Diagnóstico de fallas múltiples y evaluación de daños de rodamientos basados en IDBO-VMD y CNN-BiLSTM

Área de la Ciencia:

• Ingeniería mecánica
• Inteligencia artificial
• Procesamiento de señales

Sus antecedentes:

• La creciente demanda de equipos mecánicos de alta precisión requiere un control robusto de la salud de los rodamientos.
• El funcionamiento fiable de la máquina depende de una evaluación precisa del estado de los rodamientos.
• Las fallas compuestas en los rodamientos plantean importantes problemas de diagnóstico.

Objetivo del estudio:

• Desarrollar un método eficaz para el diagnóstico de defectos de materiales compuestos y la evaluación de daños en rodamientos.
• Mejorar la precisión y fiabilidad de los sistemas de diagnóstico de fallos de rodamientos.
• Abordar las limitaciones de las técnicas de diagnóstico existentes para fallas complejas de rodamientos.

Principales métodos:

• Utilizado el optimizador mejorado de escarabajo de estiércol (IDBO) para optimizar los hiperparámetros de descomposición de modo variacional (VMD) para un procesamiento previo mejorado de la señal.
• Se empleó un modelo de memoria de corto plazo de red neuronal convolucional bidireccional (CNN-BiLSTM) para la extracción de características y la clasificación de fallas.
• Mapeo caótico integrado, algoritmo de seno dorado y estrategia de iteración de coseno para mejorar el rendimiento de optimización del IDBO.

Principales resultados:

• El VMD propuesto optimizado por IDBO combinado con CNN-BiLSTM demostró un rendimiento superior en el diagnóstico de fallos compuestos de rodamientos.
• El modelo compensó efectivamente las limitaciones de las CNN tradicionales en el procesamiento de señales de series temporales.
• La validación con el conjunto de datos HUST confirmó la eficacia del sistema en el diagnóstico de fallas y la evaluación de daños compuestos.

Conclusiones:

• El enfoque desarrollado ofrece una solución sólida para el diagnóstico de fallos y la evaluación de daños en rodamientos compuestos.
• Este método mejora significativamente la fiabilidad y la precisión de los equipos mecánicos al garantizar la salud de los rodamientos.
• La integración de técnicas avanzadas de optimización y aprendizaje profundo ofrece una dirección prometedora para los futuros sistemas de monitoreo de condiciones.