Descomposición y modelado de señales acústicas para identificar defectos de maquinaria en paisajes sonoros...

Área de la Ciencia:

• Ingeniería acústica
• Procesamiento de señales
• Aprendizaje automático
• Monitoreo de las condiciones industriales

Sus antecedentes:

• Los sistemas de monitoreo de condiciones basados en sonido acústico (ASCM) son efectivos en entornos controlados, pero luchan en entornos industriales del mundo real debido a las limitaciones de ruido y datos.
• Los métodos existentes a menudo sufren de un rendimiento reducido y altas tasas de falsos positivos causadas por sonidos interferentes y variabilidad operativa.
• Los enfoques basados exclusivamente en datos no tienen en cuenta las complejas características acústicas de los entornos industriales.

Objetivo del estudio:

• Desarrollar un nuevo método de detección de fallas para el control de la condición acústica industrial que aproveche las características físicas subyacentes de la señal.
• Para superar las limitaciones de los métodos tradicionales basados en datos en paisajes sonoros industriales ruidosos y variables.
• Mejorar la robustez y fiabilidad de los sistemas de monitoreo de la condición acústica.

Principales métodos:

• Investigó los componentes físicos de las señales acústicas, modelando sonidos relacionados con fallas como oscilaciones de descomposición exponencial.
• Desarrolló un modelo de señal basado en la física distinto de las técnicas puramente basadas en datos.
• Implementó un método robusto de detección de fallas utilizando una prueba de relación de probabilidad generalizada (GLRT) basada en el modelo físico derivado.

Principales resultados:

• El enfoque GLRT basado en modelos demostró un rendimiento superior a las características de audio estándar en condiciones de alto ruido, validado en datos sintéticos y reales de la industria siderúrgica.
• El análisis de las características operativas del receptor (ROC) mostró que el método GLRT superó significativamente las características de audio, con un área parcial bajo la curva (pAUC) más del doble que la de la mejor característica de audio.
• Las simulaciones confirmaron una detección robusta de hasta -13 dB de relación señal-ruido (SNR), superando la detección basada en características de audio limitada a -10 dB.

Conclusiones:

• El enfoque basado en modelos informados físicamente propuesto proporciona una solución más fiable y robusta para el monitoreo de la condición acústica.
• El método GLRT logra tasas de falsos positivos significativamente más bajas en comparación con las características de audio tradicionales, especialmente en entornos industriales difíciles.
• La naturaleza física del método permite la generalización a otros escenarios industriales con características de falla similares, ampliando su aplicabilidad.