Resumen

Cuando fallan los rodamientos, suele ser difícil determinar el grado de daño. Para abordar este problema, se desarrolló un nuevo método de diagnóstico de fallas para realizar extracción de características y clasificación inteligente de varias posiciones de falla y grado de daño de las señales de los rodamientos. En primer lugar, se utilizó el Análisis de Fluctuación Desprendida Multifractal (MFDFA) para calcular cinco características MFDFA mientras que cinco características de Distribución Alfa Estable (ASD) se obtuvieron ajustando la distribución a las señales de vibración de cada estado y calculando la Función de Densidad de Probabilidad (PDF). En segundo lugar, se utilizó el Análisis de Componentes Principales Kernel (KPCA) para lograr la reducción de la dimensionalidad de la combinación de características originales para obtener las Características de Fusión de Componentes Principales Kernel (KPCFFs). En tercer lugar, los KPCFFs sirvieron como entrada de la Máquina de Vectores de Soporte de Mínimos Cuadrados (LSSVM)

• 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:Rodamientos de rodillos; Diagnóstico de fallas; Extracción de características; Clasificación inteligente; Grado de daño; Señales de vibración
• Keywords:Rolling bearings; Fault diagnosis; Feature extraction; Intelligent classification; Damage degree; Vibration signals