In uno sviluppo significativo per il campo della diagnostica meccanica, un nuovo studio ha dimostrato l'efficacia della combinazione del bispettro del segnale di modulazione (MSB) con reti neurali convoluzionali (CNN) per la diagnosi dei guasti diingranaggi conici a spiraleQuesto approccio innovativo promette una maggiore precisione, un rilevamento più rapido e un sistema diagnostico più intelligente per i cambi ad alte prestazioni utilizzati inapplicazioni aerospaziali, automobilistiche e industriali.

Spiraleingranaggi coniciSono componenti di trasmissione critici presenti in macchinari ad alta coppia, elicotteri, sistemi di propulsione marini e riduttori industriali per impieghi gravosi. A causa della loro complessa geometria e delle condizioni operative, il rilevamento precoce di guasti agli ingranaggi come vaiolatura, usura e rottura dei denti rimane una sfida tecnica. Le tecniche tradizionali di elaborazione del segnale spesso si scontrano con interferenze di rumore e caratteristiche di guasto non lineari.

Il nuovo metodo introduce un framework di diagnosi dei guasti in due fasi. Innanzitutto, i segnali di vibrazione generati dal sistema di ingranaggi in funzione vengono analizzati utilizzando il bispettro del segnale di modulazione (MSB), una tecnica di analisi spettrale di ordine superiore che cattura efficacemente le caratteristiche non lineari e non gaussiane del segnale. Il bispettro MSB aiuta a rivelare sottili caratteristiche di guasto modulate, tipicamente nascoste negli spettri di frequenza standard.

Successivamente, i dati del segnale elaborati vengono trasformati in immagini tempo-frequenza e inseriti in una rete neurale convoluzionale (CNN), un modello di deep learning in grado di estrarre automaticamente caratteristiche di guasto di alto livello e classificare le condizioni degli ingranaggi. Questo modello CNN è addestrato a distinguere tra ingranaggi sani, guasti minori e danni gravi in ​​diverse condizioni di carico e velocità.

I risultati sperimentali, condotti su un banco prova per ingranaggi conici a spirale progettato appositamente, mostrano che l'approccio MSB CNN raggiunge un'accuratezza di classificazione superiore al 97%, superando i metodi tradizionali come l'analisi basata su FFT e persino altre tecniche di deep learning che si basano su dati grezzi di vibrazione. Inoltre, questo modello ibrido mostra un'elevata robustezza al rumore di fondo, rendendolo adatto ad applicazioni industriali reali.

L'integrazione del bispettro del segnale di modulazione con la CNN non solo migliora le prestazioni di riconoscimento dei guasti, ma riduce anche la dipendenza dall'ingegneria manuale delle caratteristiche, tradizionalmente un processo dispendioso in termini di tempo e competenze. Il metodo è scalabile e può essere applicato ad altri componenti di macchine rotanti, come cuscinetti eingranaggi planetari.

Questa ricerca rappresenta un passo avanti nello sviluppo di sistemi intelligenti di diagnosi dei guasti per l'Industria 4.0 e, più in generale, per la produzione intelligente. Con l'automazione e l'affidabilità delle macchine che diventano sempre più importanti,