Resumen

Dirigido al pronóstico de degradación de un rodamiento rodante, este artículo propone un novedoso algoritmo de transformación acumulativa para el procesamiento de datos y una técnica de fusión de características para la evaluación de la degradación del rodamiento. En primer lugar, se presenta una transformación acumulativa para mapear las características originales extraídas de una señal de vibración a sus formas acumulativas respectivas. La técnica no solo hace que las características extraídas muestren una tendencia monótona, sino que también reduce la fluctuación; tales propiedades son más propicias para reflejar la tendencia de degradación del rodamiento. Luego, se construye un nuevo sistema de índice de degradación, que fusiona características acumulativas multidimensionales mediante análisis de componentes principales de kernel (KPCA). Finalmente, se propone un modelo de máquina de aprendizaje extremo basado en la reconstrucción del espacio de fases para predecir la tendencia de degradación. El rendimiento del modelo se valida experimentalmente con un experimento de

• Materias:Matriz acústica Ingeniería subterránea Vibración longitudinal Transmisión dinámica Fallas de rodamientos
• Subjects:Acoustic array Underground engineering Longitudinal vibration Dynamic transmission Bearing failures
• Palabras claves:Pronósticos; Rodamiento de rodillos; Algoritmo de transformación acumulativa; Técnica de fusión de características; Evaluación de degradación; Modelo de máquina de aprendizaje extremo
• Keywords:Prognostics; Rolling bearing; Cumulative transformation algorithm; Feature fusion technique; Degradation assessment; Extreme learning machine model