Resumen
Los reductores son ampliamente utilizados en procesos industriales como sistemas de transmisión de potencia mecánica. Entonces, las fallas de la caja de cambios pueden afectar otras partes del sistema y producir pérdidas económicas. La detección temprana de los posibles modos de falla y la evaluación de su severidad en tales dispositivos es un importante campo de investigación. Los enfoques basados en datos generalmente requieren un desarrollo exhaustivo de canalizaciones, incluida la optimización de parámetros de modelos y la selección de funciones. Este documento aprovecha las herramientas recientes de Auto Machine Learning (AutoML) para proponer la selección adecuada de características y modelos para tres modos de falla con diferentes niveles de gravedad: diente roto, picaduras y grietas. El rendimiento de 64 indicadores estadísticos de condición (SCI) extraídos de las señales de vibración en los tres modos de falla fue analizado por dos sistemas AutoML, a saber, la plataforma H2O Driverless AI y TPOT, los cuales incluyen ingeniería de características y mecanismos de selección de características. En ambos casos, los sistemas convergieron en diferentes tipos de métodos de árboles de decisión, con conjuntos de modelos XGBoost preferidos por H2O mientras que TPOT generó diferentes tipos de modelos apilados. Los modelos producidos por ambos sistemas lograron desempeños muy altos y prácticamente equivalentes en todos los problemas. Ambos sistemas de AutoML convergieron en canalizaciones que se centran en subconjuntos de características muy similares en todos los problemas, lo que indica que varios problemas en este dominio se pueden resolver con un conjunto bastante pequeño de 10 características comunes, con una precisión de hasta el 90 %. Este último resultado es importante en la investigación de la selección de características útiles para el diagnóstico de fallas de la caja de cambios.
Título traducido de la contribución | Automl para selección de funciones y ajuste de modelos aplicado al diagnóstico de gravedad de fallas en cajas de engranajes rectos |
---|---|
Idioma original | Inglés estadounidense |
Páginas (desde-hasta) | 2297-8747 |
Número de páginas | 6451 |
Publicación | Mathematical and Computational Applications |
Volumen | 27 |
N.º | 27 |
DOI | |
Estado | Publicada - 21 mar. 2022 |
Palabras clave
- Automl
- Fault severity assessment
- Feature selection
- Gearboxes
- Xgboost classifiers
Areas de Conocimiento del CACES
- 116A Computación