Resumen

Los rodamientos desempeñan un papel importante en la maquinaria rotativa y su estado de funcionamiento afecta directamente a la eficiencia del equipo. Aunque se han propuesto docenas de métodos para el diagnóstico y la monitorización de fallos de rodamientos en tiempo real, la precisión en la clasificación de fallos de los algoritmos existentes todavía no es satisfactoria. Este trabajo presenta un novedoso modelo de fusión de algoritmos basado en el análisis de componentes principales y la teoría de la evidencia de Dempster-Shafer para el diagnóstico de fallos en rodamientos. Combina las ventajas del modelo de red neuronal de cuantificación vectorial de aprendizaje (LVQ) y el modelo de árbol de decisión. Los experimentos realizados bajo tres velocidades diferentes de giro de los rodamientos y dos tamaños diferentes de grietas muestran que nuestro modelo de fusión tiene un mejor rendimiento y una mayor precisión que cualquiera de los modelos de clasificación base para el diagnóstico de fallos en rodamientos, lo que se consigue mediante la predicción sinérgica de ambos tipos de modelos.

• Materias:Biotecnología Redes de sensores Sistema de sensores Diagnóstico de fallas Tecnología de sensores Diagnóstico de fallos
• Subjects:Biotechnology Sensor networks Sensor system Fault diagnosis Sensor technology
• Palabras claves:diagnóstico de fallos, nuevo modelo de fusión de algoritmos, teoría de la evidencia de shafer, modelos de clasificación de bases, modelo de árbol de decisión, diferentes tamaños de grietas, precisión de la clasificación de fallos, modelo de red neuronal, análisis de componentes principales, rodamientos
• Keywords:fault diagnosis, novel algorithm fusion model, shafer evidence theory, base classification models, decision tree model, different crack sizes, fault classification accuracy, neural network model, principal component analysis, rolling bearing