Resumen

El rendimiento de los sistemas de detección de fallas en rodamientos basados en técnicas de aprendizaje automático depende en gran medida de las características seleccionadas. Por lo tanto, se necesita la selección de un número ideal de características dominantes de una lista exhaustiva de características para disminuir el número de cálculos involucrados en la detección de fallas. En este documento, se intentaron características estadísticas en el dominio del tiempo, a saber, parámetros de Hjorth (actividad, movilidad y complejidad) y la probabilidad logarítmica negativa normal para el modelo de mezcla gaussiana (GMM) por primera vez, además de otras 26 características estadísticas establecidas para la identificación del tipo y gravedad de la falla en el rodamiento. Se derivan dos conjuntos de datos de una base de datos disponible públicamente de la Universidad Case Western Reserve para identificar la capacidad de las características en la identificación de fallas bajo diferentes tamaños de falla y cargas del motor. Las características se han investigado utilizando un enfoque de dos pasos: clasificación basada

• Materias:Análisis estructural Ingeniería subterránea Capacidad de tráfico Descomposición del modo variacional Fallas para rodamientos
• Subjects:Structural analysis Underground engineering Traffic capacity Variational mode decomposition Failures for bearings
• Palabras claves:Sistemas de detección de fallas en rodamientos; Técnicas de aprendizaje automático; Características dominantes; Identificación de fallas; Características estadísticas
• Keywords:Performance; Bearing fault detection systems; Machine learning techniques; Dominant features; Fault identification; Statistical features