Operating-Condition-Decoupled Sparse Order-Domain Gear Fault Monitoring for Range-Extended Hybrid Agricultural Machinery in Hilly and Mountainous Areas

En el terreno accidentado e irregular de colinas y montañas, la maquinaria pesada enfrenta un desafío único: el suelo nunca es plano y el trabajo nunca es constante. Cuando un tractor o una cosechadora sube una pendiente o ara la tierra espesa, su motor y su transmisión deben ajustarse constantemente, lo que provoca que la velocidad de sus partes rotativas fluctúe salvajemente. Para los ingenieros que necesitan escuchar estas máquinas para detectar signos tempranos de desgaste o daños, esta variabilidad es un obstio obstáculo importante. Los métodos tradicionales de escucha de problemas dependen de encontrar sonidos específicos y constantes que indiquen un engranaje roto o un rodamiento desgastado. Sin embargo, cuando la velocidad de la máquina cambia, esos sonidos cambian de tono y se desdibujan, lo que dificulta distinguir si un ruido extraño es señal de una falla grave o simplemente una reacción normal a una colina empinada. Esta incertidumbre conduce a falsas alarmas, donde una máquina sana es marcada como averiada, o a detecciones omitidas, donde un problema real pasa desapercibido hasta que causa una falla en el campo.

Para resolver esto, investigadores de la Universidad de Ciencia y Tecnología de Henan y del Laboratorio Longmen desarrollaron una nueva forma de monitorear la salud de los engranajes en máquinas agrícolas híbridas diseñadas para estos paisajes difíciles. En lugar de intentar escuchar los sonidos de la máquina tal como ocurren en tiempo real, crearon un método que traduce los datos de vibración a un formato que permanece constante incluso cuando la máquina acelera o desacelera. Mediante la simulación de miles de horas de operación en colinas virtuales, entrenaron un sistema para ignorar el ruido causado por los cambios de pendientes y cargas, centrándose únicamente en los patrones específicos que indican que un engranaje está dañado. Su enfoque distinguió con éxito entre engranajes sanos y defectuosos, incluso cuando la máquina operaba bajo condiciones que nunca había visto antes, ofreciendo un camino prometedor para mantener el equipo agrícola híbrido funcionando de manera segura y eficiente en los campos más desafiantes del mundo.

El núcleo de este trabajo aborda un tipo específico de vehículo: la máquina agrícola híbrida de rango extendido. Estos son tractores y cosechadoras potentes que utilizan un pequeño motor para generar electricidad, la cual luego carga una batería o alimenta directamente un motor eléctrico para mover las ruedas. Este diseño permite operar con alta potencia y bajas emisiones, pero también introduce vibraciones complejas. El motor arranca y se detiene, la batería se carga y se descarga, y el motor eléctrico cambia de modo, todo esto mientras la máquina sube pendientes y tira de cargas pesadas. En un tractor diésel tradicional, los patrones de vibración son relativamente predecibles. En estas máquinas híbridas, la vibración es una mezcla caótica del ritmo del motor, el zumbido del motor eléctrico, el rechinar de los engranajes y las sacudidas del terreno irregular. Cuando un engranaje dentro de la transmisión comienza a fallar, sus señales de advertencia suelen quedar sepultadas bajo este ruido de fondo caótico.

Los investigadores comenzaron construyendo una simulación computarizada detallada de cómo se comportan estas máquinas en terrenos montañosos. No dependieron únicamente de datos del mundo real, porque recolectar suficientes ejemplos de engranajes realmente rotos en equipos agrícolas costosos es difícil y peligroso. En su lugar, crearon un entorno virtual que imitaba el mundo real con alta precisión. Programaron la simulación para generar ciclos de conducción prolongados que incluían el arado, el transporte de mercancías y la navegación por rutas mixtas de colinas. La simulación tuvo en cuenta cada factor que cambia la vibración de la máquina: la inclinación de la pendiente, la resistencia del suelo, la velocidad del vehículo, el nivel de carga de la batería y el estado del motor de rango extendido. Crucialmente, utilizaron una estrategia de "emparejamiento". Para cada trayecto simulado, generaron dos versiones de los datos de vibración: una que representaba una máquina perfectamente sana y otra que representaba la misma máquina con una falla específica en un engranaje. Ambas versiones experimentaron exactamente la misma colina, la misma carga y los mismos cambios de velocidad. La única diferencia era la presencia de la falla. Esto aseguró que cuando la computadora aprendiera a distinguirlas, estuviera aprendiendo a reconocer la falla en sí misma, y no solo la diferencia entre una colina empinada y un camino plano.

Una vez que generaron 2,000 de estos pares de muestras, los investigadores se enfrentaron a la tarea de extraer la información útil de las señales de vibración bruta. En un análisis estándar, los ingenieros observan la frecuencia de las vibraciones, lo que es como escuchar el tono de un sonido. Sin embargo, debido a que la velocidad de la máquina cambiaba constantemente, el tono de la falla del engranaje subía y bajaba, dispersando su energía a través de un amplio rango y dificultando su detección. El equipo utilizó una técnica llamada seguimiento de orden computado (computed order tracking) para solucionar esto. En lugar de medir la vibración en intervalos de tiempo iguales, la midieron en ángulos iguales de rotación del eje de transmisión. Imagine una rueda girando: si toma una foto cada vez que la rueda gira una cantidad específica, la imagen de una grieta en el borde siempre estará en el mismo lugar, incluso si la rueda gira más rápido o más lento. Al aplicar esta lógica a los datos de vibración, los investigadores transformaron las señales errantes y variables en un mapa estable donde la falla siempre aparecía en el mismo lugar, independientemente de qué tan rápido se moviera la máquina.

Con los datos ahora organizados en este mapa estable, el siguiente paso fue encontrar las características específicas que importaban. Los investigadores extrajeron docenas de mediciones de diferentes partes de este mapa, buscando picos de energía, cambios en los niveles promedio y la fuerza relativa de las señales en comparación con su entorno. Esto creó una lista masiva de pistas potenciales, muchas de las cuales eran solo ruido o detalles irrelevantes causados por la batería o el motor. Para atravesar este desorden, utilizaron una herramienta matemática que seleccionaba automáticamente solo las pistas más importantes y descartaba el resto. Este proceso, conocido como selección de características dispersas (sparse feature selection), actuó como un filtro que eliminó el ruido de fondo de la operación de la máquina, dejando atrás un conjunto pequeño y preciso de indicadores que estaban fuertemente vinculados a la falla del engranaje y que no tenían relación alguna con la carga de la batería o la pendiente de la colina.

Finalmente, los investigadores probaron su sistema para ver si realmente podía identificar las fallas. Dividieron sus datos simulados en conjuntos de entrenamiento y de prueba, pidiéndole a la computadora que aprendiera de un grupo y luego predijera la salud del otro. Compararon su nuevo método con varias técnicas estándar y antiguas. Los resultados fueron claros: el nuevo enfoque, que combinaba el mapa estable basado en ángulos con el filtro inteligente de características, superó significativamente a los métodos tradicionales. En pruebas repetidas, el sistema identificó correctamente la condición del engranaje con una precisión de aproximadamente el 94 por ciento. Esto fue notablemente mejor que los métodos basados en la frecuencia estándar, que luchaban por mantenerse al día con las velocidades variables. Quizás más importante aún, el sistema demostró ser robusto cuando se enfrentó a condiciones que nunca había visto antes. Cuando los investigadores lo probaron con datos que involucraban velocidades, cargas o pendientes fuera del rango de los datos de entrenamiento, el nuevo método mantuvo una alta precisión, mientras que los métodos antiguos vieron caer drásticamente su rendimiento.

El estudio también reveló que las características específicas en las que el sistema aprendió a confiar estaban, de hecho, relacionadas con los engranajes y no con los otros sistemas de la máquina. Los indicadores seleccionados se concentraron en áreas específicas del mapa de vibración que corresponden a la rotación del eje de transmisión, y mostraron casi ninguna conexión con el estado de carga de la batería o los ciclos de encendido y apagado del motor. Esto confirmó que el método estaba aislando con éxito la falla mecánica del complejo tren motriz híbrido. Los investigadores descubrieron que incluso un tipo más simple de clasificador computacional podía lograr una alta precisión una vez que los datos se preparaban adecuadamente, lo que sugiere que el verdadero avance residió en cómo se organizaban y limpiaban los datos, más que en la complejidad de la herramienta de toma de decisiones final.

Si bien los resultados son prometedores, los autores advierten cuidadosamente que estos hallazgos provienen de una simulación. El entorno virtual, aunque detallado, no puede replicar perfectamente la realidad desordenada de una granja real, donde los sensores podrían estar montados de manera diferente, o donde la trayectoria de la transmisión podría verse afectada por el óxido o la suciedad de formas que el modelo computarizado no anticipó. El estudio sirve como una prueba de concepto, demostrando que el enfoque es teóricamente sólido y capaz de manejar la variabilidad extrema de la agricultura en colinas. El siguiente paso, según delinean los investigadores, es construir una máquina real equipada con los sensores necesarios y probar el sistema en el campo. Si el método se sostiene en el mundo real, podría proporcionar a los agricultores una forma confiable de monitorear su costoso equipo híbrido, evitando averías inesperadas y asegurando que estas máquinas avanzadas puedan continuar trabajando en los difíciles y escarpados campos que definen la agricultura moderna.