Resumen

Para diagnosticar con precisión la falla de grano fino de un rodamiento de rodillos, este artículo propuso un nuevo método de diagnóstico de fallas que combina la transformación multisincrosqueezing (MSST) y la codificación de características dispersas basada en el aprendizaje de diccionario (SFC-DL). En primer lugar, se construyeron las imágenes de tiempo-frecuencia de alta resolución de las señales de vibración crudas, que incluyen diferentes tipos de fallas de grano fino de los rodamientos de rodillos, mediante MSST. Luego, se entrenó un diccionario base a través de la factorización de matrices no negativas con restricciones de dispersión (NMFSC), y el diccionario base entrenado se empleó para extraer características de las matrices tiempo-frecuencia utilizando ecuaciones lineales no negativas. Finalmente, se entrenó una máquina de soporte vectorial lineal (LSVM) con las características de las muestras de entrenamiento, y la LSVM entrenada se empleó para diagnosticar la clasificación de fallas de las muestras de prueba. En comparación

• Materias:Emisión acústica Campo de tensión Onda de sismo Diagnóstico de fallas
• Subjects:Acoustic emission Strain field Seismic wave Fault diagnosis
• Palabras claves:Método propuesto; Diagnóstico de fallas; Rodamiento rodante; Imágenes tiempo-frecuencia; Aprendizaje de diccionario; Clasificación de fallas
• Keywords:Proposed method; Fault diagnosis; Rolling bearing; Time-frequency images; Dictionary learning; Fault classification