Resumen

Como una de las partes importantes del equipamiento mecánico moderno, el diagnóstico preciso en tiempo real de los rodamientos es especialmente importante. Los métodos tradicionales de diagnóstico de fallas tienen algunas desventajas, como baja precisión diagnóstica y difícil extracción de características de falla. En este artículo, se propone un método que combina la transformada Wavelet (WT) y la Red Neuronal Convolucional Deformable (D-CNN) para lograr un diagnóstico preciso en tiempo real de extremo a extremo de rodamientos. La señal de vibración del rodamiento se toma como objetivo de monitoreo. En primer lugar, se utiliza el algoritmo Orthogonal Matching Pursuit (OMP) para eliminar la señal armónica y retener la señal de impacto y el ruido. En segundo lugar, se obtiene el mapa tiempo-frecuencia de la señal mediante la transformada tiempo-frecuencia utilizando el análisis Wavelet. Por último, se utiliza la D-CNN para la extracción y clasificación de características. Los resultados experimentales muestran que la precisión del método puede alcanzar

• Materias:Análisis estructural Ingeniería subterránea Capacidad de tráfico Descomposición del modo variacional Fallas para rodamientos
• Subjects:Structural analysis Underground engineering Traffic capacity Variational mode decomposition Failures for bearings
• Palabras claves:Rodamiento; Diagnóstico de fallas; Transformada Wavelet; Red Neuronal Convolucional Deformable; Señal de vibración; Extracción de características
• Keywords:Rolling bearing; Fault diagnosis; Wavelet transform; Deformable Convolutional Neural Network; Vibration signal; Feature extraction