4.2 Calidad de Energa

La calidad de energa se ignora en muchos casos por el personal de
mantenimiento y es una zona de falla que afecta la vida til de un motor.
Existen varios factores involucrados en la calidad de la energa; distorsin
armnica tanto de voltaje como de corriente, picos de voltaje, desbalances de
voltaje y factor de potencia, por ejemplo. Sin embargo, con relacin a las fallas en
motores elctricos los factores relevantes son el desbalance de voltaje y las
armnicas.
Cuando los voltajes de lnea aplicados a un motor son desequilibrados se
desarrollan corrientes desbalanceadas en los devanados del estator, a estas se
les conoce como corrientes de secuencia negativa y reducen el torque del motor.
Se producen dos efectos importantes, aumenta la temperatura en el devanado y
aumenta su vibracin. Un aumento de la temperatura por encima de su valor
permitido provocara daos al aislamiento, y el aumento en los niveles de vibracin
provocara solturas mecnicas, desgaste de rodamientos y aflojamiento de las
bobinas. De acuerdo a NEMA ningn motor debe ser operado con desbalances de
voltaje mayores a un 5%, en la figura 22, se aprecia que el factor de trastorno
varia de 0 a 1, en funcin del porcentaje de desbalance, el valor 0 de factor de

39

trastorno corresponde a 5% de desbalance de voltaje y el valor 1 de factor de

trastorno corresponde a 0% de desbalance de voltaje.

Figura 22. Factor de reduccin de potencia (NEMA, 2012).

Con la popularidad de los "drives" de CA y CD para motores, ARESEP (2012)

habla de una regulacin especfica, se crean distorsiones importantes en la forma
de onda de voltaje, a estas se les conoce como armnicas. El parmetro ms
conocido es la distorsin armnica total (THD, por sus siglas en ingls) en
trminos simples es el valor RMS (siglas en ingles de Root Mid Square o en
espaol Raz Media Cuadrada) de la seal con la frecuencia fundamental
removida. O sea, una onda sinusoidal perfecta de 60Hz tendra un THD de 0%,
cualquier otra onda presente junto con la fundamental se le considera distorsin
armnica (ver figura 23).
Entonces, las armnicas son seales que distorsionan a la onda fundamental,
tienen una forma sinusoidal y estn presentes en mltiplos de la fundamental. En
la figura 23 se muestra la onda fundamental a 60Hz pero con otra onda
sobrepuesta, esta ltima completa 2 ciclos en el mismo tiempo que la
fundamental completa uno. Si se observa la fase 1 de la fundamental (color gris),
la armnica forma los dos ciclos (verde); a la onda sobrepuesta se le conoce como
la 2da. armnica 2 x 60Hz = 120Hz.

40

Figura 23. Armnicas de onda fundamental a 60Hz (NEMA, 2012).

Las armnicas existen en todos los sistemas trifsicos y son generadas por cargas
no-lineales como convertidores de potencia electrnicos, como rectificadores y
variadores de frecuencia (por sus siglas en ingls VFD), fluorescentes, hornos de
arco y UPS (por sus siglas en ingles de Uninterruptible Power Supply, o bien SAI
Sistema de Alimentacin Ininterrumpida en espaol).
Existen tres tipos de armnicas, de secuencia positiva, que crea un campo
magntico en la direccin de rotacin, por lo tanto ayuda al torque del motor; de
secuencia negativa, que se opone a la rotacin del motor e incrementa la
demanda de corriente a una carga determinada y de secuencia cero, que produce
ningn trabajo, pero causa calentamiento y retorna al transformador de
alimentacin y sobre carga al nuestro, por lo que produce calentamiento en el
transformador tambin, como se muestra en la tabla 4.

41

TABLA 4. CLASIFICACIN DE ARMNICAS

Armoni

HZ

Secuen

Armoni

HZ

Secuen

60

420

120

480

180

540

240

10

600

300

11

660

360

12

720

Tabla 4. Clasificacin de cada armnica para un sistema (Estndar IEEE5191992).

El fenmeno de las armnicas que ms afecta para el caso de los motores
elctricos es el excesivo calor que se produce por las demandas de corriente
anormales.
Existe un factor de reduccin conocido como el factor de voltaje armnico (HVF,
en ingls), que se utiliza para reducir la potencia del motor en presencia de un
THD alto. En el estndar IEEE519-1992 se reconoce que son las cargas las que
introducen armnicas al sistema y nos da ciertos lmites que se deberan de
manejar en las industrias. En este caso, la distorsin armnica de voltaje es ms
importante, segn la tabla 4, el THD para sistemas operando a menos de 69KV
debera ser no mayor a 5%. Aun recomiendan que cada armnica de voltaje
individual no exceda de un 3%.
La identificacin de las armnicas presentes en el circuito de distribucin permite a
los ingenieros de calidad de energa disear filtros pasivos y activos para eliminar
el efecto de las armnicas.

2.1.4.3 Aislamiento
La condicin de aislamiento se refiere a la resistencia que existe entre este y tierra
(RTG, en ingls). La RTG indica que tan limpio o sano esta un aislamiento.

42

Para que ocurra una falla a tierra, primero debe crearse un camino de conduccin
a travs del aislamiento, conforme el aislamiento envejece se fisura y posibilita
que se acumule material conductivo; en segundo trmino, la superficie exterior del
aislamiento se contamina de material conductivo y deja pasar corriente a la
carcasa o ncleo del motor que est conectado a tierra.
Los sistemas de aislamiento se han mejorado notablemente y son capaces de
soportar mayores temperaturas sin sacrificar su vida esperada. La mxima
temperatura de operacin de un motor / generador depende principalmente de los
materiales usados en su construccin, existen varias clases, pero las ms usadas
son, aislamiento clase B, temperatura mxima 130C, aislamiento clase F,
temperatura mxima 155C, aislamiento clase H, temperatura mxima 180C.
Dichas temperaturas mximas, son a las cuales el aislamiento podra colapsar.
Usando termografa IR es posible detectar una falla en el aislamiento de un motor,
si se tiene la clase de aislamiento del mismo o dato de placa. Generalmente al
medir la temperatura de la carcasa del motor, se asume que el aislamiento est en
20C ms alto que lo normal. Por ejemplo, si se observa que la temperatura de la
carcasa de un motor clase B es de 120C, se podra asegurar que la temperatura
del aislamiento est a por lo menos 140C excediendo la temperatura mxima
permitida para esa clase de aislamiento. El aislamiento pierde rpidamente sus
propiedades al aumentar la temperatura, este mismo motor en vez de durar
aproximadamente15 aos, durara alrededor de 3 aos (Hidalgo, 2001).
La

termografa

IR

es

una

herramienta

muy

til

para

detectar

un

sobrecalentamiento en el motor, y aunque podra precisar el rea donde se

produce el calentamiento (corto entre espiras), sin embargo es todava bastante
limitada para indicar las causas del incremento de la temperatura.
Los resultados de usar un megger sirven para probar el aislamiento elctrico pero
la informacin es incompleta, otro aspecto importante es que el Institute of
Electrical and Electronic Engineers (IEEE) basa los lmites de aislamiento en una
temperatura de 40C, segn la norma IEEE 43-2000, como se muestra en la figura

43

24, donde lo correcto sera que el aislamiento se mantenga constante en dicha

temperatura a lo largo de un ao de funcionamiento (lnea rosada), sin embargo,
las medidas reales tomadas fluctan a lo largo de dicho tiempo (lnea azul).

Figura 24. Medicin de aislamiento afectado por temperatura (IEEE, 2012).

Otro tipo de parmetro utilizado para evaluar la contaminacin interna del

aislamiento es la Capacitancia a tierra (CTG, en ingls). Una mquina que est
limpia y seca exhibe un CTG bajo en comparacin con una que est contaminada;
un aumento en la contaminacin es comparable con el aumento en el material
dielctrico entre las dos placas de un capacitor, conforme se deposite ms
material en el aislamiento el dielctrico aumenta y la capacitancia crece. Para las
compaas que efectan paros para limpieza de motores esta es una herramienta
para ahorrar tiempo de paro para este tipo de mantenimiento (Hidalgo, 2001).

2.1.4.4 Estator
En un estator es importante diagnosticar: los devanados, el aislamiento entre
vueltas, juntas de soldado entre las espiras y el ncleo del estator o laminaciones.
Tal vez, la falla ms comn es un corto entre vueltas, que reduce la capacidad de
producir un campo magntico balanceado. Tambin produce aumento en la

44

vibracin de la mquina, y por ende degradacin del aislamiento y daos a los

rodamientos del motor. Generalmente este tipo de cortos aumenta la temperatura
y el corto se expande a un corto entre espiras y eventualmente destruye todo el
motor.
An ms grave es la falla entre fases, un corto de este tipo acelera rpidamente la
destruccin del motor. Fallas de este tipo pueden ocurrir varias veces en un motor
y no resultan en una falla a tierra; debido a esta razn, el utilizar solamente un
megger como herramienta predictiva es insuficiente ya que este tipo de fallas
pueden ignorarse. S el ncleo del motor se llegase a daar el reemplazo del
motor sera total. El diagnstico de esta zona de falla puede ser efectuada
directamente en los terminales del motor.
La prueba esttica involucra mediciones de inductancia entre fases, para esto se
envan seales de CA a alta frecuencia, y se calcula un desbalance inductivo. Un
desbalance presente implica que las fases producen campos magnticos
desbalanceados y que muy probablemente tiene cortos entre vueltas o espiras.
Tambin, como parte de la prueba, se toman valores de resistencia, si excede un
valor predeterminado indica que pueden existir conexiones de alta resistencia en
el circuito del motor (Hidalgo, 2001).

2.1.4.5 Rotor
Cuando se habla de la condicin de un rotor se deben revisar; las barras,
laminaciones y los anillos de corto circuito. Un estudio del EPRI mostr que un
10% de fallas en motores se debi al rotor.
Una barra rota genera un calor intenso en la zona de ruptura y puede destruir el
aislamiento cercano a las laminaciones y el devanado estatrico colapsara. Con
frecuencia, los problemas en las barras del rotor no son fcilmente detectables y
se obvia como causa la causa de la falla. Sin embargo suele suceder con
frecuencia que se rebobina varias veces un motor sin saber que la verdadera raz
de la falla estaba en el rotor.

45

Con el MCEmax se identifica problemas en el rotor, mediante la prueba del Rotor

Influence Check (RIC), esta prueba es esttica y relaciona el magnetismo entre el
rotor y el estator. La prueba se realiza al rotor en incrementos especficos
(determinados por el nmero de polos del motor) y tomando la lectura en el
cambio de inductancia para cada fase. El RIC de un motor normal con un rotor en
buen estado tiene la forma que se puede observar en la figura 25 y el RIC de un
rotor con barras rotas muestra valores de inductancia errticos y peridicos
causados por la distorsin del flujo alrededor de la barra rota (ver figura 26)
(Hidalgo, 2001).

Figura 25. RIC de un rotor en buen estado.

Figura 26. RIC de un rotor con barras rotas.

46

2.1.5 Clasificacin de fallas

Los motores elctricos presentan fallas que son comunes a casi todo tipo de
motor, la nica diferencia radica en el aspecto constructivo del mismo, ya que se
pueden tener menor o mayor nmero de componentes. En este trabajo en
particular se tratara con las fallas ms comunes en los motores elctricos de
induccin trifsicos del tipo jaula de ardilla.
La mayora de los problemas comunes que presentan en los motores elctricos se
pueden identificar mediante pruebas de diagnstico, las cuales se realizan con el
fin de localizar e identificar la falla.
Los equipos que se pueden utilizar para realizar las pruebas van desde las
lmparas de prueba, hasta los instrumentos digitales ms sofisticados. Sin
embargo, en el presente trabajo se propone desarrollar un software basado en
redes neuronales artificiales el cual, sin necesidad de instrumentos y usando
nicamente la experiencia de un experto operador se pueda realizar el diagnstico
de la falla con base en las manifestaciones fsicas o sntomas de la misma.
Muchas de las fallas producen condiciones anormales fcilmente identificables, sin
necesidad de pruebas complicadas o uso de sofisticadas y/o costosas
herramientas. Algunos casos son totalmente detectables a simple vista por simple
observacin; por lo tanto, con la construccin de patrones de fallas, tal y como un
experto operador las tipifica en su estructura cognitiva, el software podra
convertirse en una herramienta til de caractersticas simples y uso sencillo, an
para los aprendices.
Las fallas ms frecuentes que se pueden presentar en los motores elctricos de
induccin son, fusibles quemados, cojinetes desgastados, interrupcin de alguna
fase, sobrecarga, fases invertidas, cortocircuito, conexiones internas errneas,
contactos a tierra de los devanados, cojinetes excesivamente apretados, tapas
mal montadas, eje torcido y barras del rotor flojas.

47

2.1.5.1 Clasificacin de las Fallas en los Motores Elctricos Trifsicos

de Induccin Jaula de Ardilla
La localizacin de fallas puede ser breve cuando es realizada por tcnicos
expertos, quienes a su vez hacen uso de equipo especializado. Sin embargo,
cuando la localizacin de fallas es realizada por un novato, la tarea puede ser
complicada.
Sin importar quien lleve a cabo el diagnstico de la o las fallas en la unidad se
recomienda usar pasos bsicos para guiar la tarea, estos pasos bsicos son:
1.

Para la localizacin de fallas o problemas en cualquier circuito elctrico, es

necesario comprender el funcionamiento del circuito o componente, as como de

su funcin antes de comenzar. Esto no significa que se deba poseer un
conocimiento profundo del circuito y sus componentes, pero se requiere
conocimiento, por lo menos, general.
2.

Eliminar lo obvio, porque podra traducirse en un considerable ahorro de

tiempo, entre otras ventajas. Algunos de los elementos que primero se deben
revisar son, por ejemplo, la conexin de alimentacin, los fusibles, interruptores,
restablecer botones, entre otros.
3.

Se procede a la bsqueda de la falla, con base en sntomas e indicadores,

se debe contar con procedimientos y herramientas que permitan diagnosticar

posibles fallas, ya sean mecnicas o elctricas. El conjunto de datos configuran un
patrn que caracteriza la falla, misma que se identifica mediante la comparacin
con patrones tpicos que se almacenan en la memoria de los expertos.
4. Finalmente, cuando se tiene el diagnstico se procede a aislar el problema y a
resolverlo segn los procedimientos preestablecidos en los manuales de
mantenimiento especficos del fabricante.
Las fallas en los motores pueden derivarse por muchos factores, pero estos
pueden agruparse en tres tipos, las mecnicas son el 32% del total de fallas, las
elctricas, el 33%, y otras, el 35%. Por otro lado en un estudio realizado por Motor

48

Reliability Working Group, en 1985, se afirma que aproximadamente un 40% de

los fallos en este tipo de motores corresponde a anormalidades en los
rodamientos, entre un 30 y un 40% a fallos en el estator y un 10%
aproximadamente, corresponden a fallos en el rotor. El resto se distribuyen en una
gran variedad de fallas como son sobrecarga y defectos de manufacturacin, entre
otras.
2.1.5.1.1 Fallas Mecnicas
Este tipo de fallas representan un alto porcentaje del total de las fallas en los
motores elctricos de induccin, pero en comparacin con las fallas del tipo
elctrico son ms fciles de identificar. A continuacin algunas de las fallas
mecnicas que se presentan ms comnmente.

Banda muy tensa

Suele ocurrir que despus de armar el motor por primera vez, o bien, de rearmarlo
despus de haberle dado algn tipo de mantenimiento la banda de este quede
demasiado ajustada. Esto provocara que el motor haga un mayor esfuerzo al estar
funcionando debido a la tensin que la banda est ejerciendo. Las consecuencias
de esto sern que el motor absorber mayor cantidad de corriente, se
sobrecalentara y quemara fusibles a causa del sobreesfuerzo que hace el motor
mover la carga. Finalmente, si la falla no es corregida a tiempo es muy probable
que el motor presente desprendimiento de humo y termine quemndose.
Si se detecta que se trata de esta falla la nica solucin es el desarmado del motor
y relajar adecuadamente la tensin de la banda.

Barras rotricas flojas o rotas

En los motores con rotor de jaula, las barras estn en corto-circuito en ambos
extremos por medio de los aros de cobre, si una o varias barras se aflojan y no
establecen buen contacto con los aros, el motor no funciona con normalidad y, en
algunos casos, el rotor no gira; una barra floja puede localizarse por pura
inspeccin visual. Una seal caracterstica de la existencia de esta falla es el ruido
que produce el motor al funcionar, su escasa potencia y las chispas que se

49

producen entre las barras y los hilos frontales de la jaula de ardilla. Para
solucionar esta falla consiste en volver a soldar la barra o barras flojas o rotas.

Cojinetes desgastados

Cuando existe un desgaste en los cojinetes o chumaceras se produce un

descentramiento del eje del rotor, y debido a que el entrehierro (espacio de aire
entre el estator y el rotor) es muy pequeo, este descentramiento produce algunas
veces roces mecnicos entre el rotor y el estator, originando un deterioro en los
devanados. Cuando el motor es desmantelado es fcil identificar esta falla debido
a las marcas hechas al rotor debido al rozamiento con los devanados del estator
son caractersticas de roce.

Cojinetes pegados

Cuando la parte del eje que gira dentro de un cojinete esta falta de lubricacin, el
eje se calienta intensamente y se dilata hasta el punto de quedar inmovilizado en
el cojinete. En muchos casos el propio cojinete se funde y queda soldado con el
eje, haciendo con ello imposible el movimiento de ste. Entonces se dice que los
cojinetes estn pegados o agarrotados.
Para reparar los cojinetes pegados lo ms sencillo es desmontar ambos escudos.
Una seal de que uno o ambos cojinetes estn daados es que costara trabajo
retirar los escudos. Ya sea que es un solo cojinete, o ambos los defectuosos se
proceder a desmontarse el o los escudos junto con el rotor, manteniendo este
ltimo en posicin fija y se harn girar los escudos hacia adelante y hacia atrs. Si
esta operacin resulta imposible, se deber aflojar el tornillo que mantiene al
cojinete en su alojamiento y se prueba extraer conjuntamente el cojinete con el
rotor, teniendo cuidado de no arrastrar el anillo de engrase. El cojinete podr luego
separarse del eje golpendolo con un martillo. Lo ms probable es que despus
de todo este procedimiento sea necesario tornear el eje a un dimetro algo menor
y adaptarle un nuevo cojinete.

50

Flecha torcida

Los principales sntomas que se presentan cuando la flecha, tambin conocida

como eje del rotor, esta torcida es vibracin y emisin de ruidos extraos, esto es
debido al golpeteo que se produce entre el estator y el rotor, ya que el que la
flecha este torcida provoca excentricidad en este ltimo. Esto mismo provoca
mayor dificultad para mover la carga, y por lo tanto el motor absorber ms
corriente, habr sobrecalentamiento y posiblemente, si la torcedura es muy grave,
el motor no logre arrancar.
Esta falla puede ser causada por diversos factores, como lo son el tiempo y uso
constante del motor bajo condiciones de sobrecarga, por ejemplo. Tambin puede
aparecer tras un fuerte golpe o cada del motor, o bien, la flecha puede
encontrarse torcida desde su montaje, o incluso desde du fabricacin.
Esta falla se puede verificar desmontando el rotor del motor y colocndolo entre
los puntos de un torno ya que al accionarlo se podr apreciar la parte deforme de
la flecha; para solucionarlo en motores pequeos, una opcin es hacer girar la
flecha montada en el torno y con una placa colocada en la parte curvada intentar
enderezarla.

Lubricacin inadecuada

Una lubricacin inadecuada, incluyendo la falta de lubricacin y el uso de

lubricantes incorrectos, puede ocasionar problemas de vibracin en un rodamiento
de cojinete. En semejantes casos de lubricacin inadecuada causa excesiva
friccin entre el rodamiento estacionario y el eje rotante, y dicha situacin induce
vibracin en el rodamiento y en las dems piezas relacionadas. Este tipo de
vibracin es conocido como dry whip o ltigo seco. Este fenmeno es muy
parecido al pasar un dedo mojado sobre un cristal seco.
La frecuencia de la vibracin debida al ltigo seco es generalmente muy alta y el
sonido que produce es chilln, el cual indica claramente que los rodamientos estn
funcionando en seco.

51

Toda vez que se sospeche que un ltigo seco sea la causa de la vibracin se
deber inspeccionar el lubricante, el sistema de lubricacin y la holgura del
rodamiento.
Por otra parte el exceso de grasa puede elevar demasiado las temperaturas de los
baleros, daar el lubricante y provocar fallas. Por lo tanto tambin es necesario
evitar el engrasado excesivo.
En la figura 27 se aprecian las consecuencias fsicas de un rotor bloqueado el cual
pudo derivarse de fallas como barras rotricas rotas, cojinetes desgastados o
pegados, flecha torcida o bien por lubricacin inadecuada.

Figura 27. Falla por rotor bloqueado (DUR ELECTRIC, 2012).

Mala alineacin entre el motor y la carga

Cuando el motor es forzado a funcionar estando la carga mal alineada el primer

sntoma que puede presentarse es que el motor no arranque; sin embargo, si el
motor arranca, o esta se desalinea en pleno funcionamiento el motor presentara
ruidos extraos como primer indicador que algo no anda bien, as tambin
absorber mayor cantidad de corriente y se sobrecalentara debido al
sobresfuerzo. Finalmente, si la falla no es atendida a tiempo, el motor se quemar.

52

Roce interno entre el motor y el estator

Los principales sntomas de falla por roce entre rotor y estator son ruidos extraos,
el motor comienza a quemar fusibles y adems presenta vibracin. Sin embargo
esta falla puede estar dada por diferentes situaciones, tales como deformidad en
alguna de las piezas, ya sea del rotor y/o el estator, o bien la excentricidad de
estas.
La deformidad de alguna o de ambas piezas puede estar dada desde su
fabricacin, o bien, en el proceso de montaje como consecuencia del algn golpe,
por ejemplo.
Por otra parte, la excentricidad es una causa bastante comn la cual
principalmente provoca vibracin en la mquina rotativa. Se produce cuando la
lnea central del eje no es la misma que la lnea central del rotor porque el centro
de rotacin verdadero difiere de la lnea central geomtrica. Esto provoca un roce
entre el rotor y el estator el cual conforme pasa el tiempo puede hacerse ms
severo hasta llegar a deteriorar de tal manera las piezas que tengan que ser
reemplazadas.
Existen tres tipos de excentricidad, excentricidad esttica, excentricidad dinmica
y excentricidad combinada (esttica-dinmica).
La excentricidad esttica se presenta cuando el entrehierro tiene un valor mnimo
en una posicin espacial fija, es decir, durante todo el giro del rotor existe siempre
un punto en el que el entrehierro es mnimo y otro en el que es mximo. Este tipo
de excentricidad puede estar ocasionado por una forma oval del alojamiento
estatrico o por una ubicacin incorrecta del rotor dentro del estator, como se
puede apreciar en la figura 28.

53

Figura 28. Esquema que ejemplifica cmo se produce la excentricidad esttica

(Fallas en un motor de induccin, 2012).

Cuando el entrehierro presenta un valor mnimo que vara en el tiempo y en el

espacio (al considerar el giro de la mquina) la excentricidad se denomina
dinmica, que puede estar causado por la rotacin del eje alrededor de un punto
que no es su centro geomtrico o por la existencia de un rotor deformado que
presente una seccin ovalada, como se muestra en la figura 29.

Figura 29. Esquema de cmo se produce la excentricidad dinmica (Fallas en un

motor de induccin, 2012).

En la prctica se presentan las dos excentricidades, esttica y dinmica,

combinadas ya que es imposible fabricar rotores y estatores con una seccin
perfectamente circular, como lograr que el eje gire sin tolerancias en torno a su
centro geomtrico. En la figura 30 se observa cmo se consigue que el rotor

54

presente una combinacin de excentricidades superponiendo un desplazamiento

hacia la derecha (excentricidad esttica) con una rotacin alrededor de un punto
que no es el centro geomtrico del rotor (excentricidad dinmica).

Figura 30. Esquema de cmo se produce la excentricidad combinada (estticadinmica). (Fallas en un motor de induccin, 2012).

Sobrecarga mecnica

Si la carga que se le aplica al motor elctrico sobrepasa el lmite para el cual est
diseado, lo ms probable es que este no logre arrancar. Por otra parte si el motor
logra el arranque lo ms probable es que sea con cierta dificultad, adems de que
es casi seguro de que presente seales como lo son sobrecalentamiento, la
corriente que absorbe en funcionamiento es excesiva, emita ciertos ruidos
extraos durante la marcha, as como que gire ms despacio, y finalmente, si el
exceso de carga no es retirado a tiempo, el motor puede terminar quemndose
(ver figura 31).
Para este tipo de falla existen solo dos soluciones, la primera es disminuir la carga
o bien, cambiar el motor por uno de mayor potencia.

55

Figura 31. Falla por sobrecarga (DUR ELECTRIC, 2012).

Ventilacin inadecuada

Las condiciones bajo las cuales se dispondr la ventilacin del motor dependern
en gran parte del entorno en donde este ser instalado y las indicaciones del
fabricante. El principal sntoma de una mala ventilacin es el sobrecalentamiento
del motor. Un clima de constante temperatura elevada, por ejemplo, es un factor
que influye a que las maquinas se calienten con mayor rapidez, y es por ello que
en ambientes como estos la ventilacin deber procurarse en mayor medida para
prevenir fallas consecuentes al sobrecalentamiento. Mantener las rejillas y ranuras
de ventilacin perfectamente libres de polvo y suciedad, es un mantenimiento que
se debe dar forzosamente para evitar esta falla.
La mala ventilacin tambin puede provocar ruidos extraos parecidos a silbidos
provenientes del motor debido a materia o suciedad atrapada entre las rejillas. Si
la falla por ventilacin no es prevenida o reparada, el motor puede quemarse.
2.1.5.1.2 Fallas Elctricas
Las fallas elctricas se tratan en realidad de fallas en los aislamientos del motor,
que se pueden comprender si se conocen las partes que componen los sistemas
de aislamiento, como el aislamiento primario, aislamiento de fase a fase.

56

a) El aislamiento primario es el que se encuentra entre el cobre (los conductores) y

el ncleo de hierro laminado al cual se le conoce como aislamiento a tierra y, por
lo general, se trata de un polmero, o bien una combinacin polmero, o bien una
combinacin polmero/mica para motores que operan a mayor tensin. En la
actualidad, los materiales son durables, esto significa que no se deterioran o se
queman, excluyendo temperaturas muy elevadas, adems de ser resistentes a
ataques de agentes qumicos y desde el punto de vista mecnico, son ms
duraderos.
b) El aislamiento de fase a fase es similar a aquel que se encuentra entre el
devanado y tierra, es decir, se requiere un polmero de alta resistencia, porque
este aislamiento se coloca entre las espiras y el final del devanado. El aislamiento
de las bombas de un motor tiene esta forma de aislamiento.
c) El aislamiento de espira a espira es una pelcula delgada de polister aplicada a
la superficie del conductor (generalmente de cobre) usando en el devanado del
motor. Bajo condiciones normales de operacin el voltaje entre espiras nunca es
muy alto, es por ello que no se pone mucha atencin a este componente
secundario del aislamiento del devanado, sin embargo, el deterioro de este
aislamiento es una causa de las fallas en los motores elctricos de induccin. A
continuacin se describen las fallas ms comunes del tipo elctricas.

Bobinas en cortocircuito

Los cortos cortocircuitos entre espiras determinan una marcha ruidosa del motor y
el desprendimiento de humo (ver imagen 32). Tras localizar las bobinas
defectuosas, sea por inspeccin visual, sea midiendo la corriente absorbida por
cada fase, se substituirn por otras nuevas o se dejaran fuera de servicio.

57

Figura 32. Cortocircuito entre espiras (DUR ELECTRIC, 2012).

Cuando el esmalte aislante que protege el hilo se resquebraja, varias espiras se

ponen en contacto directo y la bobina afectada se calienta intensamente, hasta
que termina por quemarse. Por el mismo motivo pueden quemarse otras bobinas,
con lo cual el grupo entero de ellas o incluso una fase resultara averiada.
Las bobinas con cortocircuito se dejan fuera de servicio de modo distinto que las
interrumpidas. Primero se localiza la bobina defectuosa visualmente (el aspecto y
el olor delatan casi siempre el punto de quema). Luego se secciona ntegramente
la bobina por la cabeza opuesta a las conexiones y se retuercen a cada lado los
hilos cortados sobre s mismos. Antes de retorcerlos, es preciso asegurarse de
que los hilos cortados estn desprovistos de aislamiento.
El mismo mtodo se aplica a las bobinas confeccionadas por grupos. Cuando se
ha quemado un grupo completo de bobinas es necesario rehacer todo el
arrollamiento del motor.
A continuacin se presentan algunas imgenes donde se presentan otros tipos de
cortocircuitos como los son entre fases (ver figura 33), en bobina (ver figura 34) y
en conexin (ver figura 34).

58

Figura 33. Cortocircuito entre fases (DUR ELECTRIC, 2012).

Figura 34. Cortocircuito en bobina (DUR ELECTRIC, 2012).

Figura 35. Cortocircuito en conexin (DUR ELECTRIC, 2012).

59

Conexiones internas errneas

El mejor mtodo para comprobar si las conexiones internas de un motor trifsico

han sido bien hechas consiste en, conectar el estator a la red y disponer una bola
de cojinetes de gran tamao en el interior de aquel. Si las conexiones estn
equivocas, la bola permanecer en reposo al conectar el motor a la red. En caso
contrario, se pondr a rodar en el interior del estator. Tratndose de un motor de
mediana potencia y de gran potencia, convendr utilizar una tencin reducida pues
de contrario saltara el fusible.

Devanado del estator abierto en una fase

La apertura de una fase de alimentacin en un motor elctrico como la

consecuencia de un fusible fundido, un contactor abierto, una lnea interrumpida o
malas conexiones es causa de falla en los devanados.
Se produce un desequilibrio de corrientes, si la carga es relativamente grande se
sobrecargan algunas de las fases lo que provoca a su vez que el motor queme
fusibles y gire despacio; tambin es muy probable que bajo estas condiciones de
falla el motor no logre su arranque.

Falla en aislamiento a tierra

En general, la falla por fase a tierra ocurre cuando una fase se conecta a tierra.
Esto puede ser ocasionado por cualquier conexin accidental de un conductor de
fase y cualquier superficie metlica aterrizada.
Durante ocurrencia de esta falla en un conductor del devanado, los otros dos
conductores de fase a travs de todo el sistema, por lo tanto es extremadamente
importante localizar el circuito que contiene la falla y repararlo o desactivarlo antes
de que la elevacin de tensin produzca daos en la maquina o en otros circuitos
(ver figuras 36 y 37).
Los sntomas de que existe una falla a tierra son que el motor absorbe mucha
corriente, quema fusibles, se sobrecaliente y en algunos casos pueden
presentarse explosiones.

60

Figura 36. Falla en aislamiento a tierra (en extremo de ranura) (DUR ELECTRIC,
2012).

Figura 37. Falla en aislamiento a tierra (dentro de ranura) (Electromotores de

Costa Rica, 2012).

Falla en la red de alimentacin

Para que el motor elctrico funcione correctamente desde un inicio una de las
condiciones ms importantes es que debe estar conectado a una red de
alimentacin de la cual reciba la tensin para la cual fue diseado o de lo contrario
podra verse seriamente afectado.
Un sntoma de que se tiene falla en la red de alimentacin es que el motor pierda
velocidad hasta detenerse. Otras dos posibilidades son que, o bien el motor no
arranca, o se queme.

61

No hay alimentacin elctrica

Cuando no hay alimentacin elctrica el motor simplemente no arrancara. Esto

puede ser causado por descuido y que el motor no se encuentre conectado a la
red de alimentacin. Otras posibilidades es que no haya energa en la red, que el
conector o contacto estn daados, por ejemplo.

Prdida de fase de alimentacin

Una fase de alimentacin perdida es tambin conocida como fase interrumpida, se

debe a que en alguna fase del arrollamiento puede presentarse estando el motor
en marcha (ver figura 38). En este caso el motor contina funcionando aunque con
mucha menos potencia, absorber ms corriente de lo debido, emitir ruidos
extraos y habr sobrecalentamiento. Puede existir la interrupcin de alguna
bobina o en las conexiones entre dos grupos que impedirn el arranque del motor.
Tambin puede ser causa de tal avera un hilo roto o alguna conexin floja. Si la
interrupcin se localiza dentro de una bobina ser preciso sustituir esta por otra en
buen estado. Si la falla ocurre estando el motor en reposo el motor no podr
arrancar.

Figura 38. Falla por prdida de fase de alimentacin (Electromotores de Costa

Rica, 2012).

Proteccin contra sobrecorriente incorrecta

El objetivo de colocar proteccin contra sobrecorriente a las unidades es evitar o

limitar las consecuencias destructivas o peligrosas de las sobrecorrientes debido a

62

sobrecargas, cortocircuitos y fallas de aislamiento. Cada proteccin colocada

depender de la capacidad de consumo elctrico del motor, si esto no es tomado
en cuenta o respetado la probabilidad que exista falla es muy alta.
En caso de las contingencias ya mencionadas los sntomas que se presentaran
como indicadores de esta falla son sobrecalentamiento del motor y en casos
extremos donde la sobrecarga sea muy alta puede quemarse (ver imagen 39).

Figura 39. Falla por contra sobrecorriente incorrecta (DUR ELECTRIC, 2012).

Tensin incorrecta

Una incorrecta alimentacin de voltaje al motor puede reducir la vida o causar una
falla ya sea rpida o permanente. Un voltaje bajo soporta una corriente mayor que
la normal. Si el voltaje disminuye de una forma sbita se presentara una corriente
excesiva lo cual se derivara en un sobrecalentamiento del motor, menor potencia
en el giro y quema de fusibles, finalmente el motor puede quemarse (ver figura
40).

63

Figura 40. Falla por desbalance de voltaje. (DUR ELECTRIC, 2012).

2.2 Redes Neuronales Artificiales

Las redes neuronales artificiales son una tcnica de la Inteligencia Artificial que
imita el funcionamiento de las neuronas biolgicas, se usan para clasificar
informacin, imgenes, e incluso msica mediante el anlisis de informacin
(Sotolongo y Guzmn, 2001), por ejemplo.
En la dcada de los aos 50, los investigadores tenan buenas expectativas
acerca de la inteligencia artificial como herramienta para la solucin de problemas,
sobre todo con rea de las redes neuronales artificiales (RNA), a partir de los
trabajos Principles of neurodynamic y The perceptron: A probabilistic model for
information storage and organization in the brain, desarrollados por Rosenblatt
(ao), donde se describi el modelo de las redes neuronales artificiales a partir de
las biolgicas; sin embargo, Minsky y Papert (1969), pues publicaron su obra
titulada Perceptrons, donde criticaron y descalificaron al modelo neural, la
consecuencia fue que los recursos econmicos para investigar acerca de redes
neuronales artificiales se limitaron y se abandonaron muchos proyectos.

64

La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch
y Walter Pitts; esta consista en una suma de las seales de entrada, multiplicadas
por unos valores de pesos escogidos aleatoriamente. La entrada es comparada
con un patrn preestablecido para determinar la salida de la red. Si en la
comparacin, la suma de las entradas multiplicadas por los pesos es mayor o igual
que el patrn preestablecido la salida de la red es uno (1), en caso contrario la
salida es cero (0). Al inicio del desarrollo de los sistemas de inteligencia artificial,
se encontr similitud entre su comportamiento y el de los sistemas biolgicos y en
principio se crey que este modelo poda computar cualquier funcin aritmtica o
lgica.
La red tipo Perceptrn fue inventada por el siclogo Frank Rosenblatt en el ao
1957. Su intencin era ilustrar algunas propiedades fundamentales de los
sistemas inteligentes en general, sin entrar en mayores detalles con respecto a
condiciones especficas y desconocidas para organismos biolgicos concretos.
Rosenblatt crea que la conectividad existente en las redes biolgicas tiene un
elevado porcentaje de aleatoriedad, por lo que se opona al anlisis de McCulloch
Pitts en el cual se empleaba lgica simblica para analizar estructuras bastante
idealizadas. Rosenblatt opinaba que la herramienta de anlisis ms apropiada era
la teora de probabilidades, y esto lo llev a una teora de separabilidad estadstica
que utilizaba para caracterizar las propiedades ms visibles de estas redes de
interconexin pseudoaleatorias.

2.2.1 El Modelo Biolgico de las Redes Neuronales Artificiales

El cerebro humano est integrado por cerca de 109 neuronas masivamente
interconectadas; la neurona es una clula especializada que puede propagar una
seal electroqumica. Las neuronas tienen una estructura ramificada de entrada
(las dendritas) y una estructura ramificada de salida llamada axn (Brook y
Sainton, 2000) como se aprecia en la figura 41.

65

La neurona es considerada la unidad estructural y funcional fundamental del

sistema nervioso, porque las diferentes estructuras del sistema nervioso tienen
como base grupos de neuronas (Carlson, 1990). Adems, la neurona es la unidad
funcional porque puede aislarse como componente individual y llevar a cabo la
funcin bsica del sistema nervioso que es la transmisin de informacin en la
forma de impulsos nerviosos (Brook y Sainton, 2000).

Figura 41. Esquema bsico de una neurona biolgica (Grupo PRISA, 2012).

2.2.1.1 Estructura de la Neurona

El axn de una clula se comunica con las dendritas de otras neuronas y mediante
la sinapsis la neurona se activa y excita una seal electroqumica a lo largo del
axn (Eccles, 1964). Esta seal transfiere la sinapsis a otras neuronas, las que a
su vez pueden excitase, s la seal total recibida en el cuerpo de las clulas (ver
figura 42), por conducto de las dendritas, es superior a cierto nivel llamado umbral
de excitacin (Carlson, 1990).
La neurona es un tipo de clula con los componentes estructurales bsicos y que
le permiten transmitir mensajes en forma de impulsos nerviosos (Kandel, y
Schwartz y Jessell, 2001). Algunas de las estructuras principales de la neurona
son soma o cuerpo celular, dendritas y axn (ver figura 42).

66

El soma o cuerpo celular es la parte que incluye el ncleo, que es donde se

produce la energa para el funcionamiento de la neurona (Eckert, 1991). Una
diferencia importante es que el ncleo de las neuronas no est capacitado para
llevar a cabo divisin celular o mitosis, porque las neuronas no se reproducen
(Carlson, 1990). Implica que en el caso de lesin neuronal se puede sufrir prdida
permanente de funciones (ver figura 42).
Las dendritas son prolongaciones que salen de diferentes partes del soma, son
muchas y ramificadas, a mayor ramificacin, mayor comunicacin, mayor
versatilidad, pero en cierto momento se cierran para constituir funciones
especficas, su funcin es colectar informacin proveniente de otras neuronas u
rganos del cuerpo y concentrarla en el soma de donde, si el mensaje es
adecuado puede pasar al axn (Eckert, 1991), como se puede ver en la figura 42.
El axn es una sola prolongacin que sale del soma en direccin opuesta a las
dendritas, su tamao vara segn el lugar donde se encuentre localizado el axn,
pero por lo regular son largos en relacin a las dendritas, su es la de conducir un
impulso nervioso desde el soma hacia otra neurona, msculo o glndula del
cuerpo (Devaney, 1990). El axn est cubierto con capas de mielina que es una
sustancia grasosa que cubre partes de la superficie del axn para facilitar la
transmisin del impulso nervioso (Eckert, 1991). La mielina es producida por las
clulas Schuann y su ausencia est asociada con dificultad en la transmisin de
impulso nervioso (por ejemplo en la esclerosis mltiple), su ausencia en los
infantes explica sus limitaciones motrices (Hodgkin y Huxley, 1952a). No todo el
axn est cubierto de mielina, algunas partes no y se conocen como ndulos de
Ranvier (Carlson, 1990). En el extremo del axn se encuentran los botones
sinpticos que son ramificaciones que permiten que el impulso nervioso se
propague en diferentes direcciones, all hay vesculas sinpticas que contienen
neurotransmisores que se encargan de pasar el impulso nervioso hacia otra
neurona, msculo o glndula como lo determinaron Hodgkin y Huxley en 1952 (ver
figura 42).

67

Adems de las neuronas en el sistema nervioso se encuentran las clulas gla que
tienen a su cargo ayudar a la neurona en diversas funciones, como el intercambio
de fluidos y eliminar desechos metablicos, para que la neurona sea eficiente
(Hodgkin y Huxley, 1952b), como se muestra en la figura 42.

Figura 42. Estructura de una neurona (Tejedor, 2011).

2.2.1.1.1 Funcionamiento de la Neurona

En trminos generales, la funcin de la neurona es transmitir informacin en forma
de impulsos nerviosos que viajan en una sola direccin, se inicia en las dendritas,
se concentra en el soma y pasa a lo largo del axn hacia otra neurona, msculo o
glndula. El impulso nervioso es de naturaleza electroqumica, o sea, que es una
corriente elctrica producida por gradientes de concentraciones de sustancias
qumicas que tienen cargas elctricas (Curtis y Cole, 1940).
El proceso global de transmisin de un impulso nervioso puede ser dividido en tres
fases, el potencial de reposo, el potencial de accin, el desplazamiento del
potencial de accin a lo largo del axn y la transmisin sinptica (Hodgkin y
Huxley, 1952a).

68

El potencial de reposo, se llama as al estado en que se encuentra una neurona

que no est transmitiendo un mensaje o impulso nervioso. En este estado de
reposo la neurona est en un estado de tensin o cargada, lista para disparar o
iniciar un mensaje (Hodgkin y Huxley, 1952a). El estado se debe a un desbalance
en las cargas elctricas dentro y fuera de la neurona, en particular entre el interior
y el exterior del axn, que es provocado por concentraciones desiguales de iones
de K+ (potasio), Na+ (sodio), Cl (cloro) y protenas con carga negativa en el
interior y el exterior del axn (Hodgkin y Huxley, 1952b). Particularmente, hay una
mayor concentracin de Na+ (sodio) en el exterior del axn a la vez que las
protenas con carga negativa no pueden salir (Hodgkin y Huxley, 1952b). El
resultado neto de ese desbalance qumico es que el interior de la neurona est
cargado negativamente respecto al exterior, la carga es de aproximadamente -70
mili-volts (ver figura 43).

Figura 43. Potenciales de reposo, de accin y periodo refractario de una neurona

segn Hodgkin y Huxley en 1952 (Guyton, 2010).

El desbalance electroqumico es forzado por un sistema de bombas, llamadas de

sodio-potasio, ubicadas en los puntos de intercambio que son los ndulos de
Ranvier. Es esta carga negativa que tiene la neurona en su estado de reposo lo
que se conoce como el potencial de reposo, porque es su fuerza potencial para
iniciar un impulso nervioso (Hodgkin y Huxley, 1952c).

69

El potencial de accin es el nombre con el que se designa un cambio drstico en

la carga de la neurona, que ocurre cuando la neurona recibe algn tipo de
estimulacin externa y se origina en los mensajes que las dendritas de la neurona
recogen de su alrededor, se concentran en el soma y si los estmulos son lo
bastante intensas, genera un cambio drstico en las cargas elctricas, cambiando
sbitamente de -70mv a +40mv (ver figura 44), debido al principio de todo o
nada pues ha superado el umbral de disparo de la neurona (Hodgkin y Huxley,
1952a) mismo que se representa por una funcin escaln unitario (ver figura 44).
La ecuacin 1 o funcin de Heaviside modela matemticamente la activacin de la
neurona, la respuesta es cero mientras no se supera el umbral de la funcin y uno,
por el contrario (ver Ec. 1).
Ec. 1

Funcin 44. Funcin escaln unitario o de Heaviside que modela la activacin de

una neurona (Figueroa, 2003).

El primer potencial de accin genera nuevos disturbios en las reas adyacentes en

el interior del axn, afectan el prximo punto de intercambio (el prximo ndulo de
Ranvier) donde los canales se abrirn y dejaran entrar el Na+ (sodio) al interior del
axn, produciendo en ese punto un nuevo potencial de accin y as hasta el final

70

del axn; esta transmisin de potenciales de accin a lo largo del axn es lo que
se denomina impulso nervioso (Kandel,y Schwartz y Jessell, 2001).
El perodo refractario es el tiempo que tarda la neurona en retornar al potencial de
reposo. Durante ese perodo de recuperacin, la neurona es incapaz de emitir otro
impulso nervioso y es de aproximadamente 1ms (Hodgkin y Huxley, 1952c).
2.2.1.1.2 La Sinapsis
La sinapsis es el proceso de comunicacin de una neurona a otra, cuando el
potencial de accin llega a los botones sinpticos, en los botones sinpticos se
liberan sustancias qumicas llamadas neurotransmisores (se abrevia NT). Cuando
los NT son liberados durante la sinapsis al espacio interneural, stos se desplazan
hasta la membrana objetivo y all se adhieren en lugares especficos, donde se
encuentran estructuras llamadas neuroreceptores (se abrevia NR) como se
aprecia en la figura 45 (Kandel, y Schwartz y Jessell, 2001). El objetivo de los
neuroreceptores es excitar o inhibir a la neurona receptora, al incidir en las
dendritas se inicia un nuevo disturbio en la prxima neurona, donde puede dar
lugar a una respuesta; el efecto puede ser tambin una contraccin muscular o
una secrecin glandular, por ejemplo (Devaney, 1990).

Figura 45. Esquema de la sinapsis de dos neuronas, la neurona que emite la

informacin (en la parte superior) libera neurotransmisores y la neurona receptora
(en la parte inferior) puede capturarlos si tiene neuroreceptores afines o si estn
listos para recibir informacin, si la neurona no est en periodo refractario
(Marrero, 2005).

71

2.2.1.2 El modelo de McCulloch y Pitts

Uno de los primeros intentos para explicar el sistema nervioso central como un
sistema dinmico (un sistema que cambia a travs del tiempo) fue realizado por
Marr (1975), quien prob que una teora de la conducta y las neurociencias deban
contener una explicacin para incluir la formalidad matemtica, dando lugar al
desarrollo de la visin artificial (Marr, 1982). Un ejemplo de la nocin de Marr
(1982) en el mbito de las neurociencias es el modelo matemtico de McCulloch y
Pitts (1943) de la neurona biolgica, llamado neurona artificial (ver figura 46),
donde se supuso que la actividad neuronal es un procesos de todo o nada que
se puede representar digitalmente (0 y 1), la neurona recibe datos que son
sumados selectivamente (espacialmente) segn McCulloch (1965), procesados
mediante una funcin de transferencia que puede ser activa o inactiva,
dependiendo del valor de entrada y del umbral, mientras la estructura general del
sistema no cambia. Los estmulos que recibe la neurona biolgica son
equivalentes a los datos de entrada (X1, X2, , Xn) de la neurona artificial, el
proceso biolgico de interpretacin de los datos de entrada se modela como el
producto de cada entrada por un peso (valor aleatorio) cuyo resultado se suma
para entrar al soma (de la neurona biolgica) o funcin de transferencia escaln
(neurona artificial), si el resultado de la sumatoria es superior al umbral, la neurona
dispara (da un valor de salida de Y = 1), en caso contrario permanece igual (da un
valor de salida de Y = 0).

72

Potencial de
accin de entrada Vector de
pesos
(PA)
X1

Vector de
entradas

X2

Suma
espacial

Funcin de
transferencia

Potencial de
accin de salida
(PA)

Axn
Xn

Dendritas

Soma

Potencial
postsinptico
(PP)

Figura 46. Neurona artificial con la que se simula una suma pesada la entrada de
datos (vector de entrada por vector de pesos) que es procesada en la funcin de
transferencia, si el resultado supera el umbral de la funcin de transferencia, la
salida es la activacin (1), en caso contrario, no hay respuesta(0) (McCulloch y
Pitts, 1943).

El modelo de McCullochs y Pitts (1943) fue la base para desarrollar el perceptrn,

que fue la primera red neuronal artificial que pudo emular una operacin humana,
la clasificacin que slo puede tener como respuesta 0 o 1.

2.2.1.3 El Perceptrn
Una de las caractersticas ms importantes de las redes neuronales es su
capacidad para aprender, entendida como capacidad para auto-modificarse, a
partir de alguna fuente de informacin interactuando con su entorno. En 1958 el
psiclogo Frank Rosenblantt desarroll un modelo simple de neurona basado en el
modelo de McCulloch y Pitts (1943) y en una regla de aprendizaje basada en la
correccin del error, al que llam Perceptrn. Una de las caractersticas que ms
inters despert de este modelo fue su capacidad de aprender a reconocer
patrones.

73

El Perceptrn de Rosenblatt fue implementado en hardware, estaba constituido

por un conjunto de sensores de entrada que reciben los patrones de entrada a
reconocer o clasificar y una neurona de salida que se ocupa de clasificar a los
patrones de entrada en dos clases, segn que la salida de la misma se 1
(activada) o 0 (desactivada). Sin embargo, dicho modelo tena muchas
limitaciones, como por ejemplo, slo es capaz de separar en dos clases
linealmente separables. Tuvieron que pasar unos aos hasta que se propusiera la
regla de aprendizaje de retro-propagacin del error para demostrarse que el
Perceptrn multicapa es un aproximador universal.
Se dice que dos clases son linealmente separables si al graficarlas, se puede
trazar una lnea recta entre las dos clases para delimitarlas (ver figura 47).
Formalmente se dice que dos conjuntos de puntos A y B son linealmente
separables en un espacio n-dimensional si existen n+1 nmeros reales w1, w2,...,
wn-1, wn, , de manera que cada punto (x1, x2,, x3) A satisface:

) y cada punto (x1,x2,,x3)B satisface

)<

Ec. 2

Figura 47. Ejemplo de patrones linealmente separables.

El primer perceptrn implementado en software tena dos neuronas de entrada y

una de salida, con una funcin de transferencia escaln unitario para simular el
comportamiento de todo o nada de la neurona biolgica y un umbral (ver figura
48). Entre sus caractersticas se encuentran que es un sistema capaz de realizar

74

tareas de clasificacin de forma automtica, a partir de un nmero de ejemplos

etiquetados, el sistema determina la ecuacin del plano discriminante, puede
usarse como neurona dentro de otro tipo de red de neurona artificial, usa
aprendizaje supervisado y conexiones en un slo sentido, es reconocido por su
capacidad de aprender a reconocer patrones, es un modelo unidireccional
compuesto por dos capas de neuronas, las neuronas de entrada corresponden a
datos discretos y la neurona de salida.
El perceptrn tiene dos etapas de funcionamiento, la primera se denomina de
aprendizaje o entrenamiento, en esta se usan patrones correctos y bien probados
para ajustar en varias iteraciones los pesos (w), usando la regla de aprendizaje
supervisado definida por Rosenblatt; la segunda etapa o de funcionamiento, es
cuando los pesos permanecen constantes, pero el sistema da una salida 0 o 1
para clasificar los patrones de entrada de acuerdo a lo aprendido con los patrones
ejemplo.

Figura 48. Esquema del perceptrn (Redes de Neuronas Artificiales, 2012).

2.2.1.3.1 Arquitectura
Es una red monocapa con varias neuronas de entrada conectadas a la neurona de
salida. Observando la imagen anterior se puede calcular el valor de la salida, del
siguiente modo:

75

Ec. 3

En el caso de que la salida sea +1, la entrada pertenecer a una clase,

situada a un lado del hiperplano.

En el caso de que la salida sea -1, la entrada pertenecer a la clase

contraria, situada al otro lado del hiperplano.

El perceptrn simple es un hiperplano de dimensin n-1 capaz de separar las

clases. La ecuacin de dicho interplano es:
w1x1+w2x2+=0

Ec. 4

La cual si se simplifica queda del siguiente modo:

Ec. 5

Donde la parte que multiplica x1 es la pendiente de la recta y la otra parte es el

punto de corte con el eje de ordenadas.

2.2.1.3.2 Aprendizaje Supervisado

Para el proceso de aprendizaje del Perceptrn Simple es necesario saber:

Los datos son puntos en un espacio multidimensional.

Se dispone de un conjunto de observaciones, puntos representados en el

hiperplano, de los que se sabe su categora o clase.

Se tiene que determinar la ecuacin del hiperplano que separa los ejemplos
de un tipo de los de otro.

La ecuacin del hiperplano se deduce a partir de los ejemplos.

El aprendizaje es un proceso iterativo supervisado.

76

Hasta encontrar el hiperplano discriminante se debe ir modificando los

parmetros de la red (pesos y umbral).

Este proceso de aprendizaje supervisado tiene un nmero finito de

interacciones.

Los pasos a seguir para el aprendizaje son:

1. Inicializacin aleatoria de los pesos y umbral.
2. Se toma un patrn de entrada-salida.
3. Se calcula la salida de la red.
4. Si y = d(x) (clasificacin correcta). Si y d(x) (clasificacin incorrecta) se
modifican los parmetros.
5. Se vuelve al paso 2 hasta completar el conjunto de patrones de
entrenamiento.
6. Se repiten los pasos anteriores hasta alcanzar el criterio de parada.
El primer modelo de Perceptrn fue desarrollado en un ambiente biolgico
imitando el funcionamiento del ojo humano, el fotoperceptrn como se le llam,
era un dispositivo que responda a seales pticas; como se muestra en el figura
49, la luz incide en los puntos sensibles (S) de la estructura de la retina, cada
punto S responde en forma todo-nada a la luz entrante, los impulsos generados
por los puntos S se transmiten a las unidades de asociacin (A) de la capa de
asociacin; cada unidad A est conectada a un conjunto aleatorio de puntos S,
denominados conjunto fuente de la unidad A, y las conexiones pueden ser tanto
excitatorias como inhibitorias. Las conexiones tienen los valores posibles +1, -1 y
0, cuando aparece un conjunto de estmulos en la retina, una unidad A se activa si
la suma de sus entradas sobrepasa algn valor umbral; si la unidad esta activada,
A produce una salida que se enva a la siguiente capa de unidades.

77

Figura 49. Modelo de fotoperceptrn de Rosenblatt (U.T.P, 1995).

El Perceptrn era inicialmente un dispositivo de aprendizaje, en su configuracin

inicial no tena capacidad de distinguir patrones de entrada complejos. En esencia,
el entrenamiento implicaba un proceso de refuerzo mediante el cual la salida de
las unidades A se incrementaba o decreca dependiendo de si las unidades A
contribuan o no a las respuestas correctas del perceptrn para una entrada dada.
Se aplicaba una entrada a la retina, y el estmulo se propagaba a travs de las
capas hasta que se activase una unidad de respuesta. Si se haba activado la
unidad de respuesta correcta, se incrementaba la salida de las unidades A que
hubieran contribuido. Si se activaba una unidad R incorrecta, se haca disminuir la
salida de las unidades A que hubiesen contribuido.
Mediante estas investigaciones se pudo demostrar que el Perceptrn era capaz de
clasificar patrones correctamente, en lo que Rosenblatt denominaba un entorno
diferenciado, en el cual cada clase estaba formada por patrones similares. El
Perceptrn tambin era capaz de responder de manera congruente frente a
patrones aleatorios, pero su precisin iba disminuyendo a medida que aumentaba
el nmero de patrones que intentaba aprender.
El modelo de Rosenblatt se ilustra en la figura 50, donde se aprecia que las
entradas (X1, X2, , Xn y W 1j, W 2j, , W nj) equivalen a las dendritas de la neurona

78

biolgica, el cuerpo de la neurona se representa como un sumador lineal de los

estmulos externos zj, seguida de una funcin no lineal yj = f(zj). La funcin f(zj) es
llamada la funcin de activacin, y es la funcin que utiliza la suma de estmulos
para determinar la actividad de salida de la neurona (yj).
Los pesos pueden ser positivos (excitacin) o negativos (inhibicin). Los pesos
junto con las funciones f(z) dictan la operacin de la red neuronal. Normalmente
las funciones no se modifican de tal forma que el estado de la red neuronal
depende del valor de los factores de peso (sinapsis) que se aplica a los estmulos
de la neurona.
En un perceptrn, cada entrada es multiplicada por el peso W correspondiente, y
los resultados son sumados y procesados con la funcin de transferencia, el
resultado es evaluado contra el valor de umbral, si el resultado f(z) j es mayor al
mismo, el perceptrn se activa (salida igual a 1), en caso contrario permanece
inactivo (salida igual a 0). La funcin de salida de la red en la figura 43 es llamada
funcin umbral o funcin de transferencia (ver ecuacin 6).

Ec. 6

Figura 50. Modelo de neurona artificial de Rosenblatt (Pacheco, 2000).

79

El perceptrn es la base de todas las redes neuronales artificiales y es capaz de

separar linealmente dos clases, a partir de un conjunto de datos de entrada (ver
figura 51).

Figura 51. Funcionamiento del Perceptrn, que traza una lnea recta que divide en
dos clases un conjunto de datos (GamePlayArt, 2008).

2.2.1.3.3 Caractersticas
Hilera y Martnez (1995) enunciaron cinco caractersticas de las redes neuronales
artificiales que permiten la solucin de problemas complejos, son pocos recursos
computacionales; estas son aprendizaje adaptativo, auto-organizacin, tolerancia
a fallos, operacin en tiempo real y fcil insercin en la tecnologa actual.
El aprendizaje adaptativo es la caracterstica ms importante de las redes
neuronales, porque pueden comportarse en funcin de un entrenamiento con una
serie de ejemplos ilustrativos, es un proceso donde se modifica la informacin
interna de la red neuronal artificial. Una red neuronal artificial es adaptativa porque
puede modificarse constantemente con el fin de adaptarse a nuevas condiciones
de trabajo.
La auto-organizacin consiste en la modificacin de la red completa con el fin de
llevar a cabo un objetivo especfico, significa generalizacin, de esta forma una red
puede responder a datos o situaciones que no ha experimentado antes, pero que
puede inferir sobre la base de su entrenamiento. Esta caracterstica es muy til
sobre todo cuando la informacin de entrada es poco clara o se encuentra
incompleta.

80

La tolerancia a fallos, permite que el sistema funcione bien con informacin

incompleta o parcialmente errnea, en la computacin tradicional la prdida de un
fragmento pequeo de informacin puede acarrear comnmente la inutilizacin del
sistema, en cambio las redes neuronales pueden trabajar aunque se destruya
parte de la red (con cierta degradacin). La explicacin de este fenmeno se
encuentra en que mientras la computacin tradicional almacena la informacin en
espacios nicos, localizados y direccionables, las redes neuronales lo hacen de
forma distribuida y con un alto grado de redundancia.
La operacin en tiempo real se refiere a la capacidad de las redes neuronales
artificiales para reconocer de patrones en tiempo real, debido a que trabajan en
paralelo actualizando todas sus instancias simultneamente. Es importante
destacar que esta caracterstica solo se aprecia cuando se implementan redes con
hardware especialmente diseados para el procesamiento paralelo.
La fcil insercin en la tecnologa existente porque es relativamente sencillo
obtener chips especializados para redes neuronales que mejoran su capacidad en
ciertas tareas, ello facilita la integracin modular en los sistemas existentes.
Para entrar al campo de las Redes Neuronales primero se debe tener en cuenta
que para ello el nico elemento a estudiar ser el cerebro humano, y para este
estudio se decido dividir la IA en dos clases, la macroscpica y la microscpica.
La macroscpica ser aquella donde se estudie al cerebro como un todo, sin
tomar en cuenta en ningn momento la estructura interna, enfocndose solo a
definir su comportamiento en base a su funcionamiento global. Por otra parte, la
microscpica se basa en la estructura que presenta el cerebro a nivel neuronal.
A mediados de siglo XX, Santiago Ramn y Cajal, precursor en los estudios del
cerebro, desarroll la idea de que la neurona es la estructura ms pequea del
cerebro (1903).

81

Como ya se sabe, las computadoras modernas se modelaron tomando como base

al cerebro humano, por lo que siendo las puertas de silicio la unidad ms bsica
de las computadoras resultan ser las anlogas de las redes neuronales biolgicas.
Cuando llega una orden para realizar, las compuertas de silicio son ms rpidas
que las redes neuronales del cerebro. Sin embargo, esta deficiencia en la
velocidad se ve compensada ya que las redes neuronales tienen la capacidad de
realizar un mayor nmero de interconexiones, adems de que el cerebro es de
mucho mayor eficiencia energtica que las CPUs modernas.
Y son precisamente las interconexiones entre las neuronas al aspecto de mayor
ventaja del cerebro por sobre las computadoras, ya que estas dan la capacidad de
operar en paralelo, permitiendo as procesar una gran cantidad de datos en
cuestin de segundos. Un ejemplo de ello es el reconocimiento de rostros. El
cerebro humano es capaz de reconocer un rostro aun si la imagen que se percibe
esta girada o incluso borrosa. Sin embargo, para las computadoras estos
pequeos cambios podran complicar la operacin debido a que solo trabajan de
manera lineal.

2.2.1.4 Clasificacin de las RNA

Aun despus de los avances obtenidos por McCulloc y Pitts (1943), y ms tarde el
de Rosenblatt (1958) con su Perceptrn, el campo de investigacin de las RNA no
fue capaz de mantenerse fuerte en el inters de los cientficos teniendo que
esperar casi 40 aos para que estas fueran retomadas.
Esta tendencia fue marcada principalmente por el libro publicado por Minsky y
Papert titulado Perceptrons: an introduction to computational geometry (1969), en
el cual aseguraban que eran los llamados sistemas expertos, y no las redes
neuronales artificiales el futuro de la Inteligencia Artificial. Sin embargo, tiempo
despus, el trabajo de Minsky y Papert comenz a parecer contradictorio cuando
los recursos para crear sistemas expertos se vieron agotados. Fue entonces
cuando el inters por las redes neuronales artificiales resurgi. Se retomaron los

82

trabajos en el diseo de nuevas arquitecturas las cuales fueran capaces de

resolver diferentes tipos de problemas. Otro elemento que contribuy en la
continuacin y el avance de las investigaciones sobre las redes neuronales fue el
desarrollo de nuevas tecnologas computacionales, las cuales hasta ahora han
ayudado a facilitar las tareas relacionadas con la construccin y uso de las RNA.
Algunos de los trabajos ms significativos una vez que las RNA fueron retomadas
como opcin viable son los realizados por Hopfiel (1892), Rumelhart and
McClelland (1986), Sejnowski (1986), Feldman and Ballard (1982) y Grossberg
(1986). Este inters renovado se vio alentado debido a la creacin de nuevos
algoritmos y de su novedoso comportamiento, as como por las nuevas
arquitecturas e implementacin de nuevas tcnicas, y no menos importante, la
constante inquietud y fascinacin creciente por descubrir, demostrar y reproducir,
por lo menos algunos de los comportamientos del cerebro humano.
Unos de los comportamientos humanos en los que los cientficos e investigadores
de la IA en general se interesan ms son reas como el lenguaje y el
reconocimiento de imgenes, los cuales requieren una enorme cantidad de
procesos. Es entonces donde intervienen las RNA, ya que estas proveen tcnicas
con la capacidad para la creacin y obtencin de estos procesos requeridos
usando una gran cantidad de nmeros y de elementos simples de procesamiento
que operan en paralelo.
Todos los modelos conexionistas de RNA que han sido creados hasta ahora
tienen como objetivo comn el que intentan lograr un buen rendimiento a travs de
la interconexin de simples elementos computacionales. En lo que a esto
respecta, las arquitecturas de las RNA estn basadas en el propio entendimiento
que se tiene hasta el momento del sistema nervioso biolgico.
Cada red se crea dependiendo de los problemas a resolver para los que se quiere
ser implementada. Sin embargo, cada una de ellas tiene caractersticas
fundamentales, es decir, que no difieren mucho de otras arquitecturas. Gracias a
estas caractersticas las redes pueden ser clasificadas.

83

Generalmente, la clasificacin de las RNA puede variar dependiendo de quin la

lleva a cabo. Algunas de las prioridades que se toman para hacer la clasificacin
son el tipo de paradigma de aprendizaje, ya sea del tipo supervisado o no
supervisado; tambin se pueden clasificar segn de su arquitectura bsica, o bien
dependiendo del tipo de entrada que esta requiera, por ejemplo.

2.2.1.4.1 Clasificacin de las RNA segn Richard P. Lippmann

Algunas clasificaciones han sido realizadas hasta la fecha, sin embargo la mayora
de estas no son lo suficientemente especficas, completas o comprensibles.
Richard P. Lippmann en su publicacin An Introducction to Computing with Neural
Nets (1987) propone una clasificacin en la cual primeramente divide las redes
segn su tipo de entrada, ya sea Binaria (0, 1), o bien, de Valores discretos o
infinitos. Debajo de esto, las redes se dividen segn el tipo de entrenamiento, el
cual puede ser supervisado o no supervisado. Las redes bajo el paradigma de
aprendizaje supervisado, como la Hopfield y la Perceptrons, son usadas como
memorias asociativas o como clasificadores (ver figura 52). Estas redes cuentan
con informacin complementaria o etiquetas que especifican la clase correcta para
nuevos patrones de entrada durante el entrenamiento. Los clasificadores estticos
ms comunes, como los clasificadores Gaussianos, son entrenados con
supervisin usando datos de entrenamiento etiquetados.
Las RNA entrenadas mediante el paradigma de aprendizaje no supervisado, como
la red de Kohonen, la cual es usada como cuantificador vectorial, o como clusters
(agrupadores).
De todas las redes que se mencionan como ejemplo debajo en el diagrama, para
este trabajo en particular la ms importante es la llamada Red de Hamming, la
cual, observando la figura 52, se puede deducir que es una red con entrada del
tipo binaria (0, 1) y que adems, su paradigma de aprendizaje es del tipo
supervisado.

84

Figura 52. Clasificacin de RNA segn el tipo de entrada y paradigma de

aprendizaje (Lippmann, 1987).

2.2.1.4.2 Redes Competitivas

En las redes con aprendizaje competitivo (y cooperativo), suele decirse que las
neuronas compiten (y cooperan) unas con otras con el fin de llevar a cabo una
tarea dada. Con este tipo de aprendizaje se pretende que cuando se presente a la
red cierta informacin de entrada, slo una de las neuronas de salida de la red, o
una por cierto grupo de neuronas, se active (alcance su valor de respuesta
mximo). Por tanto las neuronas compiten para activarse quedando finalmente
una, o una por grupo, como neurona vencedora y el resto quedan anuladas o
inactivas, siendo as forzadas a sus valores de respuesta mnimos.
La competicin entre neuronas se realiza en todas las capas de la red, existiendo
en estas redes neuronas con conexiones de auto-exitacin (signo positivo) y
conexiones de inhibicin (signo negativo) por parte de neuronas vecinas.
El objetivo de este aprendizaje es categorizar (clusterizar) los datos que se
introducen en la red, de esta forma las informaciones similares son clasificadas
formando parte de la misma categora y por tanto deben activar la misma neurona

85

de salida. Las clases o categoras deben ser creadas por la propia red, puesto que
se trata de un aprendizaje no supervisado a travs de las correlaciones entre los
datos de entrada.
A principios de 1959, Frank Rosenblatt cre su simple clasificador espontneo,
una red de aprendizaje no supervisado basado en el Perceptrn, el cual aprenda
a clasificar vectores de entrada en dos clases con igual nmero de trminos.
A finales de los aos 60s y principios de los 70s, Stephen Grossberg introdujo
muchas redes competitivas que usaban inhibicin lateral obteniendo buenos
resultados. Algunos de los comportamientos tiles obtenidos por l, fueron la
supresin del ruido, aumento del contraste y normalizacin de vectores.
En 1973, Christoph Von Der Malsburg introduce la regla del mapa de organizacin
propia, que permita a la red clasificar entradas en las cuales las neuronas que
estuviesen en un vecindario cercano a la neurona ganadora, respondieran a
entradas similares. La topologa de esta red imitaba de alguna forma las
estructuras encontradas en la corteza visual de los gatos, estudiada por David
Hubel y Torten Wiesel (1954). Su regla de aprendizaje gener gran inters, pero
esta utilizaba un clculo no local para garantizar que los pesos fueran
normalizados, este hecho haca este modelo biolgicamente poco posible.
Grossberg extendi el trabajo de Von Der Malsburg, redescubriendo la regla
Instar. Grossberg mostr que la regla Instar removi la necesidad de re-normalizar
los pesos, porque los vectores de pesos que aprendan a reconocer vectores de
entrada normalizados, automticamente se normalizarn ellos mismos.
El trabajo de Grossberg y Von Der Malsburg enfatiz la posibilidad biolgica de
sus redes.
Por otra parte, Tuevo Kohonen ha sido tambin un fuerte proponente de las redes
competitivas; sin embargo, su nfasis ha sido en aplicaciones para ingeniera y en
descripciones de eficiencia matemtica de las redes. Durante la dcada de los 70
Kohonen desarroll una versin simplificada de la regla Instar, inspirada tambin

86

en la red de Von Der Malsburg y Grossberg, de esta forma encontr una manera
muy eficiente de incorporar topologa a una red competitiva.
Otra forma de aplicar este tipo de aprendizaje fue propuesta por Rumelhart y
Zisper (1985), quienes utilizaban redes multicapa dividiendo cada capa en grupos
de neuronas, de tal forma que stas disponan de conexiones inhibitorias con otras
neuronas de su mismo grupo y conexiones excitadoras con las neuronas de la
siguiente capa; en una red de este tipo, despus de recibir diferentes
informaciones de entrada, cada neurona en cada grupo se especializa en la
respuesta a determinadas caractersticas de los datos de entrada.
En este tipo de redes cada neurona tiene asignado un peso total (suma de todos
los pesos de las conexiones que tiene a su entrada), el aprendizaje afecta slo a
las neuronas ganadoras (activas), en las que se redistribuye el peso total entre sus
conexiones y se sustrae una porcin de los pesos de todas las conexiones que
llegan a la neurona vencedora, repartiendo esta cantidad por igual entre todas las
conexiones procedentes de unidades activas, por tanto la variacin del peso de
una conexin entre una unidad i y otra j ser nula si la neurona j no recibe
excitacin por parte de la neurona i (no vence en presencia de un estmulo por
parte de i) y se modificar (se reforzar) si es excitada por dicha neurona.
Una variacin del aprendizaje supervisado aplicado a redes multicapa consiste en
imponer una inhibicin mutua entre neuronas nicamente cuando estn a cierta
distancia unas de otras (suponiendo que las neuronas se han dispuesto
geomtricamente, por ejemplo formando capas bidimensionales), existe entonces
un rea o regin de vecindad alrededor de las neuronas que constituye un grupo
local.
Fukushima emple esta idea en 1975 para una red multicapa llamada Cognitron,
fuertemente inspirada en la anatoma y fisiologa del sistema visual humano, y en
1980 el mismo Fukushima, en una versin mejorada de la anterior a la que llam
Necognitron, present una variacin de esta red utilizando aprendizaje
supervisado. El Necognitron dispona de un gran nmero de capas con

87

arquitectura muy especfica de interconexiones entre ellas y era capaz de

aprender a diferenciar caracteres, aunque estos se presentasen a diferente
escala, en diferente posicin o distorsionados.
El aspecto geomtrico de la disposicin de neuronas de una red, es la base de un
caso particular de aprendizaje competitivo introducido por Kohonen en 1982
conocido como feature mapping (mapas de caractersticas), aplicado en redes con
una disposicin bidimensional de las neuronas de salida, que permiten obtener
mapas topolgicos o topogrficos (topology preserving maps, topographics maps,
self organization maps) en los que de algn modo estaran representadas las
caractersticas principales de las informaciones presentadas a la red. De esta
forma, si la red recibe informaciones con caractersticas similares, se generaran
mapas parecidos, puesto que seran afectadas neuronas de salidas prximas
entre s.
2.2.1.4.3 Red de Hamming
Existen diversas redes del tipo competitivo, una de ellas es la red de Hamming
creada por Richard P. Lippmann (1987). Esta red pertenece al

grupo del

paradigma de aprendizaje supervisado, y entrada binaria, como ya se vio anterior

mente.
La red de Hamming ilustrada en la figura 53 es uno de los ejemplo ms simples de
aprendizaje competitivo, a pesar de ello su estructura es un poco compleja ya que
emplea el concepto de capas recurrentes en su segunda capa y aunque hoy en
da en redes de aprendizaje competitivo se ha simplificado este concepto con el
uso de funciones de activacin ms sencillas, la red de Hamming representa uno
de los primeros avances en este tipo de aprendizaje, convirtindola en un modelo
obligado de referencia dentro de las redes de aprendizaje competitivo. Las
neuronas en la capa de salida de esta red compiten unas con otras para
determinar la ganadora, la cual ndica el patrn prototipo ms representativo en la
entrada de la red, la competicin es implementada por inhibicin lateral (un
conjunto de conexiones negativas entre las neuronas en la capa de salida).

88

Esta red consiste en dos capas; la primera capa, la cual es una red Instar, realiza
la correlacin entre el vector de entrada y los vectores prototipo, la segunda capa
realiza la competicin para determinar cul de los vectores prototipo est ms
cercano al vector de entrada.

Figura 53. Red de Hamming (U.T.P, 1995).

Capa 1:
La red Instar es capaz de clasificar solo un patrn; para que mltiples patrones
sean reconocidos se necesitan mltiples Instar y es precisamente de esa forma
como est compuesta la primera capa de la red de Hamming. Para una mejor
comprensin de su funcionamiento se partir de unos vectores prototipo que la red
debe clasificar
{ p1, p2 ,..., pQ}

Ec. 7

La matriz de pesos W 1y el vector de ganancias b1 para la capa uno sern:

Ec. 8

89

Donde cada fila de W1representa un vector prototipo, el cual deseamos reconocer

y cada elemento b1es igual al nmero de elementos en cada vector de
entrada (R) (el nmero de neuronas S es igual al nmero de vectores prototipo Q).
As la salida de la primera capa ser:

Ec. 9

La salida de la capa 1 es igual al producto punto de los vectores prototipo con la

entrada ms el vector R; este producto indica cuan cercano est cada vector de
entrada a los patrones prototipo.
Capa 2:
La red Instar emplea una funcin de transferencia poslin para decidir si el vector
de entrada estaba lo suficientemente cerca al vector prototipo. En la capa 2 de la
red de Hamming se utilizan mltiples Instar, as se determinara por medio de una
capa competitiva el patrn prototipo ms cercano. Las neuronas en esta capa son
inicializadas con la salida de la capa en realimentacin, la cual ndica la
correlacin entre los patrones prototipo y el vector de entrada. Las neuronas
compiten unas con otras para determinar una ganadora; despus de la
competicin solo una neurona tendr una salida no cero. La neurona ganadora
ndica cual categora de entrada fue presentada a la red (cada vector prototipo
representa una categora).
La salida de la primera capa a1es usada para inicializar la segunda capa:
a2 (0) = a1

Ec. 10

La salida de la segunda capa est determinada de acuerdo a la siguiente relacin

recurrente:

90

a2 (t +1) = poslin(W 2a2(t))

Ec. 11

Los pesos de la segunda capa W 2son fijados de tal forma que los elementos de la
diagonal sean 1, y los elementos por fuera de la diagonal tengan pequeos
valores negativos.

Ec. 12

Esta matriz produce un efecto inhibitorio, en el cual la salida de cada neurona

tiene un efecto inhibitorio sobre todas las otras neuronas. Para ilustrar este efecto,
sustituimos los valores de peros de 1 y

por los apropiados elementos de

W . Reescribiendo la ecuacin de salida de la red para una sola neurona se tiene:

Ec. 13
a2i(t+1) = poslin
En cada iteracin, cada salida de la neurona se decremento en proporcin a la
suma de las salidas de las otras neuronas. La salida de la neurona con la
condicin inicial ms grande se decremento ms despacio que las salidas de otras
neuronas; eventualmente cada neurona tendr una salida positiva y en ese punto
la red habr alcanzado el estado estable.

91

MARCO METODOLGICO

Se caracterizaron las fallas de motores de induccin trifsicos tipo jaula de ardilla,

usando el discurso de expertos en la materia, para reconstruir un mapa conceptual
para realizar la tarea, a continuacin, el mapa conceptual se transform en un
algoritmo, donde se us la tcnica de inteligencia artificial llamada redes
neuronales artificiales, especialmente con la arquitectura de Hamming, y ste se
codific en el lenguaje C++ para hacerlo libre y portable, donde las entradas son
los sntomas y las salidas, las fallas diagnosticadas.

3.1 Mtodos y Procedimientos

Se us una red neuronal artificial porque es especialmente eficiente para realizar
tareas de clasificacin (Aldana, 2001) y la arquitectura de Hamming porque tiene
entradas binarias (1 y -1) para representar la presencia (1) o la ausencia (-1) de un
sntoma para caracterizar la falla. Dado que la red de Hamming usa aprendizaje
supervisado fue necesario caracterizar cada falla, con base en los sntomas que
se pueden percibir fcilmente; los sntomas fueron absorcin de mucha corriente
elctrica, emitir ruidos extraos o atpicos, girar lento, no arrancar, perder
velocidad

hasta

detenerse,

quemar

fusibles,

sobrecalentarse

vibrar

excesivamente, desprendimiento de humo, presencia de chispas, presencia de

llamas, explosiones y finalmente motor quemado; en tanto que las fallas
caracterizadas fueron banda muy tensa, las bandas del rotor estn flojas o rotas,
bobinas en cortocircuito, cojinetes desgastados, cojinetes pegados, conexiones
internas incorrectas, devanado del estator abierto en una fase, falla en aislamiento
a tierra, falla en la red de alimentacin, flecha torcida, lubricacin inadecuada,
mala alineacin entre el motor y la carga, sin alimentacin elctrica, prdida de
fase de alimentacin, proteccin contra sobre-corriente, roce interno entre rotor y
estator, sobrecarga mecnica, tensin incorrecta y ventilacin inadecuada (ver
figura 54).

92

A partir del discurso del experto se identificaron dos tipos de sntomas, primarios
que son indispensables en el patrn, representados en azul en la figura 52, y
secundarios, que pueden estar o no presentes, sin alterar la caracterizacin del
patrn y representados en verde en la misma figura 54.

Figura 54. Caracterizacin de patrones.

93

3.2

Algoritmo de Hamming

Se implement una red de Hamming en Turbo C++ IDE para DOS, porque es un
lenguaje libre, con 13 neuronas en la capa de entrada, 19 neuronas en la capa
oculta y 19 en la capa de salida. Las neuronas de la capa de entrada representan
cada uno de los sntomas identificados y las de salida, la falla.
La red de Hamming tiene entradas binarias pues los valores de entrada de cada
neurona de la capa de entrada slo pueden valer 0 o 1, 0 si no est presente el
sntoma y 1 si el sntoma est presente. La propagacin de la actividad es
feedforward, usa paradigma de aprendizaje supervisa y el estrato de salida es
competitivo para que slo una neurona dispare a la vez, usando la medida de
distancia de Hamming que consiste en determinar la cantidad de bits que
concuerdan.
El algoritmo implementado se divide en dos etapas: entrenamiento o aprendizaje y
clasificacin. En ambas etapas, la capa de entrada se us funcin de activacin
identidad y de transferencia identidad, en la capa oculta se implement la funcin
de activacin suma pesada y funcin de transferencia identidad y en la capa de
salida se us la funcin de activacin suma pesada y la funcin de transferencia
competitiva por inhibicin lateral, para que slo una neurona de la capa de salida
dispare.
La etapa de entrenamiento consiste en encontrar los pesos (w) adecuados para
que las salidas correspondan a las entradas, segn la matriz de patrones de la
figura 54. La etapa de clasificacin consiste en presentar los sntomas para
determinar cul es la falla que configuran, usando los pesos determinados en la
etapa de entrenamiento.
En la figura 55, se muestra el pseudocdigo que representa la etapa de
entrenamiento o aprendizaje de la Red de Hamming. En la figura 56 es el
pseudocdigo de la etapa de clasificacin.

94

1. REPETIR MIENTRAS HAYA PATRONES PROTOTIPO PARA CONSTRUIR LA MATRIZ

a. For f=1 to 13
i. For c=1 to 13
Leer el valor de cada entrada (0 o 1)
ii. End for
b. End for
2. END DE MIENTRAS
3. Generar los pesos (W) de manera aleatoria
4. REPETIR MIENTRAS HAYA PATRONES:
a. Leer un patrn a tipo
b. Aplicar la funcin de activacin identidad al estrato de
entrada
c. Aplicar la funcin de transferencia identidad al estrato de
entrada
d. Aplicar la funcin de activacin suma pesada a la capa
oculta: A = 0.5* (O_Entrada*W) - fi
e. Aplicar la funcin de transferencia identidad para la capa
oculta
f. Aplicar la funcin de activacin suma pesada a la capa de
salida: A = O_Oculto + (otras O_Oculto)*(-e)
g. Aplicar la funcin de transferencia a la capa de salida
i.
O_Salida = A si A>0
ii.
O_Salida = 0 en otro caso
h. Si la neurona de salida corresponde a la respuesta esperada
el proceso vuelve al paso 4
i. Si la neurona de salida no corresponde a la respuesta
esperada
i. Retropropaga el error
ii. Se modifican los pesos
iii. Se vuelve al paso a.

5. FIN

Figura 55. Algoritmo de entrenamiento de la Red de Hamming.

En la figura 56 se muestra el algoritmo de Hamming, en su etapa de clasificacin,

durante esta se usan los pesos determinados en la etapa de entrenamiento y se
clasifican los patrones cuyas salidas correctas se desconocen.

95

1. REPETIR MIENTRAS HAYA PATRONES A CLASIFICAR:

a. Presentar un patrn a clasificar
b. Aplicar la funcin de activacin identidad al estrato de
entrada
c. Aplicar la funcin de transferencia identidad al estrato de
entrada
d. Aplicar la funcin de activacin a la capa oculta:
A = 0.5* (O_Entrada*W) - fi
e. Aplicar la funcin de transferencia identidad para la capa
oculta
f. Aplicar la funcin de activacin a la capa de salida
A = O_Oculto + (otras O_Oculto)*(-e)
g. Aplicar la funcin de transferencia a la capa de salida
O_Salida = A si A>0
O_Salida = 0 en otro caso
h. Si solo 1 neurona de la capa de salida es distinta de 0 el
proceso termina
i. Si mas de 1 neurona de la capa de salida es distinta de 0
REPETIR
a. El nuevo vector de entrada a la capa de salida es el
vector del punto f
b. Se repiten los puntos g a i hasta que slo una neurona
de la capa de salida sea mayor que 0
2. IMPRIMIR RESULTADOS
3. FIN

Figura 56. Etapa de clasificacin del Algoritmo de Hamming.

En la figura 57 se muestra de manera esquemtica la capa de salida de la Red de

Hamming, donde se implementa un subproceso de aprendizaje competitivo
(MaxNET) para garantizar que slo una neurona de la capa de salida sea distinta
de cero, lo que representa la respuesta o diagnstico.

96

Figura 57. Capa competitiva MaxNET (Caldern, 2003).

3.3

Experimentos

Para probar el programa implementado se usaron los patrones definidos por el

experto humano, mostrados en la figura 54, y los patrones no tpicos mostrados en
la figura 58.
A cada falla se le asign un nmero para poder identificarse. La falla resultante
segn el patrn introducido al azar se muestra en la columna Diagnstico.
Fallas:
(1) Banda muy tensa. (2) Barras rotricas flojas o rotas. (3) Bobinas en corto
circuito. (4) Cojinetes desgastados. (5) Cojinetes pegados. (6) Conexiones
internas errneas. (7) Devanado del estator abierto en una fase. (8) Falla en
aislamiento a tierra. (9) Falla en la red de alimentacin. (10) Flecha torcida. (11)
Lubricacin inadecuada. (12) Mala alineacin entre el motor y la carga. (13) No
hay alimentacin elctrica. (14) Prdida de fase de alimentacin. (15) Proteccin
contra sobrecorriente incorrecta. (16) Roce interno entre el rotor y el estator. (17)
Sobrecarga mecnica. (18) Tensin incorrecta. (19).

97

10

11

12

13

Diagnstico

Patrn

Entradas

PNCSD

(6)

(11)

(17)

(4)

(15)

(11)

PNCSD

(8)

10

(17)

11

(11)

12

(6)

13

PNCSD

14

(16)

15

(13)

Figura 58. Patrones no tpicos.

98

3.4 Cmo se usa el programa

El programa se carga haciendo click en la ocin OPEN de FILE (ver figura 59), a
continuacin se elige el programa, que en este caso se llama MOTOR15.CPP (ver
figura 60).

Figura 59. Apertura del programa en Turbo C++.

Figura 60. Eleccin del programa a cargar en el compilador.

El programa se carga en el compilador y el aspecto se muestra en la figura 61,

para correrlo se da click en la opcin RUN de RUN (ver figura 62).

99

Figura 61. Programa MOTRO15.CPP cargado en el compilador.

Figura 62. Ejecutando el programa.

Una vez que el programa se ejecut es necesario dar entrada a los sntomas del
patrn a clasificar, aparece una pantalla de fondo negro. Para dar entrada a los
datos el programa formula 13 preguntas, una por cada sntoma, a la que se puede
responder de manera afirmativa (tecleando 1) si el sntoma est presente o de
manera negativa (tecleando -1) si el sntoma est ausente (ver figura 63).

100

Figura 63. Entrada de datos al programa.

Cuando se dio respuesta a las 13 preguntas (una por cada sntoma) para
caracterizar una falla, el programa requiere que se elija la medida para determinar
la similitud entre el patrn a clasificar y los prototipos. Las medidas posibles son
Hamming (1), Manhatan (2), Tanimoto (3) o Euclideana (4), como se puede
apreciaren lar figura 64.

Figura 64. Men de distancia para calcular la medida de similitud.

Los resultados se muestran en una nueva pantalla, como en la figura 65, en ella
se observan datos de salida de cada neurona por capa (entrada, oculta y salida),

101

tambin el programa proporciona el nmero de iteraciones necesarias en la capa

de salida para dar una respuesta y el diagnstico.

Figura 65. Resultados del programa MOTOR15.CPP.

El programa se instal y us en una computadora personal, en una laptop y en

una mini-laptop, en todos los equipos funcion correctamente.

102

RESULTADOS
Con el programa MOTOR15.CPP se realizaron 15 corridas con 15 patrones
diferentes,

de

todos

los

ensayos,

12

patrones

fueron

diagnosticados

correctamente, por ello el programa tiene una efectividad de clasificacin de 80 %,

lo que muestra la pertinencia de su uso, tanto para fines didcticos, como
operativos. Los patrones usados al azar y los resultados obtenidos se muestran en

10

11

12

13

Respuesta
correcta

Iteraciones

Entradas

Diagnstico

Patrn

la figura 66.

PNCSD

NO

(6)

SI

(11)

11

SI

(17)

13

SI

(4)

10

SI

(15)

SI

(11)

11

SI

PNCSD

NO

(8)

SI

10

(17)

13

SI

11

(11)

11

SI

12

(6)

SI

103

13

PNCSD

NO

14

(16)

16

SI

15

(13)

13

SI

*PNCSD: El Patrn No Corresponde a los Sntomas Definidos.

Figura 66. Resultados.

104

CONCLUSIONES Y PERSPECTIVAS
Con el uso del programa para diagnosticar fallas en motores se mejor la tarea de
diagnstico en estudiantes de Ingeniera mecnicos elctricos y elctricos,
mediante la definicin del diagnstico como una tarea de clasificacin, usando
patrones de fallas de motores de induccin a partir de la experticia de humanos y
la implementacin computacional de una red de Hamming para realizar el
diagnstico de fallas usando sus manifestaciones perceptibles o sntomas.

105

REFERENCIAS
BIBLIOGRAFA

Alex

blogger

(2013).

Disponible

en

http://motores-

gersonguardado.blogspot.mx/2013_05_01_archive.html (consulta hecha el 7

de junio de 2013).
rea

Tecnologa.

Disponible

en

http://www.areatecnologia.com/EL%20MOTOR%20ELECTRICO.htm (consulta
hecha el 24 de septiembre de 2012).
Arredondo,

Alex

(2011).

Concepto

de

Falla.

Disponible

en

http://es.scribd.com/doc/72016291/CONCEPTO-DE-FALLA (consulta hecha el

17 de septiembre de 2012).
A-MAQ S.A. Tutorial de vibraciones para mantenimiento mecnico. 2005. pp. 18.
Disponible en www.a-mag.com (consulta hecha el 8 de octubre de 2012).
Baumeister, Theodore; Avallone, Eugene A; Baumeister III, Theodore. Marks
Manual del Ingeniero Mecnico tomo III. Mac-Graw-Hill. Mxico, 1984.
Bonnet, A. Causes and Analysis of Stator and Rotor Failures in Three-Phase
Squirrel-cage Induction Motors. IEEE Trans. Ind. Appl. Vol. 28, pp. 921-937.
July-August, 1992.
Bordas Fernndez, Jorge. El motor de jaula de ardilla. Disponible en
http://www.reypastor.org/departamentos/dtec/tec_indII/motor_jaula_ardilla/part
es_de_un_motor_de_jaula_de_ardilla.html (consulta hecha el 7 de junio de
2013).
Caldern,

Jos

L.

Red

de

Hamming.

Febrero

2003.

http://www.slideshare.net/mentelibre/red-neuronal-de-hamming

Disponible

en

(consulta

hecha el 7 de junio de 2013).

106

Caltenco Rosales, M. TESIS: Criterios de ingeniera aplicables en la seleccin

optima de motores trifsicos de induccin tipo jaula de ardilla. Instituto
Politcnico Nacional. Mxico 2008. Cap. 4, pp. 92-110. Disponible en ?
(consulta hecha el 11 de diciembre de 2012).
Campillo

blogger

(2010).

Fsica

http://www.jpcampillo.com/imagenes/ver/62

Qumica.
(consulta

Disponible
hecha

el

en

24

de

septiembre de 2012).
Chapman, Stephen J. Mquinas elctricas. McGraw-Hill. Mxico, 1984. Cap. 7,
pp. 380-472.
CIFP (Centro Integrado de Formacin Profesional) 2013. rea de Sistemas
Electrotcnicos y Automticos: Introduccin a los Sistemas Trifsicos.
Disponible

en

http://www.cifp-mantenimiento.es/e-

learning/index.php?id=2&id_sec=1 (consulta hecha el 7 de junio de 2013).

CIPEL (Centro de Investigaciones y Pruebas Electromagnticas). La Habana,
Cuba, 2010.
CSIC

(Consejo

Superior

de

Investigaciones

Cientficas).

Disponible

http://museovirtual.csic.es/salas/magnetismo/biografias/oersted.htm

en

(consulta

hecha el 24 de septiembre de 2012).

CUCEI (Centro Universitario de Ciencias Exactas e Ingenieras) Universidad de
Guadalajara, 1995. Disponible en http://proton.ucting.udg.mx (consulta hecha
el 14 de febrero de 2013).
Devaney, Robert L. Chaos, Fractals and Dynamics computer experiments in
mathematics. Addison-Wesley. United States of America, 1990.
DirectIndustry. Disponible en http://www.directindustry.es/prod/rotor-bv/motoresde-induccion-de-jaulas-de-ardilla-25479-596041.html (consulta hecha el 7 de
junio de 2013).

107

Edison

blogger

(2012).

Disponible

en

http://electromecanicadeedison91.blogspot.mx/2012/05/unidad-4.html
(consulta hecha el 17 de febrero de 2013).
Electric

Power

Research

Institute.

2008.

Disponible

en

http://my.epri.com/portal/server.pt?open=512&objID=382&&PageID=225644&
mode=2 (consulta hecha el 17 de septiembre de 2012).
Electromotores de Costa Rica. Causas tpicas de Falla en Bobinados de
Estatores Trifsicos. Costa Rica, 2008.
Fallas en un Motor de Induccin. Cap. 2, pp. 1-8, 34-49. Disponible en
http://dspace.ups.edu.ec/bitstream/123456789/73/10/Capitulo2.pdf

(consulta

hecha el 18 de septiembre de 2012).

Feldman, J. A.; Ballard, D. H. Connentionist Models and Their Properties.
Cognitive Science, Vol. 6, pp. 205-254. 1982.
Figueroa, M. Geovanni. Ecuaciones Diferenciales: Transformada de Laplace.
Instituto Tecnolgico de Costa Rica, Escuela de Matemticas. Revista Digital
Matemticas, Vol. 4 nmero 2. 2003. Disponible en http://www.tecdigital.itcr.ac.cr/revistamatematica/cursos-linea/EcuacionesDiferenciales/EDOGeo/edo-cap5-geo/laplace/node6.html (consulta hecha el 10 de septiembre de
2012).
Fily

blogger

(2009).

Disponible

en

http://tareas32.blogspot.mx/2009/03/constitucion-de-rotor-jaula-de-ardilla.html
(consulta hecha el 7 de junio de 2013).
Fukushima, Kihiko. Cognitron: A self-organizing multilayered neural network.
Biological Cybernetics Vol. 20, pp. 121-136. 1975.
Fukushima, Kihiko. Neocognitron: A self-organizing neural network model for a
mechanism of patter recognition unaffected by shift in position. Biological
Cybernetics Vol. 36, pp. 193-202. 1980.

108

GamePlayArt. Algoritmos Inteligentes: El Perceptrn Simple. Octubre 2008.

Disponible en http://www.gameplayart.com/learning/perceptron_ia/ (consulta
hecha el 7 de junio de 2013).
General Electric Company. 2012. Disponible en http://www.ge.com/ (consulta
hecha el 29 de enero de 2013).
Grossberg, S. The Adaptative Brain I: Cognition, Learning, Reinforcement, and
Rhythm, and The Adaptative Brain II: Vision, Speech, Lenguage, and Motor
Control. Elsevier/North-Holland. Amsterdam, 1986.
Grupo PRISA. Kalipedia: Clulas del tejido nervioso. 2007. Disponible en
http://mx.kalipedia.com/cienciasvida/tema/neurona.html?x=20070417klpcnavid_152.Kes (consulta hecha el 29
de octubre de 2012).
Guerrero Castro, O.; Gmez Gutirrez, L. Las principales fallas de motores
elctricos en Costa Rica. Tecnologa en Marcha. Vol. 23, N. 1. Costa Rica,
Enero-Marzo

2010,

pp.

63-77.

Disponible

en

http://www.tec.ac.cr/sitios/Vicerrectoria/vie/editorial_tecnologica/Revista_Tecn
ologia_Marcha/pdf/tecnologia_marcha_23-1/23-1%20p%2078-93.pdf (consulta
hecha el 29 de octubre de 2012).
Guyton,

Arthur.

El

Sistema

Nervioso.

2010.

Disponible

en

http://neuroyciencia.blogspot.mx/2010/03/potenciales-de-membrana-ypotenciales.html (consulta hecha el 11 de octubre de 2012).

Hebb, D. O. The Organization of Behavior. John Wiley & Sons. New York, 1949.
Hidalgo, Juan C. Anlisis de las zonas de fallas de Motores Elctricos. IEEE
Concapan XXI. Guatemala. Noviembre 2001.
Hilera Gonzales, J.; Martnez Hernando, V. Redes Neuronales Artificiales:
Fundamentos, modelos y aplicaciones. RA-MA. Madrid, 1995. pp. 389.

109

Hodges,

Andrew.

The

Alan

Turing

Home

Page.

2012.

Disponible

en

http://www.turing.org.uk/turing/ (consulta hecha el 3 de septiembre de 2012).

Hodgking, A. L.; Huxley, A. F. A quantitative description of membrane current and
its application to conduction and excitation in nerve. Physiological Laboratory.
Article in a series of papers Part I, II and III. University of Cambridge. England,
1952 (a-c).
Hopfield, J. J. Neurons with Graded Response Have Collective Computational
Abilities. Proc. Natl. Acad. Sci. USA, Vol. 79, pp 2554-2558. April 1982.
Hopfield, J. J. Neurons with Graded Response Have Collective Computational
Properties Like Those of Two-State Neurons. Proc. Natl. Acad. Sci. USA, Vol.
81, pp. 3088-3092. May 1984.
Hopfield, J. J.; Tank, D. W. computing with Neural Circuits: A Model. Science, Vol.
233, 625-633. August 1986.
Hubel, D. H.; Wiesel, T. N. Receptive Fields Of Single Neurones In The Cat's
Striate Cortex. Journal of Physiology, Vol. 148, pp. 574-591. 1959.
Hubel, D. H.; Wiesel, T. N. Receptive Fields, Binocular Interaction And Functional
Architecture In The Cat's Visual Cortex. Journal of Physiology, Vol. 160, pp.
106154. 1962.
IEEE (Institute of Electrical and Electronics Engineers). Report of large motor
rehabilitee survey of Industrial and commercial installation. Part I. July-August
1985.
Kandel, E.; Schwartz, J.; Jessell, T. Principios de Neurociencia. McGraw Hill
Interamericana, Madrid, 2001.
Kliman, G. B.; Stein, J. Induction motor fault detection via passive current
monitoring. International Conference in Electrical Machines. Cambridge,
August 1990.

110

Kohonen, Tuevo. Associative memory. A system theoretical approach. SpringerVerlag, 1977.

Kohonen, Tuevo. Self-organized formation of topologically correct feature maps.
Biological Cybernetics Vol. 43, 1982. Reimpreso en el texto "Neurocomputing"
(J.Anderson y E. Rosenfeld ed.), MIT press, 1988.
Kohonen, Tuevo. Learning Vector Quantization. Abstracts of the first annual INNS
Meeting, Vol. 308, 1988.
Kohonen, Tuevo. Self-organization and associative memory. Springer-Verlag.
Berln 1989.
Lippmann, Richard P. An Introduction to Computing with Neural Nets. IEEE
Magazine, Vol. 3, pp. 4-22. April 1987.
Lobosco, O. Silvio; Daz, J.L. Seleccin y aplicacin de motores elctricos.
Alfaomega. Mxico, 1998.
Motor Reliability Working Group. Report of large motor reliability survey of
industrial and commercial installations. Part I and II. IEEE Trans. Ind. Appl. Vol.
24-4, pp. 853-872. July-August, 1985.
Marr, David. Vision. N. Y. Freeman. San Francisco, 1982.
Marrero, Eddie. Neurona Captulo 3: Biologa y Comportamiento. Universidad de
Puerto Rico, Recinto Universitario de Mayagez. Marzo 2005. Disponible en
http://academic.uprm.edu/eddiem/psic3001/id36.htm (consulta hecha el 10 de
septiembre de 2012).
McCullochs, W.; Pitts, W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Matematical Biophysics. Vol. 5, No. 4, pp. 115-133. 1943.
Disponible
http://www.springerlink.com/content/61446605110620kg/fulltext.pdf

en
(consulta

hecha el 10 de septiembre de 2012).

111

Minsky, M.; Pappert, S. Perceptrons. Cambridge University. Massachusetts, 1969.

pp 226.
NEMA (National Electrical Manufacturers Association). Motors and Generators.
Disponible

en

http://www.nema.org/Standards/Pages/Motors-and-

Generators.aspx (consulta hecha el 8 de octubre de 2012).

Newell, A.; Simon, H. A. Human problem solving. Englewood Cliffs, NJ: PrenticeHall, Carnegie-Mellon University. Pittsburgh, PA, 1972. Disponible en
http://garfield.library.upenn.edu/classics1980/A1980KD04600001.pdf (consulta
hecha el 3 de septiembre de 2012).
Pacheco, Alberto. Conceptos, Modelos y Principios Fundamentales. Noviembre
2000.

Disponible

en

http://www.depi.itch.edu.mx/apacheco/lengs/ann/pagina_nueva_2.htm
(consulta hecha el 9 de octubre de 2012).
Quintns Graa, Camilo. CURSO MULTIMEDIA DE ELECTROMAGNETISMO:
Dispositivos

Maquinas

Rotatorias.

Diciembre

2011.

Disponible

en

http://webs.uvigo.es/quintans/recursos/Web_electromagnetismo/dispositivos_
maquinasrotatorias.htm (consulta hecha el 7 de junio de 2013).
Ramn y Cajal, S. Consideraciones crticas sobre la teora de A. Bethe acerca de
la estructura y conexiones de las clulas nerviosas. Congress International of
Medicine 14. Madrid, 1903. pp. 69-104.
Redes Neuronales Artificiales (Grupo 5 - RAI - UC3M 2011/2012). Disponible en
http://www.lab.inf.uc3m.es/~a0080630/redes-de-neuronas/ (consulta hecha el
7 de octubre de 2012).
Rosenberg, Robert. Reparacin de Motores Elctricos. Vol. 1. G. Gili. Mxico
1970. Cap. 4, pp. 172-176.
Rosenblatt, F. The Perceptron: A probabilistic model for information storage and
organization in the brain. Psychol, 1958.

112

Rumellhart, D.E.; McClelland, J. L. Parallel Distributed Precessing: Explorations in

the Microestructure of Cognition. MIT Press. 1986.
Salazar

Lpez,

S.

Diagnstico

de

Fallas.

2010.

Disponible

en

http://www.buenastareas.com/ensayos/Diagnostico-De-Fallas/602541.html
(consulta hecha el 17 de septiembre de 2012).
Sanjuro Navarro, R. Mquinas elctricas. Garca Maroto Editores. Espaa, 1989.
Searle, John R. Minds, brains and programs. The Behavioral and Brain Sciences.
Part 3. Departamento of philosophy. University of California. Berkeley,
California, 1980. pp. 417-457.
Sejnowski, T.; Rosenberg, C. R. NETtalk: A Parallel Network That Learns to Read
Aloud. Johns Hopkins Univ. Thecnical Report JHU/EECS-86/01. 1986.
Severomaquinaselectricas blog. 2.2.2.2. Motores C.A. asncronos. Disponible en
http://severomaquinaselectricas.wikispaces.com/2.2.2.2.+Motores++C.A.+as%
C3%ADncronos (consultado el 14 de febrero 2013).
Sotelo Rosas, O. E.; Ramrez Carrera, L. C. Del mtodo cientfico al diagnstico
de

problemas

de

ingeniera

en

Mxico.

2004.

Disponible

en

http://redalyc.uaemex.mx/pdf/404/40460205.pdf (consulta hecha el 17 de

septiembre de 2012).
Sotolongo, G.; Guzmn, M. V. Aplicaciones de las redes neuronales. El caso de
la

bibliometra.

La

Habana,

Cuba.

Disponible

en

http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Artic
ulo03.pdf (consulta hecha el 10 de septiembre de 2012).
Tejedor, M.C. Bioqumica Ambiental. Universidad de Alcal. Espaa, 2011.
Disponible

en

http://www2.uah.es/tejedor_bio/bioquimica_ambiental/tema12/tema%2012estructura-neurona.htm (consulta hecha el 28 de octubre de 2012).

113

U.T.P (Universidad Tecnolgica de Pereira). Facultad de Ingeniera Elctrica.

Tutora

de

Redes

Neuronales.

1995.

Disponible

en

http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/ (consulta hecha

el 17 de septiembre de 2012).
Vegar,

Arturo

(2009).

Anlisis

de

fallas

en

mquinas.

Disponible

http://es.scribd.com/doc/19044493/Analisis-de-Fallas-en-Maquinas

en

(consulta

hecha el 11 de octubre de 2011).

Videla Flores, Andrs. Manual de Motores Elctricos. Universidad Tecnolgica de
Chile

2012.

Disponible

en

http://www.slideshare.net/elcast/2448049-

manualdemotoreselectricosintroduccin-fundamento-partes-arranque-concapacitor-y-mantenimiento-a-motores-ca (consulta hecha el 17 de febrero de

2013).
von der Malsburg, C. How are nervous structures organized? In Synergetics of
the Brain. Proceeding of the International Symposium on Synergetics, E.
Basar, H. Flohr, H. Haken, and A.J. Mandell (Eds.), Springer, 1983, pp. 238259.
**NOTA: TODA LA INFORMACIN CITADA E IMAGENES FUERON TOMADAS
SIN FINES DE LUCRO.

114

ANEXOS
Anexo 1: Paper

DIAGNSTCO DE FALLAS EN MOTORES DE INDUCCIN USANDO REDES NEURONALES

ARTIFICIALES
a

Alexandra Estephany Baruch Vera , Rosario Aldana Franco , Alfredo Ramrez Ramrez , Ervin
a
a
a
Jess lvarez Snchez , Andrs Lpez Velzquez , Cuitlhuac Garca Jimnez , Fernando Aldana
a
a,b
Franco y Mario Francisco Hernndez Flores
a

Cuerpo acadmico Ingeniera Transdisciplinar. Universidad Veracruzana. Xalapa, Ver.,

alexabaruch@gmail.com,
rosario_aldana@yahoo.com.mx,
aramirez1969@hotmail.com,
ervin.alvarezs@gmail.com,
andlopez@uv.mx,
cugarcia@uv.mx,
fernandoaldanafranco@yahoo.com, mariofrank28@hotmail.com
b
Instituto Tecnolgico Superior de Xalapa. Xalapa, Ver.
RESUMEN
Las fallas de motores no identificadas o fuera de tiempo, provocan daos al equipo y, en
consecuencia, prdidas econmicas por destruccin del equipo y/o por daos a los operadores. El
problema del diagnstico de motores elctricos de induccin se plantea como una tarea cognitiva
de clasificacin de patrones de sntomas caractersticos de cada tipo de falla y se propone el
desarrollo e implementacin de un software libre, amigable con el usuario y portable, basado en
Redes Neuronales Artificiales (por sus siglas en espaol RNA), usando una arquitectura de
Hamming, especficamente para apoyar a los ingenieros para aprender a identificar fallas en
motores elctricos de induccin y como recurso didctico para apoyar el aprendizaje
correspondiente en estudiantes de ingeniera mecnica elctrica, elctrica o mecnica. El algoritmo
de diagnstico se ha usado con xito en el campo de la medicina y ahora se adapta al campo de la
ingeniera.
1. INTRODUCCIN
En la presente investigacin se plantea el problema del diagnstico de motores elctricos de
induccin como una tarea cognitiva de clasificacin de patrones de sntomas caractersticos de
cada tipo de falla y se propone el desarrollo e implementacin de un software libre, amigable con el
usuario y portable, basado en Redes Neuronales Artificiales (por sus siglas en espaol RNA),
usando una arquitectura de Hamming para apoyar a los ingenieros en la tarea de identificar fallas
en motores elctricos de induccin y como recurso didctico para apoyar el aprendizaje
correspondiente en estudiantes de ingeniera mecnica elctrica, elctrica o mecnica.
Las fallas de motores no identificadas o fuera de tiempo, provocan daos al equipo y, en
consecuencia, prdidas econmicas por destruccin del equipo y/o por daos a los operadores.
2. TEORA
Los motores elctricos presentan fallas que son comunes a casi todo tipo de motor, la nica
diferencia radica en el aspecto constructivo del mismo, ya que se pueden tener menor o mayor
nmero de componentes. En este trabajo en particular se tratara con las fallas ms comunes en los
motores elctricos de induccin del tipo jaula de ardilla.

115

La mayora de los problemas comunes que presentan en los motores elctricos se pueden
identificar mediante pruebas de diagnstico, las cuales se realizan con el fin de localizar e
identificar la falla. Los equipos que se pueden utilizar para realizar las pruebas van desde las
lmparas de prueba, hasta los instrumentos digitales ms sofisticados. Sin embargo, en el
presente trabajo se propone desarrollar un software basado en redes neuronales artificiales el cual,
sin necesidad de instrumentos y usando nicamente la experiencia de un experto operador se
pueda realizar el diagnstico de la falla con base en las manifestaciones fsicas o sntomas de la
misma.
El diagnstico, en general, es una tarea lgica de clasificacin porque para realizarla primero es
necesario contar con un conjunto de caractersticas que definen un patrn y construir varios
patrones, uno por cada falla, cuando se tiene un conjunto de caractersticas nuevo, se compara
con los patrones disponibles y se asocia con el que resulta ms semejante para determinar la falla.
Cuando ocurre una falla existen prdidas econmicas y de tiempo, que son las ms importantes,
porque se puede incumplir con los objetivos y metas de produccin o servicio, tambin se puede
causar daos al personal o a otra mquina.
Falla es una condicin no deseada que hace que el elemento estructural no desempee una
funcin para la cual existe; es la discrepancia resultante de comparar lo que est sucediendo con
lo que debera suceder. Las fallas pueden ser vitales, importantes o triviales.
Las fallas vitales ocurren al principio de la vida til y constituyen un porcentaje pequeo del total de
fallas. Pueden ser causadas por problemas de materiales, de diseo o de montaje.
Las fallas importantes son aquellas que se presentan con mayor frecuencia durante la vida til del
equipo, se derivan de las condiciones de operacin, por ejemplo, suciedad en un filtro de aire,
cambios de rodamientos de una mquina y se presentan ms lentamente que las fallas triviales.
Las fallas triviales representan una pequea fraccin de las fallas totales, aparecen en forma lenta
y ocurren en la etapa final de la vida del bien por envejecimiento de la aislacin de un pequeo
motor elctrico, prdida de flujo luminoso de una lmpara, por ejemplo. En la figura 1 se muestra el
porcentaje de incidencia por tipo de falla de motores de induccin de jaula de ardilla, donde se
puede apreciar que la mayora de las fallas (55%) ocurren por rodamiento, le siguen las fallas por
devanado (17%), factores externos (15%) y por las barras del rotor (6%).

Figura 1. Porcentaje de incidencia de tipos de fallas en motores de induccin de jaula de ardilla.

Para realizar un diagnstico de fallas se deben analizar los datos recopilados y plantear una
hiptesis de la causa de la falla para contrastarla con las fallas caracterizadas. Este mtodo de
anlisis permite confirmar o descartar los supuestos hechos al pretender encontrar el origen de la
falla. En esta etapa es comn escuchar y analizar las opiniones de los expertos, porque un buen
diagnstico tiene como consecuencia, un mejor funcionamiento en las mquinas y no esperar a
que tengan una falla para darles mantenimiento porque esto es causa de prdidas econmicas.
Las fallas en motores elctricos de induccin no diagnosticadas oportunamente causan prdidas
econmicas y humanas en la industria, sin embargo, se puede mejorar el diagnstico de fallas de
motores de induccin con el uso de una red de Hamming.

116

3. PARTE EXPERIMENTAL
Se caracterizaron las fallas de motores de induccin, usando el discurso de expertos en la materia,
para reconstruir su mapa conceptual para realizar la tarea, a continuacin, el mapa conceptual se
transform en un algoritmo, donde se us la tcnica de inteligencia artificial llamada redes
neuronales artificiales, especialmente con la arquitectura de Hamming, y ste se codific en el
lenguaje C++ para hacerlo libre y portable, donde las entradas son los sntomas y las salidas, las
fallas diagnosticadas.
Se us una red neuronal artificial porque es especialmente eficiente para realizar tareas de
clasificacin (Aldana, 2001) y la arquitectura de Hamming porque tiene entradas binarias (1 y -1)
para representar la presencia (1) o la ausencia (-1) de un sntoma para caracterizar la falla. Dado
que la red de Hamming usa aprendizaje supervisado fue necesario caracterizar cada falla, con
base en los sntomas que se pueden percibir fcilmente; los sntomas fueron usar mucha corriente
elctrica, emitir ruidos extraos o atpicos, girar lento, no arrancar, perder velocidad hasta
detenerse, quemar fusibles, sobrecalentarse y vibrar excesivamente; en tanto que las fallas
caracterizadas fueron banda muy tensa, las bandas rotricas estn flojas o rotas, bobinas en
cortocircuito, cojinetes desgastados, cojinetes pegados, conexiones internas incorrectas, devanado
del estator abierto en una fase, falla en aislamiento a tierra, falla en la red de alimentacin, flecha
torcida, lubricacin inadecuada, mala alineacin entre el motor y la carga, sin alimentacin
elctrica, prdida de fase de alimentacin, proteccin contra sobrecorriente, roce interno entre rotor
y estator, sobrecarga mecnica, tensin incorrecta y ventilacin inadecuada (ver figura 2).
Se identificaron dos tipos de sntomas, primarios que son indispensables en el patrn,
representados en azul en la figura 2, y secundarios, que pueden estar o no presentes, sin alterar la
caracterizacin del patrn y representados en verde en la misma figura.
El programa fue probado por estudiantes de la Facultad de Ingeniera Mecnica y Elctrica de la
Universidad Veracruzana.
4. CONCLUSIONES
Con el uso del programa para diagnosticar fallas en motores se mejor la tarea de diagnstico en
estudiantes de Ingeniera mecnicos elctricos y elctricos, mediante la definicin del diagnstico
como una tarea de clasificacin, usando patrones de fallas de motores de induccin a partir de la
experticia de humanos y la implementacin computacional de una red de Hamming para realizar el
diagnstico de fallas usando sus manifestaciones perceptibles o sntomas.

BIBLIOGRAFA
1. Aldana R (2001). El discurso en la Ingeniera del conocimiento: bsqueda e identificacin.
Tesis para obtener el grado de Maestra en Inteligencia Artificial. Universidad Veracruzana.
2. Cazorla Quevedo MA, Colomina Pardo O, Escolano Ruiz F, Gallardo Lpez D, Rizo
Aldeguer R, R Satorre Cuerda, Rosana (1999). Tcnicas de Inteligencia Artificial. Textos
Docentes de la Universidad de Alicante, Espaa.
3. Garcia Vzquez JC y Luna Alcntar GA. (1995) Redes neuronales de entrada binaria.
http://148.206.53.231/UAM0116.PDF
4. Salvatori M. (2003). Motores de induccin. Universidad de las Amricas. Disponible en
http://catarina.udlap.mx/u_dl_a/tales/documentos/lep/salvatori_a_m/capitulo1.pdf
5. Red
de
Hamming:
http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/Hamming.htm.

117

Sntoma en
el motor
Falla

Usa mucha
corriente
elctrica

Emite
ruidos
extraos

Gira
No
despacio arranca

Pierde
velocidad
hasta
detenerse

Quema
fusibles

Se
sobrecalienta

Vibra
excesivamente

Banda muy tensa

Barras rotricas
flojas o rotas
Bobinas en
cortocircuito
Cojinetes
desgastados
Cojinetes pegados
Conexiones internas
errneas
Devanado del
estator abierto en
una fase
Falla en aislamiento
a tierra
Falla en la red de
alimentacin
Flecha torcida
Lubricacin
inadecuada
Mala alineacin
entre el motor y la
carga
Sin alimentacin
elctrica
Prdida de fase de
alimentacin
Proteccin contra
sobrecorriente
Roce interno entre el
rotor y el estator
Sobrecarga
mecnica
Tensin incorrecta
Ventilacin
inadecuada

Figura 2. Patrones de fallas de motores caracterizados.

118

Anexo 2: Cartel

119