Diagnóstico de Falhas de Aperto de Parafuso Baseado no Reconhecimento de Características de Sinais Sonoros com LightGBM

Visando a condição de forte vibração do motor hidráulico de êmbolo radial de curva interna, a conexão de parafuso da base do motor é propensa a se soltar, e é difícil distinguir as falhas de afrouxamento precoces online a tempo utilizando os sinais de vibração. Neste artigo, propomos um método de diagnóstico de falhas de afrouxamento de parafusos baseado no LightGBM para reconhecer características de sinais sonoros, e este método pode alcançar monitoramento online de falhas de afrouxamento de parafusos. Através da plataforma de teste de recuperação de energia de vibração, os sinais sonoros de quatro diferentes forças de pré-carga do parafuso durante a operação normal do equipamento foram coletados, e a força de pré-carga do parafuso foi aumentada de completamente solta 0–60 N m, com um incremento de 20 N m a cada vez, e os sinais sonoros foram desnoisados utilizando o método de desnoising por threshold de wavelet. O modelo de diagnóstico de falhas de afrouxamento de parafusos do LightGBM é construído com base no gradiente de amostragem unilateral e algoritmos de feixe de características mutuamente exclusivas. Ao extrair características no domínio do tempo e da frequência dos sinais sonoros desnoisados, um conjunto de dados contendo rótulos de sinais normais e três sinais com falhas é gerado para treinamento e diagnóstico. Finalmente, a precisão do diagnóstico deste método é comparada e verificada. Os resultados mostram que o algoritmo LightGBM após desnoising por threshold de wavelet melhora a precisão do diagnóstico em 2,17% em relação ao LightGBM sem desnoising e em 5,47% e 2,21% em relação ao algoritmo XGboost antes e depois do desnoising, respectivamente.