Resumen

Centrándose en las características no estacionarias y no gaussianas de la señal de vibración de un rodamiento con falla, este artículo propone un método de extracción de características de falla basado en descomposición modal variacional (VMD) y parámetros del modelo autorregresivo (AR). En primer lugar, se aplica VMD para descomponer las señales de vibración y se pueden obtener una serie de señales de componentes estacionarios. En segundo lugar, se establece un modelo AR para cada modo de componente. En tercer lugar, los parámetros y el remanente del modelo AR sirven como vectores característicos de falla. Finalmente, se propone un novedoso clasificador de bosques aleatorios (RF) para el reconocimiento de patrones en el campo del diagnóstico de fallas en rodamientos. La validez y superioridad del método propuesto se verifican mediante un conjunto de datos experimentales. Los resultados del análisis muestran que este método basado en el modelo VMD-AR puede extraer características de falla de manera precisa y se ha demostrado que el clas

• Materias:Degradación acelerada Fatiga estructural Proceso de compresión Metodología de detección Movimiento caótico
• Subjects:Accelerated degradation Structural fatigue Compression process Detection methodology Chaotic motion
• Palabras claves:No estacionario; No gaussiano; Señal de vibración; Rodamiento defectuoso; Descomposición modal variacional; Modelo autorregresivo; Extracción de características de falla; Parámetros del modelo AR; Señales de componentes estacionarias; Vectores característicos de falla; Clasificador de bosque aleatorio; Reconocimiento de patrones; Diagnóstico de fallas en rodamientos; Conjunto de datos experimentales; Modelo VMD-AR; Características de falla; Clasificador RF.
• Keywords:Nonstationary; Non-Gaussian; Vibration signal; Fault rolling bearing; Variational mode decomposition; Autoregressive model; Fault feature extraction; AR model parameters; Stationary component signals; Fault characteristic vectors; Random forest classifier; Pattern recognition; Rolling bearing fault diagnosis; Experimental dataset; VMD-AR model; Fault features; RF classifier.