Resumen

En las máquinas de laminación, el estado de funcionamiento de los rodamientos guarda una estrecha relación con la seguridad del proceso y la eficacia de la producción. Por lo tanto, son indispensables un diagnóstico y una clasificación de fallos fiables. Los métodos tradicionales siempre caracterizan las características del fallo utilizando un único vector de fallo, lo que puede no revelar la influencia total del fallo causada por las complejas perturbaciones del proceso. Además, también puede dar lugar a una precisión de clasificación de fallos deficiente. Para resolver los problemas mencionados, se propone un método de extracción de fallos para extraer múltiples vectores de características y, a continuación, se desarrolla un modelo de clasificación. En primer lugar, para recopilar datos suficientes, se construye un sistema de adquisición de datos basado en una red de sensores inalámbricos para sustituir al sistema tradicional por cable, que puede entrañar peligros durante la producción. En segundo lugar, la señal medida se filtra mediante un algoritmo de filtrado morfológico medio para eliminar el ruido del proceso y, a continuación, se aplica el método de descomposición de modo empírico para extraer la función de modo intrínseco (IMF) que contiene la información del fallo. A partir de las FMI, se proponen un índice en el dominio del tiempo (energía) y un índice de frecuencia (valores singulares) mediante el análisis de la envolvente de Hilbert. A partir del análisis anterior, el índice de energía y la matriz de valores singulares se utilizan para el modelado de clasificación de fallos basado en la máquina de aprendizaje extremo mejorada (ELM), que se optimiza mediante el algoritmo murciélago para ajustar los pesos de entrada y el umbral del nodo de la capa oculta. En comparación con los métodos de clasificación de fallos basados en SVM y ELM, los resultados experimentales muestran que el método propuesto tiene mayor precisión de clasificación y mejor capacidad de generalización.

• Materias:Control del proceso Regulación automática Diagnóstico de fallos Instrumentación automática Optimización de procesos
• Subjects: Automatic regulation Fault diagnosis Automatic instrumentation Process optimization
• Palabras claves:método de descomposición modal empírica, máquina de aprendizaje extremo mejorada, escasa precisión en la clasificación de fallos, análisis envolvente hilbert, mejor capacidad de generalización, perturbaciones de procesos complejos, sistema de adquisición de datos, métodos de clasificación de fallos, modelado de clasificación de fallos, método de extracción de fallos
• Keywords:empirical mode decomposition method, enhanced extreme learning machine, poor fault classification accuracy, hilbert envelope analysis, better generalization ability, complex process disturbances, data acquisition system, fault classification methods, fault classification modeling, fault extraction method