Resumen

En este artículo se propuso un modelo eficiente e inteligente de diagnóstico de fallas para ofrecer de manera oportuna y precisa una base confiable para identificar la condición de los rodamientos en la aplicación de producción real. El modelo se basa principalmente en un algoritmo optimizado de optimización de mariposa mejorado (BOA) - modelo de máquina de aprendizaje extremo de núcleo (KELM). En primer lugar, las señales de vibración de los rodamientos de rodillos en los cuatro estados que contienen estado normal, falla en la pista exterior, falla en la pista interior y falla en la bola de rodadura se descomponen en varias funciones de modo intrínseco (IMFs) utilizando la descomposición completa de modo empírico de conjunto basada en ruido adaptativo (CEEMDAN). Luego, las entropías de energía de amplitud de las IMFs se designan como las características del rodamiento de rodillos. Para eliminar características redundantes, se utilizó un bosque aleatorio para recibir las contribuciones de las características a la precisión de

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Propuesto; Modelo de diagnóstico de fallas; Rodamiento rodante; Señales de vibración; Características; Algoritmo de optimización
• Keywords:Proposed; Fault diagnosis model; Rolling bearing; Vibration signals; Features; Optimization algorithm