Resumen

Con el objetivo de diagnosticar fallas en bombas de pistón axial, se propuso un nuevo método de fusión basado en el método de descomposición de modos simétricos de punto extremo (ESMD) y bosques aleatorios (RFs). En primer lugar, la señal de vibración de la bomba de pistón axial se descompuso mediante ESMD para obtener varias funciones de modo intrínseco (IMFs) y una curva media global adaptativa (AGMC) en el lado local. En segundo lugar, la energía total fue seleccionada como los datos de extracción de características al analizar la intensidad total de la oscilación de la señal. En tercer lugar, los datos fueron preprocesados y se establecieron las etiquetas, y luego se adoptaron como el conjunto de entrenamiento y prueba de muestras de aprendizaje automático. Por último, se creó el modelo de RFs basado en el servicio de aprendizaje automático (MLS) para diagnosticar las fallas de la bomba de pistón axial en la nube. Utilizando el conjunto de datos de prueba y verificación para pruebas comparativas,

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Diagnóstico de fallas; Bomba de pistones axiales; Método de descomposición en modo simétrico de punto extremo; Bosques aleatorios; Señal de vibración; Aprendizaje automático.
• Keywords:Fault diagnosis; Axial piston pump; Extreme-point symmetric mode decomposition method; Random forests; Vibration signal; Machine learning.