VMD-RCMWPE特征抽出とWOA-SVM最適化されたマルチデータセット融合に基づくベアリング故障診断に関する研究

科学分野:

• 機械工学
• 信号処理
• 機械学習

背景:

• 産業用機械のベアリングの故障は,かなりのダウンタイムとコストをもたらします.
• 複雑な振動信号特性 (非静止,非線形) と騒音により,早期の正確な診断は困難である.
• 既存の方法は,ベアリングの振動データに固有の複雑さで苦労しています.

研究 の 目的:

• ローヤーの誤差を早期に正確に診断するための統合的方法論を開発する.
• 非静止で非線形な振動信号とノイズによる干渉によって引き起こされる課題に対処する.
• 機械のメンテナンスの意思決定を信頼性の高い故障の特定によって改善する.

主な方法:

• 変数モード分解 (VMD) は,信号を内在モード関数 (IMF) に分解する.
• IMFから特性を抽出するための精製された複合マルチスケール加重変換エントロピー (RCMWPE).
• Whale Optimization Algorithm (WOA) で最適化されたサポートベクトルマシン (SVM) で,誤差を分類し,t-SNEで次元性を減らす.

主要な成果:

• PRONOSTIAデータセットで4つのクラスの故障診断で96. 5%の精度を達成しました.
• CWRUのデータセットで10級の故障診断の精度が99.67%に達しました.
• 異常な故障識別能力,強度,そして多様なデータセットの汎用性を示した.

結論:

• 提案されたマルチデータセット統合方法論は,ベアリングの故障を効果的に診断します.
• VMD,RCMWPE,およびWOA最適化されたSVMの組み合わせは,複雑な故障モードに堅牢なソリューションを提供します.
• このアプローチは,ベアリングの故障を早期に警告し,予期的なメンテナンスを行うための実行可能な技術的経路を提供します.