Traducido del inglés al español - www.onlinedoctranslator.

com

Energías Renovables 191 (2022) 987mi997

Listas de contenidos disponibles enCienciaDirecta

Energía renovable
revista Página de inicio:www.elsevier.com/locate/renene

Un marco de extracción de características y aprendizaje automático para el diagnóstico de fallas de

rodamientos

Bodi Cuia,1, Yang Wengb,*, Ning ZhangC,*

aEscuela de Ingeniería Mecánica, Universidad Oceánica de Jiangsu, Lianyungang, 222005, China
bEscuela de Ingeniería Eléctrica, Informática y Energética, Universidad Estatal de Arizona, Tempe, AZ, EE. UU.
CState Key Laboratory of Power Systems, Departamento de Ingeniería Eléctrica, Universidad de Tsinghua, Beijing, 100084, China

información del artículo resumen

Historial del artículo: La generación de energía eólica ha sido ampliamente adoptada debido a su naturaleza renovable y al costo de capital decreciente por kW. Sin embargo, los equipos existentes envejecen
Recibido el 12 de abril de 2021 rápidamente, lo que lleva a mayores tasas de fallas, mayores costos de operación y mantenimiento y empeoramiento de las condiciones de seguridad, lo que exige un mejor monitoreo de
Recibido en forma revisada el 23
condiciones y diagnóstico de fallas para las turbinas eólicas. Los métodos anteriores utilizan modelos físicos, pero solo tienen éxito en entornos de laboratorio. A medida que hay más datos
de enero de 2022
disponibles, existen métodos que aplican el aprendizaje automático sin una discriminación cuidadosa, lo que conduce a una baja precisión. Para resolver este problema, primero este
Aceptado el 10 de abril de 2022 Disponible
documento propone llevar a cabo un aprendizaje no supervisado para comprender las propiedades de los datos, por ejemplo, la densidad estructural. Posteriormente, se realiza el análisis
en Internet el 14 de abril de 2022
de sensibilidad para extraer las características significativas y evitar el sobreajuste. La sensibilidad de varias características que son características de los rodamientos de turbinas eólicas

puede variar significativamente en diferentes condiciones de trabajo. Durante dicho proceso, las propiedades por partes se estudian para mejorar el aprendizaje supervisado. Al combinar las
Términos del Índice:
propiedades de los datos y la regresión, se propone un algoritmo de aprendizaje de tres etapas para refinar y aprender la información más útil para el diagnóstico de fallas en los cojinetes
Diagnóstico de fallas de rodamientos
de las turbinas. El marco propuesto se valida mediante el uso de datos reales de conjuntos de datos diversificados para señales de vibración no estacionarias de rodamientos. Se propone un
Extracción de características

Aprendizaje automático algoritmo de aprendizaje de tres etapas para refinar y aprender la información más útil para el diagnóstico de fallas en los cojinetes de la turbina. El marco propuesto se valida mediante el

Señales no estacionarias uso de datos reales de conjuntos de datos diversificados para señales de vibración no estacionarias de rodamientos. Se propone un algoritmo de aprendizaje de tres etapas para refinar y

Análisis de tiempo-frecuencia aprender la información más útil para el diagnóstico de fallas en los cojinetes de la turbina. El marco propuesto se valida mediante el uso de datos reales de conjuntos de datos diversificados

para señales de vibración no estacionarias de rodamientos.

©2022 Los Autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo CC BY-NC-ND
licencia (http://creativecommons.org/licenses/by-nc-nd/4.0/).

1. Introducción instalaciones existentes. Los generadores eólicos se montan en la parte superior

La energía eólica ha sido ampliamente reconocida como uno de los
recursos energéticos distribuidos más eficientes, económicos y respetuosos
con el medio ambiente. Por tales razones, la capacidad de energía eólica
instalada ha aumentado sustancialmente durante la última década. La
capacidad mundial de energía eólica alcanzó los 650 GW a fines de 2019.
Solo China ha instalado más de 200 GW y duplicará ese número para 2030 [1
]. Aunque la energía eólica no es actualmente la fuente de energía más
grande, tiene la mayor cantidad de generadores en el sistema eléctrico ya
que la capacidad de cada generador eólico es mucho menor que la de los
generadores térmicos e hidroeléctricos.2]. Con la instalación continua, los
generadores eólicos obsoletos presentan desafíos cada vez mayores para la
operación sostenible y el mantenimiento económico (O&M) de
* Autores correspondientes.
Correos electrónicos:cui_bodi@jou.edu.cn (B.Cui),yang.weng@asu.edu (Y. Weng),
ningzhang@tsinghua.edu.cn (N. Zhang).
1Este trabajo se realizó cuando estaba en la Universidad Estatal de Arizona como académico
visitante.
de torres altas con carcasas cerradas, lo que evita el monitoreo y diagnóstico
manual. Por lo tanto, a diferencia de los paneles solares, la mayor incertidumbre
con respecto al mecanismo de rotación desestabiliza los ingresos y crea un gran
costo de operación y mantenimiento. Por ejemplo [3], muestra una reducción
potencial del 30 % en los costos de O&M en entornos offshore si se pueden
implementar mejores algoritmos de diagnóstico. Este potencial lleva a un fuerte
interés en optimizar las estrategias de O&M tanto en la industria como en la
academia.
Los costos de operación y mantenimiento son más críticos para las turbinas
eólicas (WT) que para otros generadores porque el mal funcionamiento
correspondiente es mucho más complejo.4]. Las razones son las siguientes: 1) Las
turbinas operan continuamente los siete días de la semana, las 24 horas del día; 2)
Hay muchas máquinas rotativas que no pueden funcionar sin mantenimiento,
incluso con un diseño perfecto; comparativamente, los paneles solares no incluyen
componentes giratorios y pueden alcanzar una condición libre de mantenimiento
si se diseñan cuidadosamente; y 3) Los aerogeneradores están expuestos
directamente al medio ambiente, donde la velocidad del viento es variable,
introduciendo así cargas mecánicas variables, que añaden mayor tensión a las
partes mecánicas. Tal dilema lleva al hecho de que algunos WT pueden fallar, a
veces con frecuencia.

https://doi.org/10.1016/j.renene.2022.04.061
0960-1481/©2022 Los Autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
B. Cui, Y. Weng y N. Zhang
Para reducir la tasa de fallas, es crucial aplicar técnicas de monitoreo de
condición (CM) confiables y rentables para que la mejor intervención de
mantenimiento pueda determinarse a tiempo para permitir que la máquina vuelva
a funcionar lo antes posible [5,6]. Además, el CM mejorado conduce a una mejor
comprensión de las deficiencias del diseño, que se pueden utilizar para mejorar el
diseño del WT [7]. Para este propósito, los sistemas CM se instalan cada vez más.
Investigaciones anteriores muestran un gran potencial de beneficio económico. Se
ha demostrado que tales ganancias son sustanciales y dependen en gran medida
de la tasa de detección de fallas [8,9]. Por lo tanto, los sistemas CM crecieron del
25 % en 2012 al 36,1 % en 2015. El propósito clave de CM es monitorear e
identificar fallas en los cojinetes de las turbinas eólicas. Por ejemplo, la caja de
cambios y el generador se estudian debido al alto porcentaje de reemplazo
durante la vida útil del parque eólico y al considerable tiempo de inactividad del
equipo, lo que lleva a una pérdida de producción sustancial. Estudios recientes
muestran que los rodamientos causan aproximadamente el 70 % del tiempo de
inactividad de la caja de cambios y el 21 %mi70% del tiempo de inactividad del
generador [10].
Además, el mantenimiento correctivo o preventivo es ineficiente para evitar
estas tasas de falla. El mantenimiento correctivo solo se realiza después de que se
ha producido el mal funcionamiento, por lo que no podría evitar ninguna falla. El
mantenimiento preventivo es una forma basada en el tiempo que enfrenta dos
desafíos principales: mantenimiento insuficiente y excesivo. En otras palabras, los
desafíos son que el desempeño del sistema no se monitorea de manera efectiva,
lo que resulta en fallas inesperadas, o hay un número excesivo de actividades de
mantenimiento, lo que genera un desperdicio de recursos. Por lo tanto, es crucial
usar el mantenimiento basado en la condición de los rodamientos y desarrollar
métodos que puedan usarse para diagnosticar fallas de manera temprana. En
general, el diagnóstico de rodamientos es un campo de investigación bien
reconocido; sin embargo, este no es el caso de máquinas que funcionan bajo
cargas no estacionarias, como las turbinas eólicas [11,12]. En el caso de una carga/
velocidad variable, las señales vibratorias generadas por los rodamientos se ven
afectadas por factores operativos, lo que dificulta el diagnóstico [13mi15]. Estas
dificultades surgen de la variación en las características de diagnóstico basadas en
la vibración causadas principalmente por la variación de carga/velocidad (factores
de operación), la baja energía de las características buscadas y los bajos niveles de
señal a ruido.dieciséis,17]. El análisis de la señal del cojinete principal es aún más
difícil debido a la velocidad de rotación muy baja del eje principal.
En los últimos años, los enfoques de aprendizaje automático (ML), como la
máquina de vectores de soporte (SVM), las redes neuronales artificiales (ANN) y las
redes neuronales profundas (DNN), se han empleado ampliamente para resolver
los complejos problemas no lineales y de incertidumbre en varias disciplinas. . Las
aplicaciones exitosas de ML relacionadas con la industria de la energía eólica se
pueden encontrar en muchos estudios recientes [18mi20]. Estas investigaciones se
pueden dividir en cuatro categorías generales: predicción, optimización del
diseño, control óptimo y detección de fallas.21]. La predicción de parámetros
importantes de la generación de energía eólica basada en ML, como la velocidad
del viento y la potencia del viento, ha sido objeto de una extensa investigación [22
mi24]. Se ha investigado mucho sobre la implementación de ML para mejorar el
diseño de los sistemas de energía eólica, como el diseño de turbinas eólicas y el
diseño de parques eólicos [25]. Al mismo tiempo, las tecnologías ML muestran
estrategias sostenibles en el campo del control, y se muestran en investigaciones
relacionadas sobre el control de seguimiento de potencia máxima [26], control de
ángulo de inclinación [27], control de velocidad [28] y así sucesivamente durante el
proceso de generación de energía eólica. La investigación sobre el diagnóstico de
fallas de la energía eólica usando ML también ha recibido una atención continua y
generalizada. Leahy et al. diagnosticó y predijo las fallas del generador de turbinas
eólicas a partir de datos SCADA utilizando máquinas de vectores de soporte [29].
También se encontró un alto recuerdo y una baja precisión para los casos de
diagnóstico y pronóstico. Tang et al. construyó un clasificador para identificar
engranajes, cojinetes, ejes y fallas generales de transmisión basado en el
aprendizaje múltiple y las máquinas de vectores de soporte de Shannon Wavelet [
30]. Un SVM estándar con un kernel de función de base radial obtuvo una
precisión del 76%. Jiang et al. propuso las redes neuronales convolucionales
multiescala para el diagnóstico de fallas del viento
988
Energías Renovables 191 (2022) 987mi997
caja de cambios de turbina [31]. Se propusieron varios estudios para detectar fallas en las
palas de las turbinas eólicas (como grietas, erosión y giros del ángulo de inclinación)
utilizando ML [32].
Para este trabajo, el enfoque es estudiar el diagnóstico de fallas de rodamientos de
aerogeneradores en energía eólica. Schlechtingen et al. predijo la falla de los cojinetes de
los generadores de turbinas eólicas mediante el análisis comparativo de la red neuronal y
la regresión utilizando los datos de la temperatura de los cojinetes [33]. Descubrieron
que los enfoques NN no lineales superan a los modelos de regresión. Bangalore et al.
usó un enfoque de red neuronal artificial para predecir la falla temprana en el cojinete de
una caja de engranajes planetarios en una turbina eólica mediante la medición de la
temperatura del cojinete [34]. Llevaron a cabo estudios de casos en los que su método
predice una falla en el cojinete de la caja de engranajes una semana antes de que lo
indique el sistema de monitoreo de condición basado en vibraciones. Bach-Andersen et
al. use redes neuronales convolucionales para clasificar datos de vibración etiquetados
por expertos que contengan fallas de rodamientos principales (rotor, etapa planetaria y
fallas de rodamientos de etapa helicoidal) [35]. Encuentran que el enfoque de CNN
profundo logra un mejor rendimiento en los datos de prueba que un clasificador logístico
o un perceptrón multicapa poco profundo.
En este trabajo, se propone un enfoque para diagnosticar los rodamientos utilizados en turbinas eólicas basado
en un marco de ML personalizado. Para un diseño de este tipo, primero se observa que el viento se caracteriza por su
velocidad y dirección, que se ven afectadas por varios factores, por ejemplo, ubicación geográfica, características
climáticas, altura sobre el suelo y topografía de la superficie. Por ejemplo, las turbinas eólicas interactúan con el viento,
capturando una parte de su energía cinética y convirtiéndola en energía utilizable. Por lo tanto, el modelado se
personaliza con estos factores para mejorar el conocimiento. En el proceso de diagnóstico de fallas, la selección de
parámetros característicos influye significativamente en la precisión del diagnóstico. De este modo, se presenta un
método sistemático para evaluar la precisión de predicción de cada característica para encontrar la combinación más
efectiva para el diagnóstico de fallas de los rodamientos de turbinas eólicas basado en el análisis de componentes de
vecindad (NCA). En este trabajo se utilizan varias características estadísticas a partir de diferencias de categoría
notables en el dominio del tiempo, el dominio de la frecuencia y la frecuencia del tiempo. Para este propósito, se
introducen los parámetros de característica de dominio híbrido definidos en múltiples dominios para describir el
estado del rodamiento. Además, el diagnóstico de fallas de los cojinetes de los aerogeneradores se realiza en base al
análisis de tiempo-frecuencia y un método de aprendizaje supervisado. Para este propósito, se introducen los
parámetros de característica de dominio híbrido definidos en múltiples dominios para describir el estado del
rodamiento. Además, el diagnóstico de fallas de los cojinetes de los aerogeneradores se realiza en base al análisis de
tiempo-frecuencia y un método de aprendizaje supervisado. Para este propósito, se introducen los parámetros de
característica de dominio híbrido definidos en múltiples dominios para describir el estado del rodamiento. Además, el
diagnóstico de fallas de los cojinetes de los aerogeneradores se realiza en base al análisis de tiempo-frecuencia y un
método de aprendizaje supervisado.
Para demostrar el rendimiento, el método propuesto se valida en diferentes
conjuntos de datos y condiciones. Los resultados experimentales demuestran que
el método propuesto puede extraer con eficacia características útiles de manera
precisa y eficiente para señales de cojinetes vibratorios no estacionarios. Además,
la precisión del diagnóstico de fallas es significativamente mayor que la de los
métodos anteriores.
El documento restante está organizado de la siguiente manera. SecciónYo
analiza los impactos de las condiciones de trabajo en los cojinetes de las turbinas
eólicas. Seccióntercerorealiza la selección y extracción de características basadas
en datos en función del análisis de componentes de vecindad. SecciónIVdesarrolla
un método de diagnóstico de fallas en rodamientos usando ML. SecciónVlleva a
cabo experimentos para la validación numérica. SecciónVIcompara el rendimiento
entre el método propuesto y el método basado en regresión. SecciónVIIconcluye
el documento.
2. Impactos de las condiciones de trabajo en los cojinetes de las turbinas eólicas
Las turbinas eólicas (WT) están expuestas a un entorno variable y funcionan
las 24 horas del día, los 7 días de la semana y experimentan cambios rápidos de
temperatura, presión del aire, cizalladura del viento, velocidad del viento y carga
total. Debido a estas variaciones, los cojinetes de las turbinas eólicas se someten a
cargas que cambian continuamente. Por lo tanto, primero se estudian las
características de las condiciones de trabajo de los cojinetes de las turbinas eólicas
para comprender las causas de las fallas en los cojinetes. Las observaciones se
incorporarán posteriormente a nuestro conjunto de funciones.
B. Cui, Y. Weng y N. Zhang
2.1. Efecto de la carga mecánica no estacionaria
Las cargas mecánicas provocan daños por fatiga en varias partes de los
rodamientos de los aerogeneradores, lo que reduce la vida útil del sistema.
Hay dos tipos de cargas mecánicas: estáticas y dinámicas. Las cargas
estáticas resultan de la velocidad media del viento y determinan el nivel
absoluto de carga mecánica. Las cargas dinámicas, inducidas por
turbulencias y ráfagas, están más relacionadas con el daño por fatiga.
1)Velocidad media del viento:La velocidad media del viento determina la carga de
trabajo básica de un aerogenerador. Esta velocidad se cuantifica por la media
horaria de las velocidades del viento. También se utiliza para determinar la
viabilidad económica de un proyecto de energía eólica. La distribución de
probabilidad de la velocidad media del viento se predice a partir de
mediciones recopiladas durante varios años. La distribución del viento
obtenida experimentalmente se puede aproximar mediante una distribución
de Weibull dada por
-- k
-- k-1 -Vm
k C
mi ; (1)
Vmetro
pagsdVmetro¼
C C
dóndekyCson los coeficientes de forma y escala, respectivamente. Estos
coeficientes se ajustan para que coincidan con los datos de viento en un sitio en
particular. La función de probabilidad de Weibull revela que rara vez ocurren
grandes velocidades del viento, mientras que los vientos moderados son más
frecuentes.
2)Turbulencia:La turbulencia incluye todas las fluctuaciones de la velocidad del viento con
frecuencias por encima de la brecha espectral. Por lo tanto, la turbulencia contiene
todos los componentes en el rango de segundos a minutos.
En general, la turbulencia ejerce un impacto menor en la captura anual de
energía. Sin embargo, tiene un gran impacto en las cargas aerodinámicas y la
calidad de la energía.
2.2. Efecto de la ubicación del parque eólico
Las características del campo de viento ejercen un impacto
importante en el tipo de falla de los cojinetes de la turbina eólica. Los
parques eólicos se dividen principalmente en parques eólicos marinos y
parques eólicos terrestres desde el punto de vista del campo eólico. El
terreno, incluso en ausencia de obstáculos, produce fuerzas de fricción
que retrasan los vientos en las capas inferiores, lo que produce
cizalladura del viento. Este efecto es más importante a cotas más bajas
y cuando el terreno es complejo. La cizalladura del viento desequilibra
el aerogenerador y hace que el sistema de transmisión se dañe más
fácilmente. Comparativamente, el problema no es tan obvio para los
parques eólicos marinos, ya que el nivel del mar es generalmente plano
y el viento encuentra mucha menos resistencia. Además, la frecuencia
del cambio de viento en el mar es menor que en la tierra, y por lo tanto,
La cizalladura de la velocidad del viento es una función de la altura. Se han
propuesto diferentes modelos matemáticos para describir la cizalladura del
viento, y un modelo es la ley logarítmica de Prandtl [36].
endz=zÞ
VmetrodzÞ 0
¼ . ; (2)
VmetrodzárbitroÞ
endzárbitroz0Þ
dóndezes la altura sobre el nivel del suelo,zárbitroes la altura de referencia
(generalmente 10 m) yz0es la longitud de la rugosidad. Por lo tanto, la discusión
en esta sección se usa para construir el conjunto de funciones para la selección de
funciones en la siguiente sección.
989
Energías Renovables 191 (2022) 987mi997
2.3. Tipos e impactos de las fallas de los rodamientos
De acuerdo con las características de las señales de vibración durante la
operación, las fallas de los rodamientos se pueden dividir principalmente en dos
categorías: fallas por daño superficial y fallas por desgaste.
1)Fallas de daños superficiales:Durante el funcionamiento del rodamiento, la bola
rodante, la pista exterior y la pista interior, todos están sujetos a la acción de
cargas pulsantes periódicas, lo que da como resultado una tensión de
contacto que cambia cíclicamente. Cuando el número de ciclos de tensión
alcanza un cierto valor, se produce daño por fatiga en la bola rodante o en las
superficies de trabajo de la pista interior y exterior. Este fenómeno causado
por la carga de impacto y la tensión alterna, también conocido como falla por
fatiga del rodamiento, es la principal causa de fallas en los rodamientos.
Cuando se produce una falla por fatiga del rodamiento, se generarán cargas
de choque, vibraciones y ruidos significativos.
Para los cojinetes de las turbinas eólicas, este tipo de falla por fatiga se
agrava aún más debido a las cargas no estacionarias no lineales e inciertas,
especialmente las cargas de choque repentinas. Cuando dichas fallas no se
detectan en una etapa temprana, el daño en la superficie aumentará aún
más, lo que provocará la invalidez total del rodamiento e incluso accidentes
en el equipo. Por lo tanto, es importante diagnosticar la falla por fatiga de
los rodamientos.
2)Desgaste defectos:En el uso normal del rodamiento, la fricción entre las
bolas del rodamiento, la pista exterior y la interior dará lugar a la
aparición de fallas por desgaste. Este tipo de fallo suele tardar mucho en
producirse porque es un proceso gradual. En general, las fallas por
desgaste no causarán daños en los rodamientos de inmediato, y el grado
de daño es mucho menor que las fallas por daños en la superficie.
3. Selección de parámetros de funciones para mejorar la precisión del
diagnóstico
La selección de características es un componente crítico en el flujo de trabajo
de datos porque los datos de alta dimensión pueden degradar el rendimiento del
modelo [37]. Por ejemplo, el tiempo de entrenamiento puede aumentar
exponencialmente con numerosas funciones, lo que también provoca problemas
de sobreajuste. Los métodos de selección de características ayudan con estos
problemas al reducir las dimensiones sin mucha pérdida de la información total.
Este enfoque también ayuda a dar sentido a las características y su importancia.
Los métodos de selección de características ayudan a crear un modelo predictivo
preciso al elegir características que producirán una precisión buena o mejor al
mismo tiempo que requieren menos datos.38].
La selección de características es el proceso de seleccionar un subconjunto de características
relevantes para su uso en la construcción del modelo. Dado un conjunto de características
X¼ fX1; , , , ;Xnortegramo; (3)
el problema de selección de características es encontrar un subconjunto de
X02X (4)
que maximiza la precisión de clasificación en un conjunto de prueba invisible,
donde
X0¼ fXi;…;X
1
i gramo;N-M: (5)
METRO
Por lo general, elX0maximizar algunas funciones de puntuación. Cabe señalar que
la selección de características es diferente de la reducción de dimensionalidad.
Ambos métodos buscan reducir la cantidad de atributos en el conjunto de datos,
pero un método de reducción de dimensionalidad lo hace creando nuevas
combinaciones de atributos, mientras que los métodos de selección de
características incluyen y excluyen atributos presentes en los datos sin cambiarlos.
B. Cui, Y. Weng y N. Zhang Energías Renovables 191 (2022) 987mi997

3.1. Parámetros de características utilizados para describir el estado de los rodamientos tabla 1
Parámetros de características.

Los algoritmos estadísticos se utilizan para analizar las señales de Dominio del tiempo Frecuencia-
tiempo de los sensores de vibración. El enfoque empleado implica calcular parámetros de características característica de dominio

parámetros
valores estadísticos para un análisis de tendencias y aprender más sobre la
forma de la señal de vibración. Se supone que las señales de vibración FC¼ PAGSH
Xmáximo¼máx(xi)
PAGSnorte pags5¼PAGSk¼1FksdkÞ
tomadas de los rodamientos intactos se distribuyen normalmente, ya que H
¼1X dnorteÞXdnorteÞ
k¼1sdkÞ
nortePAGS

los elementos rodantes y las superficies generarán pulsos sónicos de forma 2pagsnorte
norte¼1XdnorteÞ2

aleatoria. Si comienza a desarrollarse una falla en el rodamiento, se pueden Xpáginas¼máx(xi) -martai) FEM¼ pags
¼
PAGSnorte s6 ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
PAGSH
2
encontrar pulsos sónicos con mayor energía (picos) en las señales de norte¼1X
PAGS
dnorteÞ2
k¼1dFk- pags5ÞsdkÞ
2
H
norte

vibración. La presencia de esos picos se puede identificar con los algoritmos 4pags2 1XdnorteÞ

1X
rffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ffiffiffiffiffiffiffiffiffiffi norte¼ vffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff

de análisis estadístico como se describe a continuación. Por lo tanto, estos FRMS FS arriba
tu 2
H FksdkÞ
X2i tk¼1
pffiffiffiffiffiffiffiffiffi ¼
¼
norte
METRO

Xvalor eficaz
i¼1 pags7 ¼ PAGSH
algoritmos estadísticos proporcionan una medida absoluta de la condición
norte
k¼1sdkÞ
arriba
del rodamiento respectivo; no se requiere una fase de entrenamiento para 1 Xnorte FV ¼FEM- dFCÞ 2
tu H
X¼ X k¼1Fk4sdkÞ
aprender los valores de referencia, que corresponden a una condición libre norte i¼1i pags8 ¼ tPH 2
k¼1FksdkÞ
de fallas del componente. Las desventajas de estos algoritmos incluyen la
SF ¼
Xvalor eficaz PAGSHsdkÞ pags9 ¼
k¼1
selectividad relativamente baja, lo que significa que un cambio en el valor no 1Xnorte pags1 ¼ PAGSH
2
j Xj H
indica un determinado componente defectuoso de un rodamiento, por norte
i¼1i ff ffiffiffi fsdkÞ
q ffiffiffiffiffiffiffiffiffiffiffiffiffikfiffi¼1 kuffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff
ffiffiffiffi
PAGSH PAGSH
k¼1sdkÞ k¼1F4ksdkÞ
ejemplo, la superficie del anillo interior.
yoF¼ 1X
Xmáximo ¼ ¼
pags6

Las diversas características estadísticas se utilizan en este estudio a

pags2
pags10
PAGSH
2
j Xj
norte pags5
k¼1dsdkÞ -pags1Þ
partir de diferencias de categoría notables en las características de dominio i¼1 i
norte
H-1
de tiempo, dominio de frecuencia y frecuencia de tiempo. Por ejemplo, los Xmáximo pags3¼ ¼
CLF ¼ pags11

parámetros de característica de dominio híbrido definidos en múltiples

1Xnortepffiffiffiffiffiffiffiffi PAGSH
Þ3 PAGSH
3
dkÞ
j i¼1
jXijj2 k¼1dsdkÞ -pags1 k¼1dF k- pags5Þs

dominios se introducen para describir el estado del rodamiento.

norte pffiffiffiffiffi
Hdpags2Þ3 6
caballos de fuerza3

1Xnorte pags4¼ pags12¼

dx-xÞ
i 4
i¼1 PAGSH PAGSH

1)Parámetros de características en el dominio del tiempo:El factor de cresta Ck ¼ norte

k¼1dsdkÞ -pags
1Þ
4 k¼1dF k- pags5Þ4sdkÞ
X4
tiene un valor de aproximadamente 3 para una señal normalmente
valor eficaz

2Þ2
Hdpags AF46
Xmáximo
distribuida ideal. La razón, el valor máximo en una señal distribuida FC¼
Xvalor eficaz

normalmente (el llamado ruido blanco) es casi 3s,mientras que la raíz dóndeXies una serie de señales paranorte¼1, 2, dondes (k)es un espectro parak¼1, 2,…,H;
cuadrática media (RMS) es 1s.Si se está desarrollando una falla en un …,NORTE; nortees el número de puntos de H es el número de líneas de espectro; yFkes el
datos. valor de la frecuencia de lakª línea de espectro.
rodamiento, aumentan las amplitudes de los picos y, por lo tanto, el
valor máximo de la señal. En una aparición temprana de la condición
defectuosa, el valor RMS no se verá afectado ya que la energía del pico
es pequeña en relación con la energía total de la señal. Por lo tanto, el
valor RMS no cambia significativamente y el factor de cresta aumenta. La
detección de fallas y la generación de alarmas del sistema de monitoreo
de condición (CMS) se realizan mediante análisis de tendencias del factor
de cresta. Aunque el cálculo de los valores estadísticos de las señales
vibratorias es independiente del tiempo de medición, debe medirse una
ventana de tiempo adecuada, por ejemplo, 1 s. En cualquier caso, el
tiempo de medición debe ser un múltiplo de la frecuencia de la red (20
ms en Europa) porque esto ayudará a eliminar las distorsiones de la
señal relacionadas con los efectos EMC de la red.
2)Parámetros de características de dominio de frecuencia:Los valores de energía
de los componentes de la función de modo intrínseco (IMF) se obtienen de las
señales de aceleración de vibración de los datos del rodamiento. Para evaluar
de manera efectiva las diferentes ubicaciones de fallas y los diferentes grados
de degradación del rendimiento de un rodamiento con un índice de
evaluación unificado, se adopta un método de evaluación de estado basado en
la distancia de compensación relativa de múltiples características de dominio y
la incrustación lineal local [39]. Las funciones de dominio de tiempo, dominio
de frecuencia y frecuencia de tiempo se enumeran entabla 1, y Figura 1es una
visualización de cuatro parámetros en la tabla. Figura 1.Ponderaciones de características para la clasificación.

Considere un problema de clasificación multiclase con un conjunto de entrenamiento que

3.2. Análisis de componentes de vecindario (NCA) para la selección de características
contienenorteobservaciones

El análisis de componentes de vecindario (NCA) es un método integrado y no

paramétrico para seleccionar características con el objetivo de maximizar la S¼ fðXi;yiÞ;i¼1; 2;…;nortegramo; (6)
precisión de predicción de los algoritmos de regresión y clasificación. El método
de selección de características NCA con regularización aprende pesos de dóndeXi2Rpagsson los vectores de características,yi2 {1, 2,…,C}son las etiquetas de
características para la minimización de una función objetivo que mide la clase, yCes el número de clases. El objetivo es aprender un clasificador. f :Rpags/F1;
clasificación promedio de exclusión o la pérdida de regresión sobre los datos de 2;…;Cgramoque acepta un vector de características y hace una predicciónf(x)de la
entrenamiento. En este trabajo, el método NCA se utiliza para seleccionar los verdadera etiquetay.
parámetros característicos para la clasificación de fallas de rodamiento. Considere un clasificador aleatorio que

990
B. Cui, Y. Weng y N. Zhang Energías Renovables 191 (2022) 987mi997

elige aleatoriamente un punto, Ref(X),deS,como el "punto de referencia" para 2 3

Xy 1Xnorte Xnorte Xpags
w2r¼ 4 yo yo- yo
py w2r 5
etiquetasXutilizando la etiqueta del punto de referencia Ref(X). norte i¼1 j¼1;jsi r¼1
|fflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflffl{zfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflffl}

Este esquema es similar al de un clasificador de 1 vecino más cercano 1Xnorte

(NN), donde el punto de referencia se elige para que sea el vecino más FidwÞ¼ FdwÞ;
i¼1 i
(dieciséis)
norte
cercano del nuevo punto.X.En NCA, el punto de referencia se elige al azar, y
todos los puntos enStienen alguna probabilidad de ser seleccionados como dóndeyoes el parámetro de regularización. El término de regularización
punto de referencia. La probabilidadPAGS(Árbitro(X)¼Xj|S)ese puntoXjes impulsa muchos de los pesos enwa 0.
elegido deScomo punto de referencia paraXes mayor siXjestá más cerca deX Después de elegir el parámetro del kernelsenpagsyocomo 1, el vector de peso
medido por la función de distanciadw, dónde wse encuentra a través del problema de minimización para dadoyo,

Xpags 1X
dwdXi;Xj¼ w2r jX ir -j; Xjr (7) (17)
norte

r¼1 ŵ¼mínimo de argumentoFdw¼mínimo de argumento FidwÞ;

w w norte i¼1

ywrson los pesos de las características. Asumir que

dónde

PAGSdÁrbitrodX¼XjjSÞFkddwdX; XjÞÞ; (8) Fdw¼ -FdwÞ (18)

dóndekes algún kernel o una función de similitud que asume valores

Fidw¼ -FidwÞ: (19)
grandes cuandodw(x, xj) es pequeño. Dejar
PAGSnorte PAGSnorte
Tenga en cuenta que1
i¼1 j¼1;jsipagsyo¼1, y el argumento del mini-
z
norte

kdz¼Exp - : (9) mum no cambia si se agrega una constante a una función objetivo
s ción Por lo tanto, la función objetivo se reescribe sumando la constante
El punto de referencia paraXse elige deS,entonces la suma de PAGS( 1.
Árbitro(X)¼Xj|S)para todosjdebe ser igual a 1 [40]. Por lo tanto, es
posible escribir ŵ¼mínimo de argumentoF1þFdwÞg
w
8 9
kddwdXi;XjÞÞ <1Xnorte Xnorte X pags
=
PAGSdÁrbitrodX¼XjjS¼PAGSnorte : (10) ¼mínimo de argumento pagsd1
yo -yÞyoþyo w2
j¼1kddwdXi;XjÞÞ w :norte i¼1 j¼1;jsi r¼1 r;

Ahora, considere la aplicación de dejar uno fuera de este clasificador aleatorio; 8 9

<1Xnorte Xnorte Xpags =
es decir, predecir la etiqueta deXiutilizando los datos enS-i, con el conjunto de
yo iyÞ jþyo
pldy; w 2
r ;;
¼mínimo de argumento
entrenamientoSexcluyendo el punto (Xi,yi). La probabilidad de que el puntoXjes w :norte i¼1 j¼1;jsi r¼1
elegido como punto de referencia paraXies
(20)
kddwdX; XjÞÞ
pagsyo¼PAGSdÁrbitrodXi¼XjjS-i¼PAGSnorte : (11) donde la función de pérdida se define como
j¼1;jsikddwdX; XjÞÞ
1 siysiyj
La probabilidad promedio de dejar uno fuera de una clasificación yodyi;yj¼ (21)
0 de lo contrario:
correcta es la probabilidadpagsique el clasificador aleatorio clasifica
correctamente la observacióniusandoS-i: El argumento del mínimo es el vector de peso que minimiza el error
de clasificación.
X
(12)
norte

pagsi¼ PAGSdÁrbitrodX¼XjS
i j -iÞyodyi¼yjÞ
j¼1;jsi
4. Diagnóstico de fallas de rodamientos usando ML

Xnorte
¼ j¼1;jsi
pi;
ij ij (13) 4.1. métodos de aprendizaje automático

dónde ML es el proceso de construir un modelo inductivo que aprende de una cantidad

limitada de datos sin la intervención de un especialista. Este aprendizaje implica

1 si ysy
i j
encontrar un conjunto subyacente de estructuras (o patrones) que son útiles para
yyo¼yody i¼yj¼ (14)
0 de lo contrario: comprender las relaciones en los datos que pueden no ser exactamente similares a
aquellos en los que se produjo el aprendizaje. En general, ML se divide en dos categorías:
La probabilidad promedio de exclusión de uno de una clasificación correcta aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje supervisado
utilizando el clasificador aleatorio se puede escribir como predice una variable de salida utilizando datos de entrada etiquetados, mientras que el
aprendizaje no supervisado se basa en
1Xnorte
referencias de datos sin entradas etiquetadas (aquellas hechas por agrupamiento
Fdw¼ i¼1 i
pags : (15)
norte algoritmos, sistemas de recomendación, etc.). Para el aprendizaje supervisado, se

El lado derecho deF(w)depende del vector de pesow.El objetivo del puede distinguir entre modelos que predicen una variable numérica (regresión) o

análisis de componentes de vecindad es maximizarF(w)con respecto a una variable categórica (clasificadores). El aprendizaje en modelos se traduce en

w. ajustar los parámetros de un modelo a un conjunto de datos específico,

actualizándolos iterativamente con varias pasadas a través de los datos hasta que
1Xnorte Xpags se minimiza una función predefinida específica.
Fdw¼ i¼1 i -yo
pags
r¼1 En el campo de la energía eólica, tanto el aprendizaje supervisado
norte
como el aprendizaje no supervisado se han aplicado con éxito a fallas.

991
B. Cui, Y. Weng y N. Zhang Energías Renovables 191 (2022) 987mi997

detección [33mi35,41,42]. Helbing et al. revisó una selección de estudios que rffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

utilizan ANN y Deep Learning desde 2009 [18]. Descubrieron que los
enfoques supervisados a menudo pueden superar a los enfoques no
supervisados en la detección de fallas. Además, el aprendizaje supervisado
permite un diagnóstico de fallas adicional debido a los datos de entrada
etiquetados. Por lo tanto, se adoptaron algoritmos de ML supervisados que
incluyen máquina de vectores de soporte, Naive Bayes, k-vecino más
cercano y red neuronal artificial para realizar el diagnóstico de fallas de
rodamientos en la siguiente sección.
4.2. Máquina de vectores de soporte (SVM)
SVM es un método de aprendizaje computacional para la clasificación de
muestras pequeñas. Algorítmicamente, SVM construye un hiperplano de
separación óptimof(x)¼0 entre conjuntos de datos resolviendo un problema de
optimización cuadrática con restricciones basado en la minimización del riesgo
estructural (SRM) [43,44].
Xnorte
y¼FdX¼WTXþb¼
i¼1
ancho
yo xþb;
dóndeWes unNORTE-vector dimensional ybes un escalar. El hiperplano
de separación óptimo es el hiperplano de separación que crea la
distancia máxima entre el plano y los datos más cercanos. Convirtiendo
el problema de optimización con la condición de Kuhn-Tucker en el
problema de optimización cuadrático dual Lagrangiano equivalente, se
puede obtener el clasificador basado en el vector de soporte.
Xk 2:
ddXi;Xj¼ k¼1
dXidkÞ -XjdkÞÞ (27)
4.5. Redes neuronales artificiales (RNA)
Como los métodos de aprendizaje automático más populares, las
redes neuronales artificiales (ANN) simulan la función de los sistemas
nerviosos biológicos, donde una cierta cantidad de elementos simples
llamados neuronas constituyen la ANN y operan en paralelo. Este tipo
de algoritmo funciona notablemente bien para la regresión y la
clasificación al construir la relación entre las entradas y las salidas
ajustando los pesos de las conexiones entre sus elementos y sesgos.
Se emplea una red de avance de dos capas con neuronas sigmoideas
ocultas y de salida softmax para clasificar la condición de rodamiento en
este estudio. La red está entrenada con un algoritmo de aprendizaje de
retropropagación de gradiente conjugado escalado. Cuando comienza un
ciclo de entrenamiento, los datos se transforman a través de las capas de la
(22) red y asignan los valores de entrada a los valores de salida, lo que se
denomina propagación directa de la señal. Luego, la función de pérdida
evalúa las desviaciones entre los valores objetivo y de salida y ajusta
dinámicamente la matriz de peso en cada capa oculta para producir mejores
resultados. Luego la clasificación se realiza mediante la función de neuronas
de salida softmax.
4.6. Proceso de diagnóstico de fallas basado en extracción de características y ML

El diagrama de flujo del proceso de diagnóstico de fallas se muestra enFigura

4.3. Clasificador Naive Bayes 2, donde se integra el proceso de extracción/selección de características en la
figura superior y la parte ML en la figura inferior. Juntos, se logra un diagnóstico
Naive Bayes es un modelo generativo con alta eficiencia de preciso de fallas en los rodamientos.
aprendizaje y predicción, que es fácil de implementar [45]. Este método
intenta maximizar la parte posterior 5. Experimentos y discusión

PAGSdYjXÞ PAGSdYÞPAGSdXjYÞ: (23) 5.1. Datos experimentales

Siguiendo el supuesto de independencia condicional, se puede

Las validaciones numéricas se realizan ampliamente con resultados similares.
expresar como
Por ejemplo, uno de los conjuntos de datos sobre un rodamiento se obtuvo del
Centro de datos de rodamientos de la Universidad Case Western Reserve (https://
PAGSdXjY¼PAGSdX1X2;…;XnortejYÞ: (24)
engineering.case.edu/bearingdatacenter) [47]. El tipo de rodamiento es un
O equivalente rodamiento rígido de bolas SKF6205. Los sensores de aceleración se colocaron en
el asiento del cojinete en el extremo impulsor y el extremo del ventilador del
PAGSdXjY¼PAGSdX1jYÞPAGSdX2jYÞ/PAGSdXnortejYÞ: (25) motor. Las señales vibratorias fueron adquiridas

Los parametrosP(Y¼y k) (1 k kse puede obtener, donde K es con un registrador de datos de 16 canales, y la frecuencia de muestreo de la señal se

el número total de etiquetas) yP(X i¼Xi|Y¼yk) (Xies un valor de estableció en 12 kHz.

variable aleatoriaX i) a través de la estimación de máxima verosimilitud (MLE) en Este estudio intenta utilizar una pequeña cantidad de datos de muestra
para obtener el modelo de diagnóstico de fallas. Por lo tanto, se muestrea la
el conjunto de datos Cuando una nueva muestradX1;X2;…;XnorteÞTllega, su etiqueta se
señal de vibración del rodamiento y solo se utilizan 64 datos de muestra en
puede predecir como
cada condición de funcionamiento para cada modo de falla para entrenar y
Ynorte validar el modelo de diagnóstico. Dado que los rodamientos de las turbinas
y^¼ argumento máximo PAGSdY¼ykÞ
i¼1
PAGSdXi¼XijY¼ykÞ: (26)
k2F1;2;…;kgramo
eólicas están sujetos a cargas y velocidades de rotación que varían de forma
transitoria, las fallas por fatiga de los rodamientos son diversas. Para validar
la precisión y solidez del diagnóstico de fallas, al principio los datos de
prueba se recombinan en cuatro conjuntos de datos. El primer conjunto de
datos corresponde a una falla relativamente uniforme; es decir, el número
4.4. K-vecinos más cercanos (KNN) de defectos de la pista interior, la pista exterior y la bola son
sustancialmente iguales. La pista interior, la pista exterior y la falta de bola
kNN es un método de aprendizaje automático basado en instancias. Para un ocupan por separado la mayoría en los tres conjuntos de datos restantes.
conjunto de datos de prueba, el kNN calcula la distancia entre la muestra de prueba y Próximo,
todas las muestras de entrenamiento. Entonces elklos vecinos más cercanos se cuentan y
votan por la etiqueta de los datos de prueba [46]. Por ejemplo, la distancia euclidiana se 5.2. Características de los datos de las señales de falla del rodamiento
usa para calcular la distancia de muestra parakNN de la siguiente manera:
Para comprender las señales de falla de los rodamientos, las fallas se

992
B. Cui, Y. Weng y N. Zhang Energías Renovables 191 (2022) 987mi997

Fig. 3.Clasificación de rodamientos normales y defectuosos con valores pico-pico.

Figura 2.Diagrama de flujo del diagnóstico de fallas de rodamientos basado en la extracción de características y ML.

clasificados por comparaciones numéricas. Los rodamientos normales se

distinguen primero de los rodamientos defectuosos por parámetros de
características en el dominio del tiempo. La comparación pico a pico de
rodamientos normales y defectuosos se muestra enFig. 3. Se puede ver que
cuando el valor pico-pico es inferior a 0,55, el rodamiento no funciona mal. Por lo
tanto, los rumbos normales se pueden distinguir utilizando los valores pico-pico.
A continuación, se clasifican las señales de rodamientos defectuosas
restantes para determinar el tipo de falla en estos rodamientos. En este
paso, se realiza un análisis para distinguir entre fallas de bola y fallas de
pista interior/exterior. La comparación pico a pico de rodamientos normales
y defectuosos se muestra enFigura 4. Se determina que cuando el valor pico
a pico es mayor a 15, se ha producido una falla del elemento rodante;
cuando el valor pico-pico es superior a 4 e inferior a 15, se ha producido un
fallo de carrera; y cuando el valor pico a pico es inferior a 4, las dos fallas se
solapan juntas y no se pueden distinguir. Por lo tanto, los parámetros de
característica de dominio de tiempo múltiple se usan para subdividir los
datos con valores pico a pico menores que 4. Los resultados muestran que la
distinción es mejor cuando se usa el indicador pico a pico, pero todavía hay
un cojinete de falla de bola que no puede distinguirse correctamente. Figura 4.Clasificación de fallas de rodamientos de bolas y de anillos de rodadura exteriores/interiores con valores pico a pico.

A continuación, se distinguen las fallas de la carrera interna y externa. La

comparación de los valores se muestra enFigura 5. Se puede observar que De acuerdo con el análisis anterior, los parámetros pico-pico pueden distinguir

cuando el valor pico-pico está entre 2 y 8, las dos señales de falla se mezclan efectivamente entre rodamientos normales y rodamientos defectuosos; sin embargo,

y son difíciles de distinguir. Cuando el valor pico-pico se encuentra en otros cuando se clasifican los tipos de fallas de los rodamientos, los parámetros en el dominio

rangos, las dos señales de falla se pueden distinguir directamente. Por lo del tiempo no pueden clasificar correctamente todas las fallas, especialmente cuando se

tanto, los datos se subdividen con valores pico a pico entre 2 y 8. Los distinguen entre las fallas de la pista interna y externa. Por lo tanto, los métodos ML

resultados muestran que todavía hay 5 puntos de datos que están propuestos se utilizan para clasificar las fallas de los rodamientos. La validación se

mezclados y no se pueden distinguir. presenta en la siguiente sección.

993
B. Cui, Y. Weng y N. Zhang Energías Renovables 191 (2022) 987mi997

Figura 6.Comparación de la precisión del diagnóstico de fallas con diferentes métodos.

Figura 5.Clasificación de las fallas de los rodamientos de las pistas exteriores e interiores con valores pico a pico.

5.3. Clasificación de fallas en su totalidad

Para igualar los efectos de las características del campo de viento en los tipos de
fallas en los cojinetes, las señales de fallas en los cojinetes se reagrupan. En otras
palabras, se construyen tres conjuntos de señales de fallas en los rodamientos, y estos
conjuntos contienen por separado más fallas en las bolas, fallas en la pista exterior y
fallas en la pista interior. Este enfoque nos permite utilizar diferentes métodos de
diagnóstico para diferentes parques eólicos, mejorando así la relevancia y precisión del
diagnóstico. Los algoritmos de ML mencionados en la Sección 4anteriores se utilizaron
para entrenar el clasificador. Luego, los datos de los rodamientos después del proceso de
selección y extracción de características se clasifican simultáneamente en rodamientos
normales, rodamientos con fallas de bolas, rodamientos con fallas en la pista interna y
Figura 7.Comparación del tiempo de entrenamiento con diferentes métodos.
rodamientos con fallas en la carrera externa por parte del clasificador capacitado.

La tasa de clasificación de la falla del rodamiento para cada método en su
totalidad se muestra enTabla 2. La comparación de la precisión de clasificación de
fallas y el tiempo de entrenamiento con diferentes métodos se muestra enFigura 6
yFigura 7respectivamente. Tenga en cuenta que la precisión de clasificación
obtenida por el método KNN es la más alta. Nuevamente, el método KNN
entrenado con una pequeña cantidad de datos de fallas produce la mayor
precisión de clasificación del 89,4 %. Aunque el tiempo de entrenamiento del
método KNN es ligeramente superior al de los otros tres métodos, el
entrenamiento del método KNN es aún más rápido. Además, como se muestra en
Figura 6, la precisión de la clasificación mejora a medida que aumentan los datos
de entrenamiento.
Tabla 2
Tasa de clasificación de la falla del rodamiento para cada método en su totalidad.
5.4. Clasificación de fallas por pasos
En esta sección, se utilizó un método paso a paso para clasificar las fallas
de los rodamientos con ML. Es decir, el proceso se realizó con los siguientes
pasos:
Paso 1: construya un clasificador para distinguir el rodamiento normal de
todos los rodamientos. En ese momento, los rodamientos se dividían en dos
categorías, rodamientos normales y rodamientos defectuosos.
Paso 2: construya un clasificador para distinguir el cojinete de bolas defectuoso de los
cojinetes defectuosos. En ese momento, los rodamientos defectuosos se dividían en dos
categorías, rodamientos defectuosos de bolas y rodamientos defectuosos en la pista,
incluidos los rodamientos defectuosos en la pista interior y exterior.
Paso 3: construya un clasificador para distinguir el cojinete de falla de la carrera
interna de los cojinetes de falla de la carrera. En este punto, la falla del rodamiento
ha sido completamente clasificada.

Método Tasa de clasificación

La tasa de clasificación de fallas en rodamientos para cada método por pasos se
MVS 75% muestra enTabla 3. Tenga en cuenta que es fácil clasificar los rodamientos normales y los
Clasificador Naive Bayes 70,83% rodamientos defectuosos con una tasa de clasificación del 100 % para todos los métodos
KNN 87,5%
ML propuestos. Esto significa que el método propuesto funciona
ANA 83,33%

994
B. Cui, Y. Weng y N. Zhang Energías Renovables 191 (2022) 987mi997

muy bien para la detección de fallas y puede distinguir entre rodamientos
normales y defectuosos a una tasa de clasificación muy alta. La tasa de
clasificación disminuyó en la etapa del Paso 2, pero la tasa de todos los métodos
aún estaba por encima del 80%. A continuación, el rendimiento de clasificación de
los cuatro algoritmos disminuyó aún más y mostró diferencias significativas para
clasificar la falla de la carrera interna y la falla de la carrera externa. El método
KNN logró un buen desempeño con una tasa de clasificación superior al 90 % en la
etapa del Paso 3. La tasa de clasificación del método Naive Bayes es relativamente
baja, por debajo del 70%. Los resultados de la tasa promedio muestran que el
método KNN tiene el mejor rendimiento de clasificación, que es ligeramente
superior al del algoritmo ANN.
5.5. Análisis y discusión
Al comparar la precisión de la clasificación enTablas 2 y 3, muestra que el
rendimiento de clasificación de los métodos ANN y KNN se puede mejorar
utilizando el método de clasificación paso a paso. Al mismo tiempo, el
método KNN produce el mejor rendimiento de clasificación tanto en su
totalidad como en la clasificación paso a paso. Por lo tanto, el algoritmo KNN
puede proporcionar buenos resultados para el diagnóstico de fallas en los
rodamientos.
en etiquetas discretas, por ejemplo, falla o sin falla. La comparación entre
los métodos ML propuestos y el método basado en regresión se realiza
finalmente.
6.2. Modelado basado en regresión de fallas en cojinetes
El conjunto de datos públicos obtenidos del Bearing Data Center de
Case Western Reserve University se utilizó para comparar el método
propuesto con el método basado en regresión [47]. A modo de
comparación, el modelo de regresión se entrenó con los mismos datos
de entrenamiento y prueba utilizados por el modelo ML propuesto. En
general, tanto las técnicas de modelado paramétrico (regresión lineal y
regresión no lineal) como las técnicas de modelado no paramétrico
(ANN) se emplean para predecir la falla del rodamiento. La señal de
vibración del rodamiento después del proceso de extracción y selección
de características se utiliza como datos de entrada del modelo de
regresión. El estado del rodamiento se divide en normal con etiqueta 0,
falla de bola con etiqueta 1, falla de carrera interna con etiqueta 2 y
falla de carrera externa con etiqueta 3. El valor de la etiqueta del
rodamiento se usa como datos de salida del modelo de regresión. El
entrenamiento del modelo de regresión se realizó en MATLAB versión
2019a. Después,

6. Comparación entre el método propuesto y el método basado en

regresión
6.3. Criterios de evaluación
6.1. Método de detección de fallas basado en regresión
Para analizar claramente la diferencia de cada modelo, se introducen los
La detección de fallas basada en regresión identifica cómo las señales y las criterios de evaluación para la comparación. El error absoluto medio (MAE) y
características se relacionan con una salida de estado en diferentes componentes. el error cuadrático medio (RMSE) se utilizan para evaluar el rendimiento. Las
Esta relación se captura ajustando modelos de regresión cuando el sistema se expresiones matemáticas son las siguientes:
encuentra en un estado saludable. Por lo tanto, este modelo de regresión también
1X
se conoce como modelo de comportamiento normal (NBM). Cuando se obtienen MAE¼ ry t- ŷr t (28)
norte

t¼1
nuevos datos, el valor de predicción NBM de la variable de estado se compara con norte

los valores medidos. La diferencia entre los valores medidos previstos y reales se
denomina residual, y los residuales se utilizan para monitorear la condición. Los
residuos que exceden un umbral de error dado indican un mal funcionamiento.
Tabla 4
MAE y RMSE para los métodos de predicción.
Para la detección de fallas en turbinas eólicas, los residuos indican qué tan
cerca se parece el comportamiento de la turbina eólica al observado durante el Método MAE RMSE
entrenamiento del NBM. Es razonable suponer que en un aerogenerador en regresión lineal 0.5426 0.6574
funcionamiento normal, los residuos se distribuyen aleatoriamente de forma regresión no lineal 0.5052 0.6258
homogénea. Por lo tanto, las tendencias o residuos excesivamente grandes ANA 0.5589 0.6658

indican una desviación del funcionamiento normal y se dispara una alarma si los
residuos superan el umbral dado. Varios estudios han establecido modelos de
regresión para predecir parámetros de estado como la temperatura de los
cojinetes, la presión del lubricante, la temperatura del generador y las curvas de
potencia en estado saludable, y realizar con éxito la detección de fallas en turbinas
eólicas [19,33]. Cabe señalar que los métodos anteriores no pueden clasificar
directamente los tipos de fallas en los rodamientos al detectar fallas en los
rodamientos.
En esta sección, se intenta utilizar el método basado en la regresión para el
diagnóstico de fallas de los rodamientos. Los datos públicos se utilizan primero
para entrenar el método de regresión para una salida o etiqueta continua. Luego
se da un umbral para discretizar el resultado de la regresión.

Tabla 3
Tasa de clasificación de fallas en rodamientos para cada método por pasos.

Método Tasa de clasificación

Paso 1 Paso 2 Paso 3 Tasa promedio

MVS 100% 83,33% 75% 86,11%

Clasificador Naive Bayes 100% 83,33% 66,67% 83,33%
KNN 100% 94,44% 91,67% 95,37%
Figura 8.Comparación de etiquetas reales con etiquetas predictivas basadas en modelo de regresión y
ANA 100% 94,44% 83,33% 92,59%
KNN.

995
B. Cui, Y. Weng y N. Zhang Energías Renovables 191 (2022) 987mi997

Tabla 5
Comparación entre el valor real y el valor predicho del estado del rodamiento producido con regresión no lineal.

Valor actual 1 1 1 1 0 2 2 2

Valor predicho 1.7699 1.4837 1.8018 1.2616 0.5165 2.6506 2.5833 2.1380
Valor actual 2 2 3 3 3 3 3 3
Valor predicho 2.6871 2.1910 2.5462 2.9518 2.5096 1.2209 2.2482 2.7204
Valor actual 3 0 0 0 1 1 2 0
Valor predicho 2.9060 1.0983 0.3385 0.4730 1.3737 0.8637 2.1730 0.5525

rffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi Declaración de contribución de autoría CRediT

1Xnorte
RMSE¼
t¼1
½yt - ŷ2 t (29)
norte Bodi Cui:Conceptualización, Metodología, Redacciónmiborrador original,
Redacciónmirevisión y edición, conservación de datos, software, análisis
dóndeytes el valor real, ŷtes el valor predicho, ynortees el número de formal, validación.Yang Weng:Conceptualización, Metodología, Redacciónmi
datos. borrador original, Redacciónmirevisión y edición.Ning Zhang: Metodología,
Redacciónmirevisión y edición.

6.4. Comparación y discusión Declaración de competencia de intereses

Los modelos de regresión entrenados se evaluaron con los criterios Los autores declaran que no tienen intereses financieros en
MAE y RMSE, y los resultados se enumeraron enTabla 4. Observe que competencia ni relaciones personales conocidas que pudieran haber
los valores MAE y RMSE correspondientes al modelo de regresión no influido en el trabajo informado en este documento.
lineal son los más pequeños, es decir, la precisión del modelo de
regresión no lineal es la más alta. Las etiquetas de los valores reales y
Agradecimientos
los valores predictivos se muestran enFigura 8. Se puede ver que el
valor real de la etiqueta y el valor predictivo generado por el método
Este trabajo fue apoyado en parte por el Departamento de Energía
KNN son datos discretos. El valor predicho del KNN produjo tres
bajo las subvenciones DE-AR00001858-1631 y DE-EE0009355, la
errores de predicción, y los demás fueron consistentes con el valor real.
Fundación Nacional de Ciencias (NSF) bajo las subvenciones
La etiqueta que se predice en función del método de regresión es una
ECCS-1810537 y ECCS-2048288.
etiqueta continua. Es necesario dar un umbral para determinar el
estado del rodamiento.
La comparación entre el valor real y el valor predicho de la etiqueta Referencias
de rodamiento producida con regresión no lineal se muestra en Tabla 5
[1]Q. Xu, C. Kang, N. Zhang, Y. Ding, Q. Xia, R. Sun, J. Xu, Un método probabilístico para
. Actualmente, cómo determinar el umbral es la clave para el determinar la capacidad de energía eólica adaptable a la red basada en la simulación de
diagnóstico de fallas. Por ejemplo, si el umbral para fallas en la pista operación del sistema multiescenario, IEEE Trans. Red inteligente 7 (1) (enero de 2016) 400
mi409.
exterior se establece en 2,5, se identificarán correctamente cinco
[2]E. Gonzalez, B. Stephen, D. Infield, JJ Melero, Uso de datos scada de alta frecuencia para el
rodamientos con fallas en la pista exterior. En ese momento, la tasa de monitoreo del rendimiento de turbinas eólicas: un estudio de sensibilidad, Renew. Energía
detección de fallas en la pista exterior era del 71,4 %. Pero 131 (feb 2019) 841mi853.
[3]J. Carroll, A. McDonald, I. Dinwoodie, D. McMillan, M. Revie, I. Lazakis, Costos de
desafortunadamente, se creyó erróneamente que los otros tres
disponibilidad, operación y mantenimiento de turbinas eólicas marinas con diferentes
rodamientos con anomalías en la pista interna tenían una falla en la configuraciones de tren de transmisión, Energía eólica 20 (2) (julio de 2017) 361mi378.
pista externa. Obviamente, el diseño de los umbrales depende en gran [4]D. Milborrow, Costos de operación y mantenimiento comparados y revelados, Wind
medida de la experiencia y el conocimiento del diseñador. Al mismo Stats 19 (3) (2006) 3.
[5]W. Liu, B. Tang, J. Han, X. Lu, N. Hu, Z. He, Los métodos de diagnóstico de fallas y monitoreo
tiempo, la configuración del umbral también cambiará para diferentes de condiciones saludables de la estructura en turbinas eólicas: una revisión, Renovar.
entornos de parques eólicos. El método ML propuesto puede completar Sostener. Energía Rev. 44 (Ene 2015) 466mi472.
automáticamente la clasificación de fallas sin la necesidad de establecer [6]G. Pedro, T. Marcos, P. Pinar, P. Mayorkinos, Monitorización del estado de
aerogeneradores: técnicas y métodos, Renovar. Energía 46 (2012) 169mi178.
umbrales y proporciona una precisión de diagnóstico de alrededor del [7]P. Tchakoua, R. Wamkeue, M. Ouhrouche, F. Slaoui-Hasnaoui, T. Tameghe,
90% que produce KNN. Por lo tanto, G. Ekemb, Monitoreo de la condición de la turbina eólica: revisión de vanguardia, nuevas
tendencias y desafíos futuros, Energías 7 (4) (abril de 2014) 2595mi2630.
[8]K. Fischer, F. Besnard, L. Bertling, Mantenimiento centrado en la confiabilidad para turbinas
eólicas basado en análisis estadístico y experiencia práctica 27 (1) (marzo de 2012) 184mi
7. Conclusión 195.
[9]A. May, D. McMillan, S. Thons, Análisis económico de los sistemas de monitoreo de condición para
subsistemas de turbinas eólicas marinas, IET Renew. Generador de energía 9 (8) (noviembre de
Este artículo propone un esquema novedoso para el diagnóstico de fallas en
2015) 900mi907.
rodamientos de turbinas eólicas basado en minería de datos y ML. El método [10]HDM de Azevedo, AM Araújo, N. Bouchonneau, Una revisión del monitoreo del estado de los
propuesto trabaja directamente sobre datos originales obtenidos de señales de cojinetes de las turbinas eólicas: estado del arte y desafíos, Renew. Sostener. Energía Rev.
56 (Abr 2016) 368mi379.
vibración de rodamientos bajo diferentes condiciones de operación. Hay dos
[11]Z. Feng, M. Liang, Diagnóstico de fallas de la caja de engranajes planetarios de la turbina eólica en
pasos principales en el método propuesto. (1) Se presenta un método sistemático condiciones no estacionarias a través del análisis de tiempo-frecuencia del núcleo óptimo
para evaluar la precisión de predicción de cada característica para encontrar la adaptativo, Renovar. Energía 66 (ene 2014) 468mi477.
[12]X. Chen, Z. Feng, Reasignación de tiempo-frecuencia generalizada iterativa para el diagnóstico de fallas
combinación de las características más efectivas para el diagnóstico de fallas de
de la caja de engranajes planetarios en condiciones no estacionarias, Mech. sist. Proceso de señal.
los rodamientos de turbinas eólicas. (2) ML se utiliza para realizar el diagnóstico de 80 (mayo de 2016) 429mi444.
fallas de los rodamientos de turbinas eólicas. Los experimentos demuestran que [13]Z. Feng, W. Zhu, D. Zhang, Análisis de demodulación de tiempo-frecuencia a través del filtro voldkalman
para el diagnóstico de fallas de la caja de engranajes planetarios de turbinas eólicas bajo
este método puede extraer características de señales no estacionarias de manera
velocidades no estacionarias, Mech. sist. Proceso de señal. 128 (abril de 2019) 93mi109.
efectiva, obteniendo excelentes resultados en el diagnóstico de fallas de [14]I. Vamsi, G. Sabareesh, P. Penumakala, Comparación de técnicas de monitoreo de condición en la evaluación de la
rodamientos de turbinas eólicas. gravedad de la falla para una caja de engranajes de turbina eólica bajo condiciones no

996
B. Cui, Y. Weng y N. Zhang
carga estacionaria, Mech. sist. Proceso de señal. 124 (enero de 2019) 1mi20.
[15]RU Maheswari, R. Umamaheswari, Tendencias en técnicas de procesamiento de señales no
estacionarias aplicadas al análisis de vibraciones del tren de transmisión de turbinas eólicasmiuna
encuesta contemporánea, Mech. sist. Proceso de señal. 85 (2017) 296mi311.
[dieciséis]Y. Guo, J. Keller, Investigación de cargas de cojinetes de eje de alta velocidad en cajas de
engranajes de turbinas eólicas a través de pruebas con dinamómetro, vol. 21, Energía eólica, 2018,
págs. 139mi150.
[17]E. Marino, A. Giusti, L. Manuel, Cargas de fatiga de turbinas eólicas marinas: la influencia del
modelado alternativo de olas para diferentes vientos turbulentos y medios, Renovar.
Energía 102 (2017) 157mi169.
[18]G. Helbing, M. Ritter, Aprendizaje profundo para la detección de fallas en turbinas eólicas,
Renew. Sostener. Energía Rev. 98 (2018) 189mi198.
[19]A. Stetco, F. Dinmohammadi, X. Zhao, V. Robu, D. Flynn, M. Barnes, J. Keane,
G. Nenadic, Métodos de aprendizaje automático para el monitoreo del estado de turbinas
eólicas: una revisión, Renovar. Energía 133 (Oct 2019) 620mi635.
[20]Y. Wang, R. Zou, F. Liu, L. Zhang, Q. Liu, Una revisión de la velocidad del viento y el pronóstico
de la energía eólica con redes neuronales profundas, Appl. Energía 304 (2021).
[21]F. Elyasichamazkoti, A. Khajehpoor, Aplicación del aprendizaje automático para la energía eólica desde
el diseño hasta el nexo entre energía y agua: una encuesta, Energy Nexus 2 (2021).
[22]MM Nezhad, A. Heydari, E. Pirshayan, D. Groppi, DA Garcia, Un nuevo modelo de pronóstico
para la evaluación de la velocidad del viento utilizando imágenes de satélites de la familia
centinela y método de aprendizaje automático, Renew. Energía 179 (agosto 2021) 2198mi
2211.
[23]A. Marvuglia, A. Messineo, Seguimiento de las curvas de potencia de los parques eólicos mediante
técnicas de aprendizaje automático, Appl. Energía 98 (2012) 574mi583.
[24]M. Sharifzadeh, A. Sikinioti-Lock, N. Shah, Métodos de aprendizaje automático para la
generación integrada de energía renovable: un estudio comparativo de redes neuronales
artificiales, regresión de vectores de soporte y regresión de procesos gaussianos, Renew.
Sostener. Energía Rev. 108 (2019) 513mi538.
[25] B. Cheng, J. Du, Y. Yao, Métodos de aprendizaje automático para ayudar al diseño de
estructuras y optimización de turbinas eólicas dual darrieus, Energía (2021),https://
doi.org/10.1016/j.energy.2021.122643.
[26]S. Sabzevari, A. Karimpour, M. Monfared, MN Sistani, control Mppt de turbinas eólicas
mediante un controlador fuzzy-pi adaptativo directo y utilizando un estimador de velocidad
del viento ann-pso, J. Renew. Sostener. Energía 9 (2017), 013302.
[27]G. Abdalrahman, W. Melek, F.-S. Lien, Control de ángulo de cabeceo para un
aerogenerador de eje vertical darrieus de pequeña escala con palas rectas (vawt
tipo h), Renovar. Energía 114 (2017) 1353mi1362, 013302.
[28]HM Hasanien, SM Muyeen, Control de velocidad del generador de reluctancia conmutado conectado a
la red impulsado por una turbina eólica de velocidad variable utilizando un controlador de red
neuronal adaptable, Elec. Sistema de energía Res. 84 (2012) 206mi213.
[29]K. Leahy, R. Hu, I. Konstantakopoulos, C. Spanos, A. Agogino, D. O'Sullivan, Diagnóstico y
predicción de fallas de turbinas eólicas a partir de datos scada utilizando máquinas de
vectores de soporte, Int. J. Pronósticos Health Manag. 9 (2018) 1mi11.
[30]B. Tang, T. Song, F. Li, L. Deng, Diagnóstico de fallas para un sistema de transmisión de
turbinas eólicas basado en el aprendizaje múltiple y la máquina de vectores de soporte de
ondas de Shannon, Renew. Energía 62 (2014) 1mi9.
997
Energías Renovables 191 (2022) 987mi997
[31]G. Jiang, H. He, J. Yan, P. Xie, Redes neuronales convolucionales multiescala para el
diagnóstico de fallas de la caja de engranajes de turbinas eólicas, IEEE Trans. Ind. Electrón.
66 (4) (2018) 3196mi3207.
[32]K. Chandrasekhar, N. Stevanovic, EJ Cross, N. Dervilis, K. Worden, Detección de daños en palas
de turbinas eólicas operativas mediante un nuevo enfoque basado en el aprendizaje
automático, Renew. Energía 168 (2021) 1249mi1264.
[33]M. Schlechtingen, IF Santos, Análisis comparativo de redes neuronales y enfoques de
monitoreo de condición basados en regresión para la detección de fallas en
turbinas eólicas, Mech. sist. Proceso de señal. 25 (5) (2011) 1849mi1875.
[34]P. Bangalore, LB Tjernberg, Un enfoque de red neuronal artificial para la detección temprana de fallas
en los rodamientos de cajas de engranajes, IEEE Trans. Red inteligente 6 (2) (2015) 980mi987.
[35]M. Bach-Andersen, B. Rømer-Odgaard, O. Winther, aprendizaje profundo para la detección
automatizada de fallas en el tren motriz, energía eólica 21 (1) (2018) 29mi41.
[36]FD Bianchi, HD Battista, RJ Mantz,Sistemas de Control de Aerogeneradores.Más 0,5em Menos
0,4em, Springer, 2007.
[37]I. Guyon, A. Elisseeff, Introducción a la selección de características y variables,
J. Mach. Aprender. Res. 3 (2003) 1157mi1182.
[38]P. Marti-Puig, A. Blanco-M, J. Cardenas, J. Cusido, J. Sole-Casals, Effects of the Pre-
processing Algorithms in Fault Diagnosis of Wind Turbines, Environmental
Modeling and Software, Feb 2018, 0mi1.
[39]S. Kang, D. Ma, Y. Wang, C. Lan, Q. Chen, V. Mikulovich, Método para evaluar el estado de un
rodamiento basado en la distancia de compensación relativa de características de múltiples
dominios e incrustaciones lineales locales, Mech . sist. Proceso de señal. 86 (octubre de
2017) 40mi57.
[40]W. Yang, K. Wang, W. Zuo, Selección de características de componentes de vecindario para
datos de alta dimensión, J. Comput. 7 (1) (enero de 2012) 161mi168.
[41]R. Liu, B. Yang, E. Zio, X. Chen, Inteligencia artificial para el diagnóstico de fallas de
maquinaria rotativa: una revisión, Mech. sist. Proceso de señal. 108 (febrero de 2018)
33mi47.
[42]R. Zhao, R. Yan, Z. Chen, K. Mao, P. Wang, RX Gao, Aprendizaje profundo y sus aplicaciones
para el monitoreo del estado de las máquinas, Mech. sist. Proceso de señal. 115 (enero de
2019) 213mi237.
[43]W. Liu, Z. Wang, J. Han, G. Wang, método de diagnóstico de fallas de turbinas eólicas basado
en espectro diagonal y árbol binario de agrupamiento svm, Renew. Energía 50 (febrero de
2013) 1mi6.
[44]Y. Wang, S. Kang, Y. Jiang, G. Yang, L. Song, V. Mikulovich, Clasificación de la ubicación
de fallas y el grado de degradación del rendimiento de un rodamiento basado en
una estructura multiclase hiperesfera mejorada máquina de vectores de soporte,
Mech. sist. Proceso de señal. 29 (mayo de 2012) 404mi414.
[45]V. Muralidharan, V. Sugumaran, Un estudio comparativo del clasificador bayesiano ingenuo y
el clasificador neto bayesiano para el diagnóstico de fallas de bombas centrífugas
monobloque mediante análisis wavelet, Appl. Cómputo suave. 12 (8) (2012) 2023mi2029.
[46]D. He, R. Li, J. Zhu, Diagnóstico de fallas de rodamientos de plástico basado en un enfoque de minería
de datos de dos pasos, IEEE Trans. Ind. Electrón. 60 (8) (2013) 3429mi3440.
[47] Bearing Data Center, Universidad Case Western Reserve [en línea]. Disponible:
https://engineering.case.edu/bearingdatacenter.