Em um desenvolvimento significativo para o campo do diagnóstico mecânico, um novo estudo demonstrou a eficácia da combinação do bispectro do sinal de modulação (MSB) com redes neurais convolucionais (CNN) para o diagnóstico de falhas em sistemas mecânicos.engrenagens cônicas espiraisEssa abordagem inovadora promete maior precisão, detecção mais rápida e um sistema de diagnóstico mais inteligente para caixas de engrenagens de alto desempenho usadas emAplicações aeroespaciais, automotivas e industriais.

Espiralengrenagens cônicasAs engrenagens são componentes críticos de transmissão encontrados em máquinas de alto torque, helicópteros, sistemas de propulsão marítima e redutores industriais de grande porte. Devido à sua geometria complexa e condições operacionais, a detecção precoce de falhas em engrenagens, como corrosão por pite, desgaste e quebra de dentes, continua sendo um desafio técnico. As técnicas tradicionais de processamento de sinais frequentemente apresentam dificuldades com interferência de ruído e características não lineares das falhas.

O novo método introduz uma estrutura de diagnóstico de falhas em duas etapas. Primeiro, os sinais de vibração gerados pelo sistema de engrenagens em operação são analisados ​​usando o bispectro de sinal modulado (MSB), uma técnica de análise espectral de ordem superior que captura com eficácia as características não lineares e não gaussianas do sinal. O MSB ajuda a revelar características sutis de falhas moduladas que normalmente ficam ocultas nos espectros de frequência padrão.

Em seguida, os dados do sinal processado são transformados em imagens de tempo-frequência e inseridos em uma rede neural convolucional (CNN), um modelo de aprendizado profundo capaz de extrair automaticamente características de falhas de alto nível e classificar as condições das engrenagens. Este modelo de CNN é treinado para diferenciar entre engrenagens em bom estado, falhas menores e danos severos em diferentes condições de carga e velocidade.

Os resultados experimentais, obtidos em um banco de ensaio de engrenagens cônicas espirais projetado especificamente para esse fim, demonstram que a abordagem MSB CNN alcança uma precisão de classificação superior a 97%, superando métodos tradicionais como a análise baseada em FFT e até mesmo outras técnicas de aprendizado profundo que dependem de dados brutos de vibração. Além disso, esse modelo híbrido apresenta forte robustez ao ruído de fundo, tornando-o adequado para aplicações industriais reais.

A integração do bispectro do sinal de modulação com a CNN não só melhora o desempenho do reconhecimento de falhas, como também reduz a dependência da engenharia manual de características, um processo tradicionalmente demorado e que exige conhecimento especializado. O método é escalável e pode ser aplicado a outros componentes de máquinas rotativas, como rolamentos e...engrenagens planetárias.

Esta pesquisa representa um avanço no desenvolvimento de sistemas inteligentes de diagnóstico de falhas para a Indústria 4.0 e o campo mais amplo da manufatura inteligente. À medida que a automação e a confiabilidade das máquinas se tornam cada vez mais vitais,