Clasificador neuronal de fallos en rodamientos utilizando entradas basadas en transformadas wavelet packet y de Fourier
DOI:
https://doi.org/10.17533/udea.redin.16316Palabras clave:
diagnóstico de fallas, rodamientos, redes neuronales artificiales, transformada wavelet packet, vibraciones mecánicasResumen
En este artículo se propone y se evalúa experimentalmente un método de diagnóstico de fallas en rodamientos utilizando la clasificación de patrones provenientes de las señales de las vibraciones mecánicas. El método utiliza pre-procesamientos con las transformadas de Fourier y wavelet packet para luego alimentar una red neuronal clasificadora que determina el tipo de fallo. Para evaluar las variables de entrada se realiza un análisis de varianza ANOVA comparando el efecto que tienen los factores: velocidad, carga, falla en pista externa y falla en elemento rodante sobre cada uno de los parámetros propuestos como entradas para las redes neuronales artificiales (RNA). Una vez seleccionadas las variables de entrada más adecuadas, se realiza la búsqueda del clasificador más apropiado explorando diversas configuraciones de red neuronal. Se han entrenado alrededor de 2000 RNA con el propósito de encontrar el clasificador más adecuado. Los resultados de validación muestran que para el algoritmo de entrenamiento tipo gradiente conjugado escalado (trainscg) se alcanza un porcentaje de éxito en la clasificación del 88,5 %, mientras que para el algoritmo de entrenamiento de Levenberg-Marquardt (trainlm) se logra un 91,8 %. Adicionalmente, se resalta que en 7 ocasiones se logró el 100 % de aciertos en la clasificación.Descargas
Citas
P. Girdhar, C. Scheffer. “Machinery fault diagnosis using vibration analysis”. Practical Machinery Vibration Analysis and Predictive Maintenance. Ed. Elsevier. Oxford. England. 2004. pp. 89-133. DOI: https://doi.org/10.1016/B978-075066275-8/50005-9
C. Castejón, O. Lara, J. García. “Automated diagnosis of rolling bearings using MRA and neural networks”. Mechanical Systems and Signal Processing. Vol 24. 2010. pp. 289-299. DOI: https://doi.org/10.1016/j.ymssp.2009.06.004
Q. He. “Time–frequency manifold for nonlinear feature extraction in machinery fault diagnosis”. Mechanical Systems and Signal Processing. Vol 35. 2013. pp. 200-218. DOI: https://doi.org/10.1016/j.ymssp.2012.08.018
X. Liu, L. Bo, X. He, M. Veidt. “Application of correlation matching for automatic bearing fault diagnosis”. Journal of Sound and Vibration. Vol. 331. 2012. pp. 5838-5852. DOI: https://doi.org/10.1016/j.jsv.2012.07.022
G. Wang, C. Liu, Y. Cui. “Clustering diagnosis of rolling element bearing fault based on integrated Autoregressive /Autoregressive Conditional Heteroscedasticity model”. Journal of Sound and Vibration. Vol. 331. 2012. pp. 4379-4387. DOI: https://doi.org/10.1016/j.jsv.2012.05.006
Y. Lei, J. Lin, Z. He, M. Zuo. “A review on empirical mode decomposition in fault diagnosis of rotating machinery”. Mechanical Systems and Signal Processing. Vol. 35. 2013. pp. 108-126. DOI: https://doi.org/10.1016/j.ymssp.2012.09.015
Q. He. “Vibration signal classification by wavelet packet energy flow manifold learning”. Journal of Sound and Vibration. Vol. 332. 2013. pp. 1881-1894. DOI: https://doi.org/10.1016/j.jsv.2012.11.006
P. Jayaswal, S. Verma, A. Wadhwani. “Development of EBP-Artificial neural network expert system for rolling element bearing fault diagnosis”. Journal of Vibration and Control. Vol. 17. 2011. pp. 1131-1148. DOI: https://doi.org/10.1177/1077546310361858
X. Chiementin, F. Bolaers, O. Cousinard, L. Rasolofondraibe. “Early Detection of Rolling Bearing Defect by Demodulation of Vibration Signal Using Adapted Wavelet”. Journal of Vibration and Control. Vol. 14. 2008. pp. 1675-1690. DOI: https://doi.org/10.1177/1077546307082985
M. Misiti, Y. Misiti, G. Oppenheim, J. Poggi. Wavelet and their applications. Ed. ISTE. London, England. 2010.
N. Saravanan, K. Ramachandran. “Incipient gear box fault diagnosis using discrete wavelet transform (DWT) for feature extraction and classification using artificial neural network (ANN)”. Expert Systems with Applications. Vol. 37. 2010. pp. 4168-4181. DOI: https://doi.org/10.1016/j.eswa.2009.11.006
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter