Un estudio del efecto del ruido en la detección y diagnóstico de fallos en rodamientos de máquinas eléctricas considerando diferentes modelos de características representativas
Autores: Moysidis, Dimitrios A.; Karatzinis, Georgios D.; Boutalis, Yiannis S.; Karnavas, Yannis L.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un estudio del efecto del ruido en la detección y diagnóstico de fallos en rodamientos de máquinas eléctricas considerando diferentes modelos de características representativas
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Diagnóstico de fallos
Máquinas eléctricas
Aprendizaje automático
Aprendizaje profundo
Técnicas de preprocesamiento
Detección de fallos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Dado que el campo del diagnóstico de fallos en máquinas eléctricas ha atraído significativamente el interés de la comunidad investigadora en los últimos años, han surgido varios métodos en la literatura. Además, las señales de datos en bruto se pueden adquirir fácilmente hoy en día, y, por lo tanto, el aprendizaje automático (ML) y el aprendizaje profundo (DL) son herramientas candidatas para un diagnóstico efectivo. Al mismo tiempo, una tarea desafiante es identificar la presencia y el tipo de un fallo en los rodamientos en condiciones ruidosas, especialmente cuando los fallos relevantes están en su etapa incipiente. Dado que, en aplicaciones del mundo real y especialmente en procesos industriales, las máquinas eléctricas operan en entornos constantemente ruidosos, una clave para un enfoque efectivo radica en la etapa de preprocesamiento adoptada. En este trabajo, se lleva a cabo un estudio de evaluación para encontrar las técnicas de preprocesamiento de señales más adecuadas y el modelo más efectivo para el diagnóstico de fallos de 16 condiciones/clases, desde una perspectiva de baja carga de trabajo (carga computacional) utilizando un conjunto de datos bien conocido. Más específicamente, se investiga aquí la fiabilidad y resiliencia de los modelos convencionales de ML y DL, hacia la detección de fallos en rodamientos, simulando datos que corresponden a entornos industriales ruidosos. Se aplican diversos métodos de preprocesamiento para estudiar el rendimiento de diferentes métodos de entrenamiento desde la perspectiva de extracción de características. Estos métodos de extracción de características incluyen características estadísticas en el análisis en el dominio del tiempo (TDA); descomposición de paquetes de wavelet (WPD); transformada continua de wavelet (CWT); y conversión de señal a imagen (SIC), utilizando señales de vibración en bruto adquiridas bajo condiciones de carga variables. Se examina y comenta exhaustivamente el efecto del ruido. Finalmente, el documento proporciona prácticas acumuladas habituales en el sentido de métodos de preprocesamiento preferidos y modelos de entrenamiento bajo diferentes condiciones de carga y ruido.
Descripción
Dado que el campo del diagnóstico de fallos en máquinas eléctricas ha atraído significativamente el interés de la comunidad investigadora en los últimos años, han surgido varios métodos en la literatura. Además, las señales de datos en bruto se pueden adquirir fácilmente hoy en día, y, por lo tanto, el aprendizaje automático (ML) y el aprendizaje profundo (DL) son herramientas candidatas para un diagnóstico efectivo. Al mismo tiempo, una tarea desafiante es identificar la presencia y el tipo de un fallo en los rodamientos en condiciones ruidosas, especialmente cuando los fallos relevantes están en su etapa incipiente. Dado que, en aplicaciones del mundo real y especialmente en procesos industriales, las máquinas eléctricas operan en entornos constantemente ruidosos, una clave para un enfoque efectivo radica en la etapa de preprocesamiento adoptada. En este trabajo, se lleva a cabo un estudio de evaluación para encontrar las técnicas de preprocesamiento de señales más adecuadas y el modelo más efectivo para el diagnóstico de fallos de 16 condiciones/clases, desde una perspectiva de baja carga de trabajo (carga computacional) utilizando un conjunto de datos bien conocido. Más específicamente, se investiga aquí la fiabilidad y resiliencia de los modelos convencionales de ML y DL, hacia la detección de fallos en rodamientos, simulando datos que corresponden a entornos industriales ruidosos. Se aplican diversos métodos de preprocesamiento para estudiar el rendimiento de diferentes métodos de entrenamiento desde la perspectiva de extracción de características. Estos métodos de extracción de características incluyen características estadísticas en el análisis en el dominio del tiempo (TDA); descomposición de paquetes de wavelet (WPD); transformada continua de wavelet (CWT); y conversión de señal a imagen (SIC), utilizando señales de vibración en bruto adquiridas bajo condiciones de carga variables. Se examina y comenta exhaustivamente el efecto del ruido. Finalmente, el documento proporciona prácticas acumuladas habituales en el sentido de métodos de preprocesamiento preferidos y modelos de entrenamiento bajo diferentes condiciones de carga y ruido.