Resumen

Este documento presenta un método que combina el Algoritmo de Salto de Rana Barajada (SFLA, por sus siglas en inglés) con el método de Máquina de Vectores de Soporte (SVM) con el fin de identificar los tipos de falla de rodamiento en la caja de cambios. El método propuesto mejora la precisión de la identificación de diagnóstico de fallas después de procesar las señales de vibración recopiladas a través del umbral de denoising de wavelet. La optimización global y la alta eficiencia computacional de SFLA se aplican al modelo SVM. Los resultados de la simulación muestran que el algoritmo SFLA-SVM es efectivo en el diagnóstico de fallas. En comparación con los algoritmos SVM y Máquina de Vectores de Soporte de Optimización por Enjambre de Partículas (PSO-SVM), se demuestra que el algoritmo SFLA-SVM tiene las ventajas de una mejor optimización global, una mayor precisión y una mejor confiabilidad del diagnóstico. Su precisión se mejora aún

• Materias:Matriz acústica Ingeniería subterránea Vibración longitudinal Transmisión dinámica Fallas de rodamientos
• Subjects:Acoustic array Underground engineering Longitudinal vibration Dynamic transmission Bearing failures
• Palabras claves:Algoritmo de salto de rana barajada; Máquina de vectores de soporte; Tipos de fallas; Rodamiento rodante; Señales de vibración; Denoising de umbral de wavelet
• Keywords:Shuffled frog leaping algorithm; Support vector machine; Fault types; Rolling bearing; Vibration signals; Wavelet threshold denoising