Asociación Española de XVIII CONGRESO NACIONAL

Ingeniería Mecánica DE INGENIERÍA MECÁNICA

Análisis comparativo de técnicas de procesamiento de señales de

vibración para la detección de fallos en engranajes
P.A. Meroño
Dpto. Ingeniería Mecánica .Universidad Politécnica de Cartagena
pedro.adolfo@upct.es

F.C. Gómez de León

Dpto. Ingeniería de la Información y las Comunicaciones. Universidad de Murcia

Resumen

La detección de fallos en las transmisiones de engranajes constituye uno de los problemas frecuentes en el
mantenimiento de plantas industriales. Pese a que es un problema ampliamente estudiado, la práctica confirma
que sigue presentando dificultades considerables en bastantes ocasiones. Dos son los factores que contribuyen
decisivamente a esto: por una parte la presencia de diferentes fuentes de vibración próximas a la transmisión
que producen vibraciones en bandas de frecuencia similares, como es el caso de los rodamientos, y por otra
parte, el gran peso relativo que presenta la vibración de carácter aleatorio producida por distintos tipos de
fenómenos durante el engrane, tales como el error de transmisión, deterioro de los dientes, inicio y fin del
contacto, etc. Estos componentes vibratorios se manifiestan en banda ancha llegando a enmascarar por
completo a los componentes vibratorios de carácter periódico que constituyen la base del diagnóstico, como es
por ejemplo la frecuencia de engrane.Utilizando un banco de ensayo de transmisiones mediante engranajes, se
compararon las posibilidades diagnósticas de diferentes técnicas de procesamiento de las señales de vibración
producidas por dos de los defectos más frecuentes en este tipo de transmisiones: defectos de lubricación, que se
caracterizan por la gran aleatoriedad de la vibración producida, y daños en los dientes, que generalmente
ocasionan impactos de muy corta duración. Las técnicas utilizadas fueron: La transformada de Fourier, la
transformada corta de Fourier (STFT), la transformada Wavelet y el análisis de autocorrelación de la señal. Se
registraron las señales de vibración radial y torsional, obteniéndose interesantes resultados que muestran cómo
determinados defectos tienden a pasar desapercibidos ante determinadas técnicas de procesamiento y, por el
contrario, son detectados por otras. Además, dependiendo del defecto, la dirección predominante de la
vibración es distinta en las etapas iniciales de su desarrollo, lo que generalmente no se tiene en cuenta en las
rutinas de mantenimiento predictivo.

INTRODUCCIÓN

Muchos son los trabajos que se han desarrollado para la identificación de fallos en engranajes, dada la
importancia de una detección precoz que evite una rápida evolución del daño. En el estado inicial, la detección
del daño es difícil y la evolución suele ser lenta, pero el proceso se acelera rápidamente cuando el fallo está
próximo, de ahí la importancia de un diagnóstico rápido y eficaz [1,2].
El análisis de la vibración es básicamente el único método capaz de la detección del fallo o del daño en su estado
inicial. Cuando se usa la Transformada de Fourier para el análisis, quedan de manifiesto las características
frecuenciales de la señal temporal completa, por tanto, las perturbaciones que tienen lugar durante el rango
temporal pasan inadvertidas en dicho análisis. Esto quiere decir que no es un método particularmente adecuado
para estos casos dadas las características no estacionarias de las señales producidas por los engranajes (en cada
revolución se producen transitorios provocados por la aleatoriedad de los impactos debidos a los fallos). Es
decir, cuando el contenido espectral de la señal cambia continuamente con el tiempo, ni la señal temporal ni su
transformada de Fourier son suficientes para el análisis completo de la misma [3].
Cuando se utiliza el espectrograma para evitar esta laguna en el diagnóstico se observa que, si bien es adecuado
P.A. Meroño et al. / XVIII Congreso Nacional de Ingeniería Mecánica (2010) 2

cuando todos los fenómenos analizados se producen en un mismo rango de escala, no lo es cuando esto no es lo
que sucede, como se trata también del caso que nos ocupa. Esto es debido a que es imposible lograr
simultáneamente una alta resolución en tiempo y en frecuencia [3].
Otros métodos empleados se basan en el análisis frecuencial de la señal basado en la WVD (Wigner Ville
Distribution [4,5] y muchos otros en la WT (Wavelet Transform)[6,7,8]. Estos métodos proporcionan espectros
frecuenciales instantáneos en varios puntos de rotación del eje y han logrado notable éxito en la detección de
fallos localizados en engranajes.
Los daños iniciales en el dentado de los engranajes producen señales de vibración de corta duración, menor que
la de un periodo de engrane entre dientes. En estadios posteriores estos daños llegan a provocar que la duración
de esas señales sean mucho mayores, incluso más que los periodos de engrane. Otros tipos de fallos, tales como
la excentricidad y el desgaste, pueden llegar a cubrir la mayor parte del periodo de revolución de un engranaje.
Para detectar este amplio abanico de posibilidades, puede hacerse uso de la WT. Sin embargo, es preciso adoptar
toda una serie de escalas diferentes e ir trasladándose a lo largo del eje temporal. Por otra parte es necesario
determinar cuál será la función madre que se ha de utilizar, y si ésta es o no adecuada para detectar cualquier tipo
de fenómeno transitorio. Existen dos clases de funciones: ortogonales y no ortogonales. Entre las primeras
destacan las siguientes: Haar, Daubechies, Coiflets, Symlets y Meyer, etc… mientras que entre las no
ortogonales destacan: Morlet, Mexican hat, DOG, etc. Como se ha mencionado, es fundamental elegir
adecuadamente el tipo de función que se ajusta mejor al análisis del fallo mecánico que se está tratando de
determinar. El principio básico es elegir una función Wavelet cuya forma sea similar a la de la señal vibratoria
causada por dicho fallo. Es decir, se trata de una búsqueda basada en la confirmación de hipótesis. En la mayoría
de los estudios se considera que cuando ocurre un fallo mecánico la señal vibratoria posee impulsos periódicos,
cuya forma se asemeja al tipo Morlet, por lo que es el más usado, aunque también se utilizan frecuentemente el
tipo Gabor y Mexican Hat.

DIAGNOSIS BASADA EN LA FFT DE LA SEÑAL DE VIBRACIÓN

Es la técnica de procesamiento por antonomasia para diagnosticar los defectos de la maquinaria industrial
mediante la señal de vibración. Esto es así porque, dado un régimen de velocidad constante y admitiendo una
condición funcional estable, la vibración originada en la máquina puede considerarse como una señal
estacionaria ergódica [9], esto es, todas sus propiedades estadísticas, como lo es su media o el valor RMS,
pueden suponerse estables y, por tanto, representativos de su condición, y además pueden obtenerse de una sola
muestra. En definitiva, esta es la base del mantenimiento predictivo basado en la vibración: se adquiere durante
un cierto tiempo una muestra de la señal de vibración de la máquina, que es utilizada para determinar el nivel
global o para obtener su espectro de frecuencias, procesándola mediante la FFT. Los valores obtenidos son,
generalmente, aceptables como representativos del estado actual de la máquina.
Utilizar la FFT o su equivalente discreta, la transformada discreta de Fourier (DFT), en el caso de procesamiento
digital mediante computador [10], está indicado cuando las fuentes de vibración son de tipo armónico, como
son, en general, la mayoría de defectos derivados de la dinámica del rotor. La descomposición armónica que las
transformaciones de Fourier realizan desde el dominio del tiempo al dominio de la frecuencia permiten observan
con claridad dichos componentes espectrales y, consecuentemente, identificar la causa. Tales defectos originan
una alteración vibratoria estacionaria de la señal temporal, como sucede con funciones sinusoidales. El espectro
frecuencial no hace sino separar dichos componentes armónicos, permitiendo así identificar la causa del
problema.
Sin embargo, los problemas en las transmisiones de engranajes, anteriormente citados, causan vibraciones
periódicas no armónicas, principalmente de tipo impulsivo, junto con vibraciones aleatorias. El procesamiento
de dichas señales mediante la transformada de Fourier devuelve un espectro en el que aparecen multitud de
componentes espectrales múltiplos de la frecuencia principal, como se observa en la Fig.(1), que no sólo no
guardan relación física con el fenómeno sino que pueden llegar a enmascarar otras frecuencias de interés.
Este tipo de procesamiento supone la pérdida de la referencia temporal cuando se superponen componentes
armónicos con otros impulsivos o de carácter transitorio. El espectro informará de las frecuencias presentes a
costa de perder la información del instante en el que aparecen. Es más, fenómenos impulsivos importantes de
corta duración pero periodo largo pueden llegar a perderse en el espectro absorbidos por señales temporalmente
más estables aunque de amplitud menor. Un ejemplo particularmente significativo es el impacto producido por el
engrane de dos dientes concretos deteriorados, que, dependiendo del número de dientes de las ruedas, puede
tener un periodo de repetición varias veces superior al de giro.
Análisis comparativo de técnicas de procesamiento de señales de vibración para la detección de fallos en… 3

t f

Fig. 1: Señal temporal de una vibración de tipo impulsivo y espectro de frecuencias correspondiente.

En la Fig.(2) se puede observar el espectro de la vibración captado con un acelerómetro a la salida de una
reductora de dos etapas, donde queda patente todo lo comentado anteriormente.
0,9

0,8

0,7

0,6
Amplitud (mm/s2)

0,5

0,4

0,3

0,2

0,1

0
0 500 1000 1500 2000 2500 3000
Frecuencia (Hz)

Fig. 2: Espectro de la señal de vibración acelerométrica de una reductora de engranajes.

OTRAS TECNICAS DE PROCESAMIENTO DE LA SEÑAL

Procesamiento Tiempo-Frecuencia
Uno de los inconvenientes importantes del análisis de Fourier, expuesto hasta ahora, en el caso de las
transmisiones de engranajes, reside en la pérdida de la dimensión temporal de la señal de la vibración, lo que
desde el punto de vista diagnóstico puede ser determinante.
Con el fin de obtener información de la señal en el dominio de la frecuencia pero sin perder la información
temporal surgen las transformadas Tiempo-Frecuencia, de las cuales la Transformada de Gabor, o Short-Time
Fourier Transform (STFT), es un exponente importante. Su representación gráfica, el espectrograma, tiene tres
dimensiones: amplitud-tiempo-frecuencia, según se observa en la Fig.(3).
Básicamente la STFT es una transformada de Fourier que aplicada en cada una de las secciones temporales en
que se divide una señal de mayor duración. Su definición formal es la siguiente:

STFT x(t )  X ( ,  )   x(t )U (t   )e  jt dt (1)


Donde U(t-) es una ventana temporal y de anchura constante que hace cero a toda la señal excepto en el
intervalo de dicha ventana. Dicha ventana se va desplazando con un determinado nivel de solapamiento a lo
largo de toda la señal siendo, su valor central el valor de t en cada instante. La función ventana puede
configurarse, siendo su versión más simple la ventana rectangular unidad. Otras ventanas temporales utilizadas
son las de tipo gaussiano, Hanning, Hamming, Triangular, Blackman, Blackman-Harris, etc.
El inconveniente de la STFT es que, al igual que la FFT, sigue realizando la descomposición de la señal en
funciones armónicas por lo que sigue siendo inadecuada para funciones impulsivas: Por otra parte, aumentar la
resolución temporal del análisis implica reducir la resolución frecuencial, puesto que el producto de ambas es
una constante.
P.A. Meroño et al. / XVIII Congreso Nacional de Ingeniería Mecánica (2010) 4

Tiempo
Amplitud

Frecuencia

Fig. 3: Espectrograma de la vibración torsional a la salida de una

reductora de engranajes, a una velocidad de 747 r.p.m.

Una alternativa formalmente muy interesante es la que propone efectuar la descomposición de la señal temporal
en suma ponderada de funciones no armónicas escalables y definidas en un cierto intervalo temporal, por lo que
es más adecuada para el procesamiento de señales no estacionarias. El formalismo matemático que da soporte a
esta idea es la transformada de Wavelet.

W x ( s, )  

x(t )  s*, (t )  dt (2)

Las funciones utilizadas para el desarrollo de la Transformada Wavelet reciben el nombre de funciones madre.
1  t  
 s , (t )    (3)
s  s 

Donde s (s0) y  son los parámetros de escala y traslación temporal de la función, respectivamente, y el
asterisco indica la función conjugada. La Fig.(4) muestra una función Wavelet denominada sombrero mexicano.

Fig. 4: Función wavelet sombrero mexicano.

Los resultados de esta técnica de procesamiento para el diagnóstico de defectos en engranajes dependen en gran
medida de la función Wavelet utilizada. Cuanto mayor parecido tenga con las características temporales de la
señal vibratoria más significativos serán los resultados. Utilizar una función madre de muy diferente forma que
la onda temporal característica de la vibración del defecto a detectar tiene los mismos inconvenientes que la
descomposición armónica mediante la STFT. Es decir, se pretende identificar y reconstruir un patrón de
comportamiento temporal a partir de funciones que tienen una evolución temporal completamente diferente, lo
cual, no sólo da lugar a resultados no acordes con la búsqueda pretendida sino que pueden, incluso, enmascarar
la característica diagnóstica principal del defecto.
Análisis comparativo de técnicas de procesamiento de señales de vibración para la detección de fallos en… 5

Análisis de correlación

Una alternativa que sigue un camino completamente diferente del descrito hasta ahora es la que se basa en
utilizar técnicas de procesamiento propias de los fenómenos estocásticos.
Se trata de encontrar e identificar periodicidades no armónicas, dentro una señal formada por la yuxtaposición de
componentes vibratorios de carácter periódico (supuesto que sea constante la velocidad de entrada del tren) y
vibraciones aleatorias, con un comportamiento básicamente gaussiano.
El análisis de correlación, o más exactamente de autocorrelación, ofrece una herramienta matemática que ha
demostrado excelentes resultados. Ya que, como es sabido, el componente aleatorio de la señal presenta una
autocorrelación muy apuntada en torno a cero, es decir, sin desfase temporal de la señal. Mientras que el
coeficiente de correlación, Ic(x(t),x(t-)), se anula enseguida al desplazarse en el eje de tiempos. Por el contrario,
una señal periódica presentará aumentos de la función de correlación a intervalos idénticos al periodo de la señal,
independientemente de la forma que tenga.
En el caso de disponer de dos señales muestreadas, cada una de las cuales constituye una secuencia de valores de
la señal vibratoria distantes entre sí el periodo de muestreo, el coeficiente de correlación, entre ambas viene dado
por la relación:
Cov ( x ( n ), y ( n ))
I C ( x ( n ), y ( n ))  (4)
 x  y

Siendo
N
1
Cov ( x ( n ), y ( n )) 
N  (x
i 1
i  x )( y i  y ) (5)

Las series x(n) e y(n) son las señales x(t) e y(t), una vez muestreadas. En el caso del coeficiente de
autocorrelación, basta con hacer y(t)=x(t-)
Esta es la enorme ventaja de este tipo de análisis, si el fenómeno es realmente repetitivo, será detectado
independientemente de la naturaleza de la vibración y, por tanto, la forma de la señal. Tiene, sin embargo, la
desventaja de que si bien identifica la periodicidad del evento y, consecuentemente, su frecuencia, no informan
acerca de la forma de la señal.
Sin embargo, una vez conocido el periodo de la señal, basta con trocear la señal en intervalos temporales
idénticos al periodo y promediarlos, lo que hará disminuir de forma notable la parte aleatoria de la señal,
mientras que reforzará la parte estacionaria de la misma. En el caso de producirse fenómenos periódicos de tipo
armónico, el análisis de correlación seguiría siendo perfectamente válido, siendo un caso particular de lo
expuesto. En este caso la función de correlación variará de forma armónica pues, como es sabido, la
autocorrelación de una función armónica es también otra función armónica.
El procedimiento de análisis que se ha seguido en este trabajo se basa en adquirir un tiempo suficientemente
representativo de la señal, que una vez muestreado constará de N puntos, del cual se extraerá una secuencia
formada por M puntos. La función de autocorrelación se obtiene al desplazar dicha secuencia a lo largo de todo
el registro completo de la señal y obtener los sucesivos coeficientes de correlación. lógicamente, el periodo de
muestreo, Δt, será el incremento de tiempo que existe entre dos puntos consecutivos, i e i+1, de la secuencia de
valores. La función de autocorrelación así obtenida estará definida en un intervalo de tiempo T dado por:

T  (N  M )   t (6)

Debe observarse que cuando se trata de señales con cierto nivel de ruido, es decir, componentes aleatorios, la
función de autocorrelación tiende a reducirlo, tanto más cuanto mayor sea el número de puntos considerados en
la función, es decir, M. Para valores de M suficientemente grandes (en teoría, sólo si M fuese infinito) se
suprimiría completamente el ruido, ya que su valor medio es cero, como corresponde a una distribución
gaussiana. Este fenómeno de reducción del ruido puede apreciarse claramente al ir aumentando progresivamente
el valor de M en las figuras siguientes 5, 6 y 7, en las que se ha utilizado una misma señal temporal pero tres
valores diferentes de M.
P.A. Meroño et al. / XVIII Congreso Nacional de Ingeniería Mecánica (2010) 6

Fig.5 Función de autocorrelación de una señal de Fig.6. Función de autocorrelación de una señal de
10000 puntos con una secuencia de 128 puntos. 10000 puntos con una secuencia de 1024 puntos.

Fig.7. Función de autocorrelación de una señal de 10000

puntos con una secuencia de 1024 puntos

ENSAYOS EN BANCO DE ENGRANAJES

En este trabajo se han estudiado dos situaciones de funcionamiento irregular en engranajes, con el objetivo de
determinar si existe algún patrón de comportamiento que ayude a identificar cuándo nos encontramos en alguna
de ellas. Una situación es la de lubricación deficiente y la segunda es la de dientes dañados. Con este propósito
se construyó un banco de ensayo, parte del cual puede verse en la Fig.(8) compuesto de un motor eléctrico de 3,6
KW de potencia, una caja de engranajes de una etapa con dos ruedas de 20 y 40 dientes, una dinamo de carga de
3 KW y un cuadro de control para regular la velocidad del motor y la electricidad generada por la dinamo, que es
conducida hacia unas resistencias eléctricas.

acelerómetro
interferómetro láser

Fig.8. Vista del banco de ensayo y transductores de vibración radial y torsional.

Análisis comparativo de técnicas de procesamiento de señales de vibración para la detección de fallos en… 7

Para las medidas de vibración radial se utilizó un acelerómetro y para las de vibración torsional un
interferómetro láser, cuyo cañón puede verse en la Fig. (8). Un esquema de las medidas realizadas puede verse
en la Fig. (9).

MEDIDAS
EN
BANCO DE
ENGRANAJES

FALLOS
EN DIENTES
LUBRICACIÓN DAÑADOS

LUBRICACIÓN LUBRICACIÓN UN DIENTE DOS DIENTES TRES DIENTES

NORMAL: DEFICIENTE: DAÑADO DAÑADOS DAÑADOS
- SIN CARGA - SIN CARGA - SIN CARGA - SIN CARGA - SIN CARGA
-MEDIA CARGA -MEDIA CARGA -MEDIA CARGA -MEDIA CARGA -MEDIA CARGA
-PLENA CARGA -PLENA CARGA -PLENA CARGA -PLENA CARGA -PLENA CARGA

Fig.9. Medidas realizadas en banco de engranajes

Para las medidas en condiciones de lubricación normal, se trabajó con lubricante nuevo y específico para caja de
engranajes. Éste es el caso que presenta señales de vibración más limpias respecto al ruido, lo que permite que se
pueda realizar una más fácil interpretación de éstas (y de sus espectros). Hay que señalar que, como es obvio, el
nivel de ruido sonoro producido por el banco (en concreto por la caja de engranajes) en operación, es mucho
menor que cuando se trabajó con lubricante en mal estado. En el caso de lubricación deficiente se utilizó
lubricante con muchas horas de uso y además se contaminó con limaduras de hierro, con objeto de reproducir
una situación de desgaste y falta de mantenimiento.
En el caso de medidas con dientes dañados, las condiciones del ensayo son similares a las de fallos en
lubricación, con la novedad de que se añadieron mediciones a distintas velocidades de régimen. Esto ha sido
necesario para estudiar la relación entre el número de dientes dañado, la velocidad de giro, y su correspondiente
influencia en la frecuencia de la vibración producida. En cuanto a las condiciones del ensayo, hay que resaltar
que el daño en lo dientes se produjo mediante la mecanización del flanco de contacto en la rueda dentada, de
uno, dos y hasta tres dientes, con un progresivo aumento de arranque de material hasta llegar a una situación en
la que el deterioro se manifestaba en las medidas. En la Fig. (10) puede observarse un detalle de lo comentado.

Fig.10. Detalle de los daños producidos en los dientes.

P.A. Meroño et al. / XVIII Congreso Nacional de Ingeniería Mecánica (2010) 8

RESULTADOS

En el análisis de resultados, se estudia de la idoneidad del tipo de procesamiento de señal utilizado para obtener
un diagnóstico eficaz del problema o fallo analizado. Las señales han sido procesadas con distintos métodos:
Transformada de Fourier, Función Coeficiente de Correlación, Espectrograma (STFT) y Transformada Wavelet
Las medidas se han realizado tomando siempre muestras por triplicado. Los gráficos que se muestran son el
resultado de realizar el promediado de las tres muestras que se tiene para cada situación. Las medidas de
vibración radial son siempre en aceleración (m/s2) y las medidas de vibración torsional se han realizado en
velocidad (Δω en rpm).
Para el ensayo de lubricación , el análisis mediante FFT se mostró más eficaz en la señal de vibración radial que
en la de torsional, ya que, en la primera, se observó un aumento en general en todo el ancho de banda, tanto con
el aumento de carga como con la falta de lubricación. Un resumen del mismo puede observarse en la Fig.(11).
No obstante, hay que destacar, que frecuencias características como la de giro del eje o la frecuencia de engrane,
que para los casos mostrados corresponden a los 12,5 y 500 Hz, aparecen en la mayoría de los casos
enmascaradas frente al resto de niveles.
En el caso de vibración torsional no se apreciaron incrementos en los niveles ni con el aumento de la carga ni
con la falta de lubricación. La característica general es la presencia de la frecuencia de giro (12,5 Hz) y sus
armónicos y la frecuencia de engrane (500 Hz) aparece con una notoriedad menos relevante que la de giro, como
puede observarse en la Fig.(12).
Como conclusión se obtuvo que este tipo de transformada, aplicada a la señal de vibración torsional, no aporta
datos diagnósticos sobre la falta de lubricación en engranajes, a diferencia de lo que sucede si se realiza el
análisis sobre la señal de vibración radial.

Fig.11. Espectros FFT de vibración radial en ensayos de lubricación

En el análisis mediante autocorrelación, en todas las autocorrelaciones de las señales de VT realizadas apareció
claramente una periodicidad correspondiente a la frecuencia de giro del eje medido. En general, estas frecuencias
no destacaban mucho frente al resto, en el espectro de Fourier de vibración, mientras que en la autocorrelación se
revelan con mucha facilidad. Se trata de una de las observaciones más interesantes obtenidas mediante este tipo
de análisis.
Estas periodicidades se mantuvieron en el caso de lubricación deficiente para la señal de vibración torsional,
como puede verse en la parte superior derecha de la Fig. (13), no así para la de vibración radial, donde
probablemente la acumulación de ruido producido en la señal por la falta de lubricación impide un análisis claro
de este tipo.
Análisis comparativo de técnicas de procesamiento de señales de vibración para la detección de fallos en… 9

Fig. 12. Espectros FFT de vibración torsional en ensayos de lubricación

Fig. 13. Autocorrelaciones en ensayos de lubricación

Con el análisis mediante Espectrograma de frecuencias, cuyo resumen se muestra en la Fig.(14), se pierde la
relativa claridad con la que aparecía la frecuencia de giro y armónicos en la FFT. Con los fallos en lubricación se
produce un aumento de los niveles en todo el ancho de banda y en todos los estadios temporales. Puede
afirmarse que se aporta una visión general de la variación del espectro frecuencial en el transcurso del tiempo,
pero en detrimento de su resolución y que, en general no se aporta información adicional a la proporcionada por
la FFT.
Con el uso de la Trasnformada Wavelet no se obtienen resultados concluyentes para este tipo de problema,
incluso aplicando distintos tipos de transformada madre. En la Fig.(15) se muestran como ejemplo los resultados
obtenidos con la wavelet denominada “Sombrero Mexicano”.
P.A. Meroño et al. / XVIII Congreso Nacional de Ingeniería Mecánica (2010) 10

Fig. 14. Espectrogramas en ensayos de lubricación

Vibración Torsional

Vibración Radial

Fig. 15. Transformadas Wavelet en ensayos de lubricación

Análisis comparativo de técnicas de procesamiento de señales de vibración para la detección de fallos en… 11

Sólo puede destacarse que se observa un aumento general principalmente en los niveles bajos de escala
(correspondientes a altas frecuencias) tanto con el aumento de la carga como con la lubricación deficiente, pero
sólo en el caso de Vibración Radial, no así en la Torsional. Hay que señalar que los niveles de los gráficos, en
esta transformada los proporciona la aproximación entre la forma de onda de la transformada madre utilizada y
la señal a estudiar (coeficientes) y no realmente el nivel de vibración existente.
Seguidamente se muestran los resultados obtenidos para el ensayo realizado con dientes dañados. La Fig. (16)
muestra cuatro espectros de Fourier, para el caso de vibración torsional y con distinto número de dientes
dañados. Aunque puede observarse una clara tendencia en el aumento de los niveles de los componentes en
frecuencia relacionados con los números de dientes dañados, hay que resaltar, que no se obtenían los mismos
resultados en la repetición de las medidas, no siendo tan evidentes en otras medidas realizadas en idénticas
condiciones. Puede decirse que resulta complicado realizar un diagnóstico sobre dientes dañados con este tipo de
transformada, pudiéndose, además, confundir con otros tipos de anomalías que presentan similar
comportamiento espectral.

Fig.16. Espectros FFT de vibración torsional en el ensayo de dientes dañados.

Fig.17. Espectros FFT de vibración radial en el ensayo de dientes dañados.

P.A. Meroño et al. / XVIII Congreso Nacional de Ingeniería Mecánica (2010) 12

En el análisis de vibración radial, los resultados fueron menos evidentes. Como puede observarse en la Fig.(17),
aparecen siempre los mismos armónicos con niveles similares, independientemente del número de dientes
dañados.
Cuando se utilizó el espectrograma de frecuencias en vibración radial para este tipo de daño, según puede verse
en la Fig.(18), pudo comprobarse una tendencia al aumento del nivel de vibración con el número de dientes
dañados, aunque la escasa definición frecuencial en la zona correspondiente a la frecuencia de giro no permite
establecer un diagnóstico concreto, como sucedía con la FFT. Sí se observó una importante variación en
frecuencias de orden superior, pero no relacionadas ni con la velocidad de giro ni la frecuencia de engrane. En el
caso de la señal de VT, el problema es análogo. Realizando un aumento en la zona baja de las frecuencias pudo
llegar a observarse un ligero aumento en los armónicos de la velocidad con el aumento del número de dientes
dañado. La escasa definición frecuencial que se obtiene con este tipo de transformada no es suficiente para
estudiar los cambios en el intervalo deseado.

Vibración Radial Vibración Torsional

Daño en un diente
Daños en uno, dos y tres
dientes

Daños en dos dientes

Daños en tres dientes Daños en tres dientes

Fig. 18. Espectrogramas en ensayos de dientes dañados

El procesado de la señal de vibración torsional con la transformada Wavelet, utilizando como transformada
“madre” la Daubechies de orden 5, se mostró más significativo. En la Fig.(19) pueden observarse unos picos,
equiespaciados a una secuencia temporal coincidente con la de paso del diente dañado. Esto no se apreció en el
mismo procesado de la señal de vibración radial, posiblemente debido al sobredimensionamiento del engranaje
Los diagramas para el caso de daños en más dientes muestran la aparición de los picos correspondientes que
Análisis comparativo de técnicas de procesamiento de señales de vibración para la detección de fallos en… 13

confirman la detección del daño. En el caso mostrado en la Fig. (19) puede observarse el resultado de tener dos
dientes dañados. El ensayo se produjo dejando, en primer lugar, un diente intermedio sin dañar para comprobar
que la secuencia temporal de los picos era la correcta. Y posteriormente, al dañar tres dientes de forma
consecutiva se obtiene un tercer pico intermedio que confirma la secuencia temporal de los daños producidos en
los tres dientes.

Fig. 19. Transformadas Wavelet en ensayos de dientes dañados sobre la señal de vibración torsional.
P.A. Meroño et al. / XVIII Congreso Nacional de Ingeniería Mecánica (2010) 14

CONCLUSIONES

El tipo de defecto va a condicionar la sensibilidad de la técnica utilizada. Defectos propios de la dinámica de la

rotación, que se caracterizan fundamentalmente por componentes de tipo armónico se detectarán bien mediante
un análisis FFT o mediante el espectrograma, mientras que defectos de tipo impulsivo o con un patrón no
armónico pero con un comportamiento estacionario o cuasiestacionario, como es el caso de los defectos en los
dientes, se detectarán bien mediante análisis de correlación.
Tras la variedad de ensayos realizados se concluye que las diferencias entre las señales obtenidas de la vibración
torsional en condiciones estacionarias y en estados transitorios marcan el tipo de técnica a utilizar para su medida
y análisis:
- La transformada Wavelet constituye uno de los métodos más adecuados para diagnosticar daños que
provoquen perturbaciones de carácter transitorio en la señal. Esto ha quedado de manifiesto en las medidas
realizadas sobre los engranajes con dientes dañados, donde se ha comprobado que junto a su aplicación a las
señales de vibración torsional puede constituir un potente método que complete las deficiencias de otro tipo de
transformadas.
- El análisis mediante autocorrelación permite encontrar las periodicidades más importantes de una
señal, lo que proporciona una información esencial para el diagnóstico.
- El análisis mediante espectrograma de frecuencias aporta una visión general de la variación del
espectro frecuencial en el transcurso del tiempo de adquisición de la señal a medir. Se observa que, si bien es
adecuado cuando todos los fenómenos analizados se producen en un mismo rango de escala, no lo es cuando esto
no es lo que sucede.

REFERENCIAS

[1] A. Sung Lee, J. Woong, D.H. Choi. Coupled lateral and torsional vibration characteristics of a speed
increasing geared rotor-bearing system. Journal of Sound and Vibration, Volume 263, Issue 4, 12 June
2003, Pages 725-742.
[2] F.K. Choy. Analysis of the Effects of Surface Pitting and Wear of the Vibrations of a Gear Transmissions
System. Prop. Power, 12(2) (1996), pp.77-83.
[3] P. A. Meroño, Caracterización de Vibraciones Torsionales en Ejes de Equipos Dinámicos Rotativos, Tesis
Doctoral, Universidad Politécnica de Cartagena, Cartagena, (2010).
[4] B.D. Forrester, Use of the Wigner Ville distribution in helicopter transmission fault detection, Proceedings
of the Australian Symposium on Signal Processing and Applications- ASSPA 89, Adelaide,
Australia.(1989)
[5] P.D. McFadden y W.J. Wang, Time Frequency Domain Analysis of Vibration Signal for Machinery
Diagnostics, the Wigner Ville Distribution, University of Oxford, Report nº 1891.(1991).
[6] P.D. McFadden y W.J. Wang, Application of the Wavelets to Gearbox Vibration Signals for Fault
Detection, Journal of Sound and Vibration, 192(5), pp. 927-939.
[7] S.T. Lin y P.D. McFadden, Gear Vibration Analysis by B-Spline Wavelet-Based Linear Wavelet Transform,
Mechanical System and Signal Processing 11(4), pp. 603-609.(1997).
[8] N. Baydar. Detection of gear failures using wavelet transform and improving its capability by principal
component analysis. Condition Monitoring And Diagnostic Engineering Management (2001), pp. 411-418.
[9] A. Papoulis. Sistemas digitales y analógicos, transformadas de Fourier, estimación espectral. edit.
Marcombo. Barcelona, 1978.
[10] Smith, Julius O. Mathematics of the Discrete Fourier Transform (DFT), W3K Publishing,
http://books.w3k.org/, 2003, ISBN 0-9745607-0-7.
[11] Hory, C.; Martin, N.; Chehikian, A. Spectrogram segmentation by means of statistical features for non-
stationary signal interpretation. Signal Processing, IEEE Transactions on. Volume 50, Issue 12, Dec 2002
Page(s): 2915 - 2925