Nun avance significativo para o campo do diagnóstico mecánico, un novo estudo demostrou a eficacia da combinación do biespectro de sinais de modulación (MSB) con redes neuronais convolucionais (CNN) para o diagnóstico de fallos deengrenaxes cónicas en espiralEsta innovadora proposta promete unha maior precisión, unha detección máis rápida e un sistema de diagnóstico máis intelixente para as caixas de cambios de alto rendemento utilizadas enaplicacións aeroespaciais, automotrices e industriais.

Espiralengrenaxes cónicasson compoñentes de transmisión críticos que se atopan en maquinaria de alto par, helicópteros, sistemas de propulsión mariña e redutores industriais de servizo pesado. Debido á súa complexa xeometría e condicións operativas, a detección precoz de fallos nas engrenaxes, como picaduras, desgaste e rotura de dentes, segue a ser un desafío técnico. As técnicas tradicionais de procesamento de sinais adoitan ter problemas coa interferencia de ruído e as características de fallo non lineais.

O novo método introduce un marco de diagnóstico de fallos en dúas etapas. Primeiro, os sinais de vibración xerados polo sistema de engrenaxes operativas analízanse mediante o biespectro de sinal de modulación (MSB), unha técnica de análise espectral de orde superior que captura eficazmente as características non lineais e non gaussianas do sinal. O MSB axuda a revelar características de fallos modulados sutís que normalmente están ocultas nos espectros de frecuencia estándar.

A continuación, os datos de sinal procesados ​​transfórmanse en imaxes de tempo e frecuencia e introdúcense nunha rede neuronal convolucional (CNN), un modelo de aprendizaxe profunda capaz de extraer automaticamente características de fallos de alto nivel e clasificar as condicións das engrenaxes. Este modelo CNN está adestrado para diferenciar entre engrenaxes sans, fallos menores e danos graves en diferentes condicións de carga e velocidade.

Os resultados experimentais, levados a cabo nun banco de probas de engrenaxes cónicas en espiral deseñado a medida, mostran que o enfoque MSB CNN consegue unha precisión de clasificación superior ao 97 %, superando os métodos tradicionais como a análise baseada en FFT e mesmo outras técnicas de aprendizaxe profunda que se basean en datos de vibración brutos. Ademais, este modelo híbrido presenta unha forte robustez ao ruído de fondo, o que o fai axeitado para aplicacións industriais do mundo real.

A integración do biespectro do sinal de modulación coa CNN non só mellora o rendemento do recoñecemento de fallos, senón que tamén reduce a dependencia da enxeñaría manual de características, un proceso tradicionalmente lento e dependente da experiencia. O método é escalable e pódese aplicar a outros compoñentes de maquinaria rotatoria, como rolamentos eengrenaxes planetarias.

Esta investigación representa un paso adiante no desenvolvemento de sistemas intelixentes de diagnóstico de fallos para a Industria 4.0 e o campo máis amplo da fabricación intelixente. A medida que a automatización e a fiabilidade das máquinas se volven cada vez máis vitais,