Resumen

Para predecir de manera efectiva las fallas de las bombas centrífugas, se introdujo la idea del algoritmo de aprendizaje automático de vecinos más cercanos (KNN) en la discriminación de fallas de distancia Mahalanobis tradicional, y se propone un modelo mejorado de predicción de fallas de bombas centrífugas basado en KNN y en la distancia Mahalanobis. En este método, la distancia Mahalanobis se utiliza para reemplazar la función de distancia en el algoritmo KNN convencional. La búsqueda en grilla y la validación cruzada se utilizan para determinar el valor óptimo de K del modelo de predicción. Se estableció un banco de pruebas de bombas centrífugas para resolver tres fallas comunes de las bombas centrífugas: cavitación, daño del impulsor y daño del sello de la máquina, y se verificó el método. Los resultados muestran que este método puede distinguir de manera efectiva los tipos específicos de fallas de las bombas centrífugas basándose en señales de vibración, y la precis

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Predecir fallas; Bombas centrífugas; Aprendizaje automático; Algoritmo de k-vecinos más cercanos; Distancia de Mahalanobis; Modelo de predicción de fallas
• Keywords:Predict faults; Centrifugal pumps; Machine learning; K-nearest neighbor algorithm; Mahalanobis distance; Fault prediction model