En un avance significativo para el campo del diagnóstico mecánico, un nuevo estudio ha demostrado la efectividad de combinar el biespectro de señal de modulación (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 engranajes de alto rendimiento utilizadas enAplicaciones aeroespaciales, automotrices e industriales.

Espiralengranajes cónicosLos engranajes son componentes críticos de transmisión que se encuentran en maquinaria de alto par, helicópteros, sistemas de propulsión marina y reductores industriales de servicio pesado. Debido a su compleja geometría y condiciones de funcionamiento, la detección temprana de fallas en los engranajes, como picaduras, desgaste y rotura de dientes, sigue siendo un desafío técnico. Las técnicas tradicionales de procesamiento de señales a menudo tienen dificultades con la interferencia de ruido y las características no lineales de las fallas.

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 en funcionamiento mediante el biespectro de señal modulada (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 fallas moduladas que normalmente quedan ocultas en los espectros de frecuencia estándar.

A continuación, los datos de señal procesados ​​se transforman en imágenes tiempo-frecuencia y se introducen en una red neuronal convolucional (CNN), un modelo de aprendizaje profundo capaz de extraer automáticamente características de fallos de alto nivel y clasificar el estado de los engranajes. Este modelo CNN se entrena para diferenciar entre engranajes en buen estado, fallos menores y daños graves en distintas condiciones de carga y velocidad.

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

La integración del bispectro 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 de características manual, un proceso tradicionalmente laborioso y dependiente de la experiencia. El método es escalable y se puede aplicar a otros componentes de maquinaria rotativa, como cojinetes yengranajes planetarios.

Esta investigación representa un paso adelante en el desarrollo de sistemas inteligentes de diagnóstico de fallas para la Industria 4.0 y el campo más amplio de la fabricación inteligente. A medida que la automatización y la confiabilidad de las máquinas se vuelven cada vez más vitales,