Investigación sobre el diagnóstico de fallos de rodamientos basado en la extracción de características VMD-RCMWPE y...

Área de la Ciencia:

• Ingeniería mecánica
• Procesamiento de señales
• Aprendizaje automático

Sus antecedentes:

• Los fallos de los rodamientos en las máquinas industriales causan un tiempo de inactividad y costes significativos.
• El diagnóstico preciso en las primeras etapas es difícil debido a las características complejas de la señal de vibración (no estacionaria, no lineal) y el ruido.
• Los métodos existentes luchan con las complejidades inherentes de los datos de vibración de los rodamientos.

Objetivo del estudio:

• Desarrollar una metodología integrada para el diagnóstico preciso de fallos de rodamientos en etapas tempranas.
• Abordar los desafíos planteados por las señales de vibración no estacionarias y no lineales y las interferencias de ruido.
• Mejorar la toma de decisiones sobre el mantenimiento de las máquinas mediante la identificación fiable de fallos.

Principales métodos:

• Descomposición del modo variacional (VMD) para la descomposición de la señal en funciones de modo intrínseco (IMF).
• Entropía de permutación ponderada de escala múltiple refinada (RCMWPE) para la extracción de características de los FMI.
• Máquina vectorial de soporte (SVM) optimizada por el algoritmo de optimización de ballenas (WOA) para la clasificación de fallas, con t-SNE para la reducción de dimensionalidad.

Principales resultados:

• Logró una precisión del 96,5% para el diagnóstico de fallas de cuatro clases en el conjunto de datos de PRONOSTIA.
• Alcanzó el 99,67% de precisión para el diagnóstico de fallas de clase diez en el conjunto de datos CWRU.
• Demostró una capacidad excepcional de identificación de fallas, robustez y generalización en diversos conjuntos de datos.

Conclusiones:

• La metodología integrada de conjuntos de datos múltiples propuesta permite diagnosticar eficazmente las fallas de los rodamientos.
• La combinación de VMD, RCMWPE y SVM optimizado para WOA proporciona una solución robusta para modos de falla complejos.
• Este enfoque ofrece una vía técnica viable para la alerta temprana de fallos de rodamientos y el mantenimiento predictivo.