Resumen

Se propone un método de diagnóstico de fallas en rodamientos basado en la descomposición característica-escala local en conjunto (ELCD) y la máquina de aprendizaje extremo (ELM). Las señales de vibración fueron descompuestas utilizando ELCD, y se obtuvieron numerosos componentes de escala intrínseca (ISCs). A continuación, se calcularon índices en el dominio del tiempo, energía y entropía relativa de los componentes de escala intrínseca. Según el enfoque de evaluación basado en la distancia, se pueden extraer características de sensibilidad. Finalmente, las características de sensibilidad se introdujeron en la máquina de aprendizaje extremo para identificar los tipos de fallas en rodamientos. Los resultados experimentales muestran que el método propuesto logró un mejor rendimiento que los métodos de máquina de vectores de soporte (SVM) y red neuronal de retropropagación (BP).

• Materias:Matriz acústica Ingeniería subterránea Vibración longitudinal Transmisión dinámica Fallas de rodamientos
• Subjects:Acoustic array Underground engineering Longitudinal vibration Dynamic transmission Bearing failures
• Palabras claves:Rodamiento; Diagnóstico de fallas; Descomposición en características locales a escala de conjunto; Máquina de aprendizaje extremo; Señales de vibración; Componentes de escala intrínseca
• Keywords:Rolling bearing; Fault diagnosis; Ensemble local characteristic-scale decomposition; Extreme learning machine; Vibration signals; Intrinsic scale components