En un avance significativo para el campo del diagnóstico mecánico, un nuevo estudio ha demostrado la eficacia de combinar la señal de modulación biespectral (MSB) con redes neuronales convolucionales (CNN) para el diagnóstico de fallas deengranajes cónicos espiralesEste enfoque innovador promete una mayor precisión, una detección más rápida y un sistema de diagnóstico más inteligente para las cajas de cambios de alto rendimiento utilizadas enAplicaciones aeroespaciales, automotrices e industriales.

Espiralengranajes cónicosSon componentes críticos de transmisión presentes en maquinaria de alto par, helicópteros, sistemas de propulsión marina y reductores industriales de alta resistencia. Debido a su compleja geometría y condiciones operativas, la detección temprana de fallas en engranajes, como picaduras, desgaste y rotura de dientes, sigue siendo un desafío técnico. Las técnicas tradicionales de procesamiento de señales suelen tener dificultades con la interferencia de ruido y las características de falla no lineales.

El nuevo método introduce un marco de diagnóstico de fallas en dos etapas. Primero, se analizan las señales de vibración generadas por el sistema de engranajes operativos mediante el biespectro de señal de modulación (MSB), una técnica de análisis espectral de orden superior que captura eficazmente las características no lineales y no gaussianas de la señal. El MSB ayuda a revelar características sutiles de falla modulada que suelen estar ocultas en los espectros de frecuencia estándar.

A continuación, los datos de la señal procesada se transforman en imágenes de tiempo y frecuencia y se introducen en una red neuronal convolucional (CNN), un modelo de aprendizaje profundo capaz de extraer automáticamente características de fallas de alto nivel y clasificar las condiciones de los engranajes. Este modelo de CNN está entrenado para diferenciar entre engranajes en buen estado, fallas menores y daños graves en diferentes condiciones de carga y velocidad.

Los resultados experimentales, realizados en un banco de pruebas de engranajes cónicos espirales diseñado a medida, muestran que el enfoque MSB CNN alcanza una precisión de clasificación superior al 97 %, superando así a métodos tradicionales como el análisis basado en FFT e incluso otras técnicas de aprendizaje profundo que se basan en datos de vibración sin procesar. Además, este modelo híbrido presenta una gran robustez al ruido de fondo, lo que lo hace adecuado para aplicaciones industriales del mundo real.

La integración del biespectro de la señal de modulación con CNN no solo mejora el rendimiento del reconocimiento de fallas, sino que también reduce la dependencia de la ingeniería manual de características, un proceso tradicionalmente lento y que requiere experiencia. El método es escalable y puede aplicarse a otros componentes de maquinaria rotativa, como rodamientos y...engranajes planetarios.

Esta investigación representa un avance en el desarrollo de sistemas inteligentes de diagnóstico de fallos para la Industria 4.0 y el campo más amplio de la fabricación inteligente. A medida que la automatización y la fiabilidad de las máquinas cobran cada vez mayor importancia,