Improving Rolling Bearing Fault Diagnosis by DS Evidence Theory Based Fusion Model
Los rodamientos desempeñan un papel importante en la maquinaria rotativa y su estado de funcionamiento afecta directamente a la eficiencia del equipo. Aunque se han propuesto docenas de métodos para el diagnóstico y la monitorización de fallos de rodamientos en tiempo real, la precisión en la clasificación de fallos de los algoritmos existentes todavía no es satisfactoria. Este trabajo presenta un novedoso modelo de fusión de algoritmos basado en el análisis de componentes principales y la teoría de la evidencia de Dempster-Shafer para el diagnóstico de fallos en rodamientos. Combina las ventajas del modelo de red neuronal de cuantificación vectorial de aprendizaje (LVQ) y el modelo de árbol de decisión. Los experimentos realizados bajo tres velocidades diferentes de giro de los rodamientos y dos tamaños diferentes de grietas muestran que nuestro modelo de fusión tiene un mejor rendimiento y una mayor precisión que cualquiera de los modelos de clasificación base para el diagnóstico de fallos en rodamientos, lo que se consigue mediante la predicción sinérgica de ambos tipos de modelos.
Fuente:
Revista Virtual Pro
Formatos de contenido:
Otros