Resumen

La señal de vibración y la órbita del eje son características importantes que reflejan el estado operativo de la maquinaria rotativa. El diagnóstico de fallas y la extracción de características son críticos para garantizar la seguridad y la operación confiable de la maquinaria rotativa. En este artículo se propone un método novedoso de diagnóstico de fallas basado en redes neuronales convolucionales (CNN), transformada discreta de wavelet (DWT) y descomposición de valores singulares (SVD). La CNN se utiliza para extraer características de las imágenes de la órbita del eje, la DWT se utiliza para transformar la señal de oscilación despejada de la maquinaria rotativa y se obtienen los coeficientes de descomposición wavelet de cada rama de la señal mediante la transformación. La matriz de entrada SVD se forma después de la reconstrucción de una sola rama de los diferentes coeficientes de rama, y se extrae el valor singular para obtener el vector de características. Las características extraídas de ambos métodos se combinan y luego

• 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:Señal de vibración; órbita del eje; Diagnóstico de fallas; Extracción de características; Red neuronal convolucional; Descomposición de valores singulares
• Keywords:Vibration signal; Shaft orbit; Fault diagnosis; Feature extraction; Convolutional neural network; Singular value decomposition