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 le reti neurali convoluzionali (CNN) per la diagnosi dei guasti diingranaggi conici a spirale. Questo approccio innovativo promette una maggiore precisione, un rilevamento più rapido e un sistema diagnostico più intelligente per i riduttori ad alte prestazioni utilizzati inapplicazioni aerospaziali, automobilistiche e industriali.

Spiraleingranaggi coniciGli ingranaggi sono componenti di trasmissione critici presenti in macchinari ad alta coppia, elicotteri, sistemi di propulsione navale e riduttori industriali per impieghi gravosi. A causa della loro complessa geometria e delle condizioni operative, l'individuazione precoce di guasti agli ingranaggi, come vaiolatura, usura e rottura dei denti, rimane una sfida tecnica. Le tecniche tradizionali di elaborazione del segnale spesso faticano a gestire le interferenze del rumore e le caratteristiche non lineari dei guasti.

Il nuovo metodo introduce un quadro di diagnosi dei guasti in due fasi. In primo luogo, 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. L'MSB aiuta a rivelare sottili caratteristiche di guasto modulate che sono tipicamente nascoste negli spettri di frequenza standard.

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

I risultati sperimentali, ottenuti su un banco prova per ingranaggi conici a spirale progettato su misura, dimostrano 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 di vibrazione grezzi. Inoltre, questo modello ibrido mostra una forte robustezza al rumore di fondo, rendendolo adatto ad applicazioni industriali reali.

L'integrazione del bispettro del segnale di modulazione con 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 dipendente dalle competenze. Il metodo è scalabile e può essere applicato ad altri componenti di macchinari 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 il più ampio campo della produzione intelligente. Poiché l'automazione e l'affidabilità delle macchine diventano sempre più vitali,