Resumen

En este documento, se propone un algoritmo mejorado de diagnóstico de fallas simultáneas con selección de características basada en cohesión y clasificación mejorada de aprendizaje multietiqueta de retropropagación (BP-MLL) para localizar y diagnosticar diferentes fallas simultáneas en cajas de engranajes y rodamientos en maquinaria rotativa. El algoritmo de evaluación de cohesión selecciona parámetros de características de alta sensibilidad del dominio temporal y de frecuencia en vectores de alta dimensión para construir vectores de características de baja dimensión. La red neuronal BP-MLL se utiliza para el diagnóstico de fallas clasificando los vectores de características. Se propone una función de error global efectiva en la red neuronal BP-MLL modificando la función de distancia para mejorar tanto la capacidad de generalización como la capacidad de diagnóstico de fallas de situaciones completamente etiquetadas y no etiquetadas. Para demostrar la efectividad del método propuesto, se realizan experimentos de diagnóstico de fallas simultáneas a través del simulador de diagnóstico de tren

• 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:Algoritmo de diagnóstico de fallas propuesto; Selección de características basada en cohesión; Aprendizaje multietiqueta de retropropagación; Caja de cambios; Rodamientos
• Keywords:Proposed; Fault diagnostic algorithm; Cohesion-based feature selection; Backpropagation multilabel learning; Gearbox; Bearings