Resumen

Los sistemas inteligentes de gestión de la salud basados en datos (PHM) han sido ampliamente investigados en el ámbito de las señales de rodamientos defectuosos. Estos sistemas pueden proporcionar información precisa sobre la monitorización del estado y el diagnóstico. Sin embargo, los sistemas PHM existentes no pueden identificar la tendencia de degradación precisa y los tipos de fallos actuales simultáneamente. Dado que los diferentes tipos de fallos tienen diversos efectos en el sistema mecánico, las estrategias de mantenimiento correspondientes también varían. Por lo tanto, la elección de la estrategia de mantenimiento adecuada según el tipo de fallo futuro puede reducir el coste de mantenimiento de la operación del equipo. Por lo tanto, se debe desarrollar un índice de salud de información de múltiples características (MIHI) para rastrear varias tendencias de degradación de rodamientos con varios tipos de fallos simultáneamente. Este trabajo reporta un nuevo algoritmo de proyecto disperso cuasi-ortogonal que puede convertir mutuamente los conjuntos de vectores de características de procesamiento degradado (como el espectro) para cada tipo de falla en líneas rectas espaciales aproximadas ortogonales. El algoritmo construye un MIHI a través del espectro de los puntos medidos en el estado actual. A continuación, el MIHI se transforma mediante un algoritmo de proyecto disperso cuasi-ortogonal para trazar las distintas tendencias de degradación de los rodamientos y reconocer el tipo de fallo simultáneamente. El estudio de caso de los datos de degradación de rodamientos demuestra que este enfoque es eficaz para evaluar las diversas tendencias de degradación de los diferentes tipos de fallos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:tendencias de degradación de rodamientos, diferentes tipos de fallos, algoritmo de proyecto disperso, tipo de fallo, tendencias de degradación precisas, mihi, conjunto de vectores de características, degradación de rodamientos diversos, índice de salud de la información, tipo de fallo futuro
• Keywords:bearing degradation trends, different fault type, sparse project algorithm, type of fault, accurate degradation trends, mihi, features vector set, various bearing degradation, information health index, future fault type