Resumen

Teniendo en cuenta el problema de que el estado de degradación real de los rodamientos tiene pocas características distintivas y es muy confuso, se propone un método de identificación del estado de degradación de los rodamientos basado en la fusión de características multidominio y la reducción de dimensiones del aprendizaje múltiple combinado con la agrupación GG. En primer lugar, los datos de toda la vida útil de los rodamientos se preprocesan mediante descomposición local a escala de características (LCD) y se extraen seis características típicas, entre las que se incluyen la entropía relativa del espectro de energía (LREE), la entropía relativa del espectro singular (LRSE), la entropía multiescala de dos elementos (TMSE), la desviación estándar (STD), la RMS y la amplitud de la raíz cuadrada (XR), que componen el conjunto original de características multidominio. A continuación, se utiliza la proyección de preservación local (LPP) para reducir la dimensión del conjunto de características de fusión original y se aplica un algoritmo genético para optimizar el proceso de fusión de características. Por último, el reconocimiento difuso del estado de degradación de los rodamientos se lleva a cabo mediante la agrupación GG y el principio del máximo grado de pertenencia, y el excelente rendimiento del método propuesto se valida comparando la precisión de reconocimiento de LPP y GA-LPP.

• Materias:Máquinas eléctricas Mecánica de fluidos Turbinas Motores (Mecánica) Turbina eólica Energía cinética Turbomáquina
• Subjects:Electric machines Fluid mechanics Turbines Engines Wind turbine Kinetic energy Turbomachine
• Palabras claves:lpp, agrupación gg, método de identificación del estado de degradación, conjunto original de características de fusión, entropía relativa del espectro de energía, entropía relativa del espectro singular, estado real de degradación, grado máximo de pertenencia, fusión de características multidominio, característica original multidominio
• Keywords:lpp, gg clustering, degradation state identification method, original fusion feature set, relative energy spectrum entropy, relative singular spectrum entropy, actual degradation status, maximum membership degree, multidomain feature fusion, original multidomain feature