Clasificador neuronal de fallos en rodamientos utilizando entradas basadas en transformadas wavelet packet y de Fourier

RESUMEN: 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.

• Autores: Moreno, Ricardo E.
• Tipo de recurso: Article of investigation
• Fecha de publicación: 2013
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/5434
• Acceso en línea: http://hdl.handle.net/10495/5434
• Palabra clave: Transformada de Wavelet; Transformada de Fourier; Vibraciones - Ingeniería; Rodamientos
• Rights: openAccess
• License: Atribución-NoComercial-CompartirIgual 2.5 Colombia (CC BY-NC-SA 2.5 CO)