Resumen

Como un componente crucial y ampliamente utilizado en campos industriales de gran complejidad, la condición de salud de la maquinaria rotativa está directamente relacionada con la eficiencia y la seguridad de la producción. En consecuencia, el reconocimiento y diagnóstico de fallas en máquinas rotativas siguen siendo una de las principales preocupaciones para prevenir fallos en sistemas mecánicos, lo que puede mejorar la fiabilidad y eficiencia de los sistemas mecánicos. En este documento, se propone un enfoque novedoso basado en la identificación de parámetros ciegos del modelo MAR y la optimización híbrida de mutación GWO-SCA para diagnosticar fallas en maquinaria rotativa. Las señales recopiladas de diferentes tipos de fallas se dividieron primero en conjuntos de funciones de modo intrínseco (IMFs) mediante la descomposición de modo variacional (VMD), cuyo número de modos descompuestos fue preestablecido con el método de observación de frecuencia central. Luego se estableció el modelo autorregresivo multivariante (MAR) de todas las

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Maquinaria rotativa; Diagnóstico de fallas; Modelo MAR; Optimización híbrida de mutación GWO-SCA; Señales; Modelo SVM
• Keywords:Rotating machinery; Faults diagnosis; MAR model; Mutation hybrid GWO-SCA optimization; Signals; SVM model