Resumen

En los últimos años se han llevado a cabo numerosos estudios sobre el diagnóstico de averías, ya que la detección oportuna y correcta de los fallos de las máquinas minimiza eficazmente los daños derivados de las averías inesperadas de las mismas. Se han realizado análisis morfológicos matemáticos para eliminar el ruido de la señal sin procesar. Sin embargo, la elección incorrecta de la longitud del elemento de estructura (SE) influirá sustancialmente en la eficacia de la extracción de características de fallo. Además, la clasificación del tipo de fallo es un paso importante en el diagnóstico inteligente de fallos, y ya se han desarrollado muchas técnicas, como la máquina de vectores de soporte (SVM). Este estudio propone una estrategia de diagnóstico inteligente de fallos que combina la extracción de características morfológicas y el clasificador de regresión de vectores de soporte (SVR). La señal de vibración se procesa primero utilizando varias escalas de análisis morfológico, donde la longitud de SE se determina de forma adaptativa. A continuación, se extraen nueve características estadísticas de la señal procesada. Por último, se utiliza un clasificador SVR para identificar el estado de salud de la maquinaria. La eficacia del esquema propuesto se valida utilizando el conjunto de datos de un banco de pruebas de rodamientos. Los resultados muestran la alta precisión del método propuesto a pesar de la influencia del ruido.

• Materias:Máquinas eléctricas Turbinas hidráulicas Motores (Mecánica) Turbina eólica Turbomáquina
• Subjects:Electric machines Hydraulic turbines Engines Wind turbine Turbomachine
• Palabras claves:estrategia de diagnóstico inteligente de fallos, extracción de características de fallos, diagnóstico inteligente de fallos, análisis morfológico matemático, máquina de vectores soporte, regresión de vectores soporte, eficacia, duración, numerosos estudios, clasificador svr
• Keywords:intelligent fault diagnosis strategy, fault feature extraction, intelligent fault diagnosis, mathematical morphological analysis, support vector machine, support vector regression, effectiveness, length, numerous studies, svr classifier