Diagnóstico de fallas en engranajes planetarios a partir de redes neuronales entrenadas con modelo fenomenológico

Abstract

En la actualidad el mantenimiento de máquinas industriales juega un rol crítico en la organización de grandes y pequeñas plantas productivas, debido a que un problema de gran magnitud puede derivar en días o semanas de detención, pudiendo costar enormes sumas de dinero a las empresas. Para la aplicación de una de las metodologías de mantenimiento que más fuerza está tomando últimamente, las llamadas Redes Neuronales, se requiere de un gran número de datos en distintas condiciones de operación y con distintos modos de falla para cada uno de los equipos de los que se requiere hacer un modelo, lo cual resulta sumamente complejo y costoso de conseguir. Debido a esto surge la necesidad de obtener datos para el entrenamiento de estos algoritmos de una manera más fácil. El objetivo general es la generación de un Algoritmo de Aprendizaje Profundo entrenado con datos simulados de un modelo fenomenológico. Este algoritmo busca identificar las fallas por grieta en base de dientes de los engranajes con distintos grados de severidad, en la corona, el sol y los planetas. Para conseguir esto el trabajo se divide en tres partes principales: En la primera etapa se creo un programa en el software MATLAB para la simulación de vibraciones mecánicas de un reductor planetario, posteriormente se realizaron mediciones experimentales en reductores planetarios utilizando un banco de pruebas y se procesaron los datos analizando sus Transformadas de Fourier luego de ser aplicados los filtros AR, MED, ARMED y la envolvente de la Transformada de Fourier, buscando características asociadas a las frecuencias de falla. La última etapa consistió en entrenar una red neuronal artificial con los datos simulados y que esta pueda clasificar los distintos tipos de mediciones. El análisis de las Transformadas de Fourier indicaron que el mejor método para identificar fallas en el equipo es el filtro MED, y que la clasificación de distintos modos de fallas o grados de severidad resulta compleja debido a la poca correlación entre el caso de estudio y sus espectros. El algoritmo resultante puede identificar la presencia de fallas en el equipo con 86 % de exactitud para casos sin falla y con 97 % de exactitud para casos con falla.