Resumen

Las características de alta dimensión de los rodamientos defectuosos suelen incluir información redundante e irrelevante, lo cual degradará el rendimiento del diagnóstico. Por lo tanto, es crítico extraer las características sensibles de baja dimensión para mejorar el rendimiento del diagnóstico. En este documento se propone el análisis modificado del kernel marginal Fisher (MKMFA) para la extracción de características con reducción de dimensionalidad. Debido a su destacado rendimiento en mejorar la compacidad intraclase y la dispersabilidad interclase, el MKMFA es capaz de extraer de manera efectiva las características sensibles de la variedad de baja dimensión beneficiosas para la clasificación de patrones subsecuente, incluso para pocas muestras de entrenamiento. Se presenta un modelo de diagnóstico de fallas basado en MKMFA y se aplica para identificar diferentes fallas en rodamientos. En primer lugar, utiliza MKMFA para extraer directamente las características de la variedad de baja dimensión de las muestras de señales de series temporales en bruto en un espacio ambiental de alta dim

• 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 defectuosos; Rendimiento de diagnóstico; Extracción de características; MKMFA; Diagnóstico de fallas; Características de baja dimensionalidad
• Keywords:Defective bearings; Diagnosis performance; Feature extraction; MKMFA; Fault diagnosis; Low-dimensional characteristics