Neural bearing faults classifier using inputs based on Fourier and wavelet packet transforms

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.In this paper one method for bearings diagnosis is proposed and evaluated. This method use signal pattern recognition from mechanical vibrations. Wavelet and Fourier transforms are used for pre-processing the signal and an Artificial Neural Network (ANN) is used as a classifier. Analysis of variance (ANOVA) is used for evaluating the ANN inputs. ANOVA is performed to compare the effect of the factors: speed, load, outer race fault and rolling element fault on each of the parameters proposed as inputs of the ANN, looking for the best parameters for classifying the faults. About 2000 ANN structures were trained in order to find the most appropriate classifier. The results show that the average of success in classifying was 88,5 % for the scaled conjugate gradient algorithm (trainscg), while the Levenberg Marquardt algorithm (trainlm) presented 91,8%. Besides, it was possible to achieve 100 % of success in classifying in 7 cases