Resumen

La predicción precisa de la vida útil restante (RUL) de los rodamientos es la clave para la toma de decisiones eficaz para el mantenimiento predictivo (PdM) de la maquinaria rotativa. Sin embargo, la heterogeneidad individual y las diferentes condiciones de trabajo de los rodamientos hacen que las trayectorias de degradación de los rodamientos sean diferentes, lo que da lugar a un desajuste entre el modelo de predicción de RUL establecido por el rodamiento de entrenamiento de vida útil completa y los rodamientos de prueba. Para hacer frente a este reto, este artículo propone un nuevo método de predicción RUL para rodamientos que considera la diferencia y la similitud de las trayectorias de degradación. En este método, se propone un método de extracción de características basado en la transformada wavelet continua (CWT) y el autoencoder convolucional (CAE) para extraer las características profundas asociadas a la degradación del rendimiento de los rodamientos antes de obtener el indicador de degradación (DI) aplicando el método de los mapas autoorganizados (SOM). A continuación, se aplica un método basado en la deformación temporal dinámica (DTW) para realizar la coincidencia de similitudes entre las trayectorias de degradación de los rodamientos de entrenamiento y de prueba. A partir de las DI históricas del rodamiento en cuestión, se aplica el modelo de previsión gris con términos de potencia temporal de orden completo (FOTP-GM) para modelar la trayectoria de degradación mediante un método de optimización de parámetros. A continuación, el umbral de fallo del rodamiento de prueba dado puede determinarse mediante un método basado en datos sin intervención manual. Finalmente, el RUL del rodamiento de prueba dado puede ser estimado usando el umbral de fallo preestablecido y el modelo de trayectoria de degradación optimizado del rodamiento de prueba dado. Los resultados experimentales muestran que el método propuesto retiene las diferencias individuales de la tendencia de degradación del rodamiento, realiza el ajuste independiente y razonable del umbral de fallo del rodamiento, y mejora la precisión de la predicción del RUL.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:rodamiento de prueba dado, trayectoria de degradación, rodamiento de prueba, coincidencia de degradación, modelo de predicción gris, rodamiento de entrenamiento de vida, transformada wavelet continua, métodos de predicción de regla, modelo de predicción de regla, métodos de extracción de características
• Keywords:given testing bearing, degradation trajectory, testing bearing, matching of degradation, grey forecasting model, life training bearing, continuous wavelet transform, rul prediction methods, rul prediction model, features extraction methods