Resumen

La detección e identificación de fallas incipientes (IFDI) en los brazos de corte es una garantía crucial para el funcionamiento fluido de un roadheader. Sin embargo, la escasez de muestras de fallas restringe la aplicación de la técnica de diagnóstico de fallas, y las herramientas de análisis de datos deben optimizarse eficientemente. En este estudio, se aplican cuatro herramientas de aprendizaje automático (la red neuronal de retropropagación basada en la optimización del algoritmo genético, el método de Bayes ingenuo basado en la optimización del algoritmo genético, las máquinas de vectores de soporte basadas en la optimización de enjambre de partículas y las máquinas de vectores de soporte basadas en el cuco dinámico) para abordar el desafío en la IFDI de los brazos de corte. Los datos comúnmente medidos de corriente y vibración de los brazos de corte se utilizan en la IFDI. Los resultados experimentales muestran que las máquinas de vectores de

• 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:Detección de fallos; Brazos de corte; Herramientas de aprendizaje automático; Máquinas de vectores de soporte; Análisis de datos; Diagnóstico de fallos
• Keywords:Fault detection; Cutting arms; Machine learning tools; Support vector machines; Data analysis; Fault diagnosis