Resumen

El proceso de diagnóstico de fallas es esencialmente un problema de discriminación de clases. Sin embargo, los métodos tradicionales de discriminación de clases como SVM y ANN no logran capitalizar las interacciones entre las variables de características. El modelo de discriminación de clases basado en modelos predictivos de variables (VPMCD) puede utilizar adecuadamente las interacciones. Sin embargo, la extracción y selección de características afectarán en gran medida la precisión y estabilidad del clasificador VPMCD. Con el objetivo de las características no estacionarias de la señal de vibración de maquinaria rotativa con fallas locales, se desarrolló una técnica de descomposición de escala característica local (LCD) basada en la descomposición de valores singulares (SVD) para extraer las variables de características. Posteriormente, combinando la red neuronal artificial (ANN) y el valor de impacto medio (MIV), se propuso ANN-MIV como un enfoque de selección de características para seleccionar variables de características más adecuadas como vector de entrada del clasificador VPMCD. Al final de este artículo, se propone un nuevo

• Materias:Degradación acelerada Fatiga estructural Proceso de compresión Metodología de detección Movimiento caótico
• Subjects:Accelerated degradation Structural fatigue Compression process Detection methodology Chaotic motion
• Palabras claves:Proceso de diagnóstico de fallas; Problema de discriminación de clases; SVM; ANN; Interacciones entre las variables de características; Extracción y selección de características
• Keywords:Fault diagnosis process; Class discrimination problem; SVM; ANN; Interactions among the feature variables; Feature extraction and selection