Use of Multiscale Permutation Entropy Feature Selection and Supervised Classifiers for Bearing Failures Diagnosis

• J.C.Mejía-Hernández ^[1] ; J.D. Echeverry-Correa ^[1] ; H.F.Quintero-Riaza ^[1]
  1. [1] Universidad Tecnológica de Pereira

     Universidad Tecnológica de Pereira

     Colombia

     
• Localización: Scientia et Technica, ISSN 0122-1701, Vol. 26, Nº. 4, 2021, págs. 448-449
• Idioma: inglés
• Títulos paralelos:
  • Uso de la Entropía con Permutación Multiescalar, técnicas de Selección de Características yClasificadores Supervisados para el Diagnóstico de Fallas en Rodamientos
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Las mediciones de entropía son una herramienta accesible para realizar mediciones de irregularidades e incertidumbres presentes en series de tiempo. En el procesamiento de señales, la Entropía de Permutación Multiescalar se presenta recientemente como una metodología de caracterización capaz de medir la aleatoriedad y la dinámica no lineal existente en series de tiempo no estacionarias, como las señales de vibración mecánica. En este artículo, la entropía de permutación multiescalar se combina con diversas técnicas de selección de características y múltiples clasificadores basados en el aprendizaje automático con el objetivo de detectar diferentes estados operativos en un motor de combustión interna. La mejor combinación se selecciona a partir de la evaluación de parámetros como precisión y tiempo computacional. Finalmente, la metodología propuesta se establece como una herramienta eficaz para diagnosticar fallas en sistemas de rodamientos con una alta tasa de precisión y un tiempo de cálculo reducido.

  • English

    Entropy measurements are an accessible tool to perform irregularity and uncertainty measurements present in time series. In signal processing, the Multiscale Permutation Entropy is recently presented as a methodology of characterization capable of measuring randomness and non-linear dynamics existing in non-stationary time series, such as mechanical vibration signals. In this article, the Multiscale Permutation Entropy is combined with diverse feature selection techniques and multiple classifiers based on machine learning aiming to detect different operative states in an internal combustion engine. The best combination is selected from the evaluation of parameters like precision and computational time. Finally, the proposed methodology is established as an effective tool to diagnose failures in bearing systems with a high precision rate and a reduced calculation time.