Análisis de entropía multiescala de emisión acústica para la clasificación de la gravedad de fallas en cajas de...

Área de la Ciencia:

• Ingeniería Mecánica
• Procesamiento de Señales
• Aprendizaje Automático

Sus antecedentes:

• Los sensores de emisión acústica (AE) son cruciales para la detección temprana de fallas en maquinaria rotativa mediante la monitorización de transitorios de alta frecuencia.
• La clasificación automatizada de la gravedad de las fallas en cajas de cambios a partir de señales AE complejas es un desafío debido a diversos mecanismos de daño.

Objetivo del estudio:

• Investigar métodos de entropía multiescala para la extracción de características computacionalmente eficientes de señales AE para el diagnóstico de fallas en cajas de cambios.
• Comparar la Entropía Multiescala Compuesta (CMSE), la Entropía Multiescala Jerárquica (HMSE) y la Entropía Multiescala Jerárquica Compuesta (CHMSE) para la clasificación de la gravedad de las fallas.

Principales métodos:

• Se recopilaron datos experimentales de AE de un banco de pruebas de caja de cambios de piñones rectos con fallas inducidas (picaduras, dientes rotos, grietas en la raíz, rayado) en nueve niveles de gravedad.
• Se extrajeron 16 características de entropía de información no lineal utilizando CMSE, HMSE y CHMSE.
• Se clasificaron las características utilizando Random Forests (RF) y otros modelos de aprendizaje automático, con SHAP para la interpretabilidad.

Principales resultados:

• El método CHMSE combinado con modelos RF logró la mayor precisión de clasificación (97,37-99,50%), superando a los métodos de escala única y a las características estadísticas.
• Los enfoques jerárquicos (HMSE, CHMSE) mostraron mejoras significativas en el rendimiento (p < 0,05).
• La entropía de Rényi, la entropía de Tsallis, la entropía de umbral y la entropía de energía logarítmica se identificaron como discriminadores clave.

Conclusiones:

• La extracción de características basada en CHMSE proporciona un método computacionalmente eficiente y altamente preciso para diagnosticar la gravedad de las fallas en cajas de cambios a partir de señales AE.
• Este enfoque mejora significativamente la fiabilidad de los sistemas de monitorización de condiciones basados en AE para el mantenimiento predictivo en cajas de cambios industriales.