Resumen

Apuntando a los defectos de la extracción de características basada en la transformada wavelet y la clasificación basada en la máquina de aprendizaje extremo, se propone en este artículo un nuevo método de diagnóstico de fallas para rodamientos de motor, basado en la transformada wavelet compleja de árbol dual y la máquina de aprendizaje extremo con optimización de enjambre de peces artificiales (DTCWT-AFSO-KELM). En primer lugar, se utiliza la transformada wavelet compleja de árbol dual en lugar de la transformada wavelet discreta para descomponer la señal del rodamiento del motor; luego, se extraen las características con una gran diferenciación de la falla del rodamiento del motor; finalmente, los estados del rodamiento del motor se clasifican utilizando la máquina de aprendizaje extremo con optimización de enjambre de peces artificiales. Para demostrar mejor la superioridad de este método, se utilizan cuatro tipos de datos de estado de rodamiento de motor bajo las condiciones de carga de 0HP (caballos de

• 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:Transformada de wavelet; Extracción de características; Diagnóstico de fallas; Rodamiento de motor; Optimización de enjambre de peces artificiales; Máquina de aprendizaje extremo
• Keywords:Wavelet transform; Feature extraction; Fault diagnosis; Motor bearing; Artificial fish swarm optimization; Extreme learning machine