Diagnóstico de las fallas de alineación mediante los algoritmos DTCWT-RCMFDE y LSSVM

Área de la Ciencia:

• Ingeniería
• Ingeniería eléctrica
• Ingeniería mecánica

Sus antecedentes:

• La desalineación es un fallo mecánico común en las máquinas eléctricas giratorias, que conduce a una posible falla del motor.
• La detección temprana y precisa de la desalineación es crucial para la fiabilidad industrial y minimizar el tiempo de inactividad.

Objetivo del estudio:

• Proponer una metodología innovadora para el diagnóstico de fallos de desalineación en máquinas eléctricas rotativas.
• Mejorar la precisión y la eficiencia de la detección de fallos en las máquinas rotativas industriales.

Principales métodos:

• El estudio integra la transformación wavelet compleja de doble árbol (DTCWT) con un refinado algoritmo de dispersión de fluctuación en múltiples escalas (RCMFDE) para la extracción de características.
• El algoritmo de máquinas vectoriales de soporte de mínimos cuadrados (LSSVM) se utiliza para clasificar las fallas de desalineación en función de las características extraídas.
• Las señales de par se descomponen en subbandas utilizando la entropía de rango (RE) para un análisis detallado.

Principales resultados:

• El modelo DTCWT-RCMFDE-LSSVM propuesto logró una precisión de clasificación del 98,33%, superando a los métodos existentes.
• El método demostró un rendimiento de diagnóstico superior en la identificación de desalineaciones paralelas y angulares.
• La validación experimental confirmó la alta precisión y eficacia del enfoque de diagnóstico de fallas propuesto.

Conclusiones:

• La metodología DTCWT-RCMFDE-LSSVM ofrece una solución altamente precisa y fiable para detectar fallos de desalineación en máquinas eléctricas giratorias.
• Esta investigación tiene un potencial significativo para aplicaciones industriales, mejorando la fiabilidad operativa en sectores como la generación de energía y la fabricación.
• Los hallazgos subrayan la importancia de las técnicas avanzadas de procesamiento de señales y aprendizaje automático para el mantenimiento predictivo.