Bayesian-Optimized VMD and Attention-Based CNN- BiLSTM for Early Gearbox Fault Diagnosis

Nas máquinas pesadas que impulsionam o nosso mundo moderno, desde as turbinas que geram eletricidade até os comboios que atravessam continentes, a caixa de engrenagens é um coração crítico. Ela transfere potência e ajusta a velocidade, suportando stress, vibração e impacto constantes. Como qualquer sistema mecânico, estes componentes não duram para sempre; desenvolvem desgaste e fissuras ao longo do tempo. As falhas mais perigosas começam frequentemente como falhas minúsculas, quase invisíveis — fissuras menores que um milímetro ou picadas num dente de engrenagem que são mal detetáveis. Se estes sinais precoces forem ignorados, um problema menor pode escalar para uma avaria catastrófica, causando enormes perdas económicas e riscos de segurança. Durante décadas, os engenheiros tentaram ouvir o zumbido destas máquinas para ouvir estes avisos precoces, mas os sinais são frequentemente abafados pelo ruído alto e caótico da operação normal. Os métodos tradicionais de escuta de problemas têm dificuldade em separar o sussurro ténue de uma falha em desenvolvimento do rugido da máquina, especialmente quando a velocidade e a carga do equipamento estão em constante mudança.

Para resolver isto, uma equipa de investigadores da Universidade de Qiqihar desenvolveu uma nova forma de ouvir, combinando processamento de sinal avançado com um tipo de inteligência artificial concebida para aprender com padrões. A sua abordagem trata os dados de vibração de uma caixa de engrenagens não apenas como um emaranhado ruidoso, mas como um sinal em camadas que pode ser cuidadosamente descascado. Primeiro, utilizam uma técnica matemática para decompor a vibração complexa em partes mais simples e limpas, isolando as frequências específicas onde uma falha poderá estar escondida. No entanto, fazer isto manualmente é lento e muitas vezes impreciso, por isso utilizam um algoritmo de busca inteligente que encontra automaticamente as configurações perfeitas para separar estas camadas, tal como sintonizar um rádio para encontrar a estação mais clara sem estática. Uma vez que o sinal esteja limpo, alimentam-no num sistema de aprendizagem profunda que imita a capacidade do cérebro humano de reconhecer padrões. Este sistema analisa os dados de duas formas simultâneas: examina a forma do sinal num único momento e também estuda como o sinal muda ao longo do tempo, procurando o ritmo específico de uma fissura ou de um dente desgastado. Para garantir que o sistema se foca nos detalhes mais importantes, adicionaram um mecanismo que atua como um holofote, destacando as características principais e ignorando o ruído de fundo.

Os investigadores testaram este novo método utilizando uma grande coleção de dados de vibração de um conjunto de dados de caixa de engrenagens fornecido pela Universidade de Tsinghua. Este conjunto de dados incluía milhares de amostras representando cinco estados diferentes: uma caixa de engrenagens saudável, engrenagens com desgaste ligeiro, engrenagens com pequenas fissuras e engrenagens com picadas tanto nos anéis internos como nos externos. Estes testes foram realizados sob nove condições de trabalho diferentes, simulando várias velocidades e cargas para garantir que o método funcionasse em cenários do mundo real. Os resultados foram claros e precisos. O novo sistema identificou corretamente o tipo de falha em aproximadamente 90% dos casos, uma melhoria significativa em relação aos métodos existentes. Quando comparado com outros modelos que utilizavam apenas uma parte do processo — como apenas a limpeza do sinal ou apenas o reconhecimento de padrões — o sistema completo teve um desempenho muito superior. O estudo mostrou que, sem a busca inteligente para ajustar a separação do sinal, a precisão diminuía e, sem o mecanismo de holofote para focar nas características principais, o sistema tornava-se menos fiável. Mesmo quando a velocidade da máquina mudava, o sistema permanecia estável, provando que podia lidar com a natureza imprevisível dos ambientes industriais.

O que torna este trabalho particularmente valioso é a forma como lida com a parte mais difícil do problema: as falhas "menores". Estas são os problemas de fase inicial, que são os mais difíceis de detetar porque os seus sinais são muito fracos. Os investigadores descobriram que o seu método conseguia distinguir entre uma máquina saudável e uma com defeitos específicos, tais como uma fissura na raiz do dente com um comprimento de 0,3 milímetros ou um desgaste do dente com uma profundidade de 0,1 milímetros, mesmo quando a máquina operava sob carga pesada. Ao decompor o sinal de vibração nos seus componentes fundamentais e utilizar um sistema de inteligência híbrida para analisar tanto a forma espacial como a evolução temporal desses componentes, o método conseguiu filtrar a interferência que normalmente esconde estes avisos precoces. O estudo excluiu explicitamente a ideia de que um único tipo de análise seria suficiente; nem um simples correspondente de padrões nem um limpador de sinal básico funcionariam bem sozinhos. Em vez disso, a combinação de separação de sinal adaptativa e uma rede neuronal de foco duplo era necessária para alcançar uma alta precisão.

As implicações desta descoberta são práticas e imediatas para as indústrias que dependem de maquinaria rotativa. Ao fornecer uma forma de detetar falhas precocemente com elevada confiança, este método oferece um caminho para a manutenção preditiva, onde as máquinas são reparadas antes de avariarem, em vez de depois. Os investigadores demonstraram que o seu sistema não é apenas um exercício teórico, mas uma ferramenta robusta capaz de trabalhar em diferentes velocidades e cargas, o que é essencial para a aplicação no mundo real. O estudo conclui que esta abordagem integrada fornece uma solução fiável para monitorizar sistemas industriais críticos, podendo poupar milhares de milhões de dólares em evitadas acidentes e tempos de inatividade. Representa uma mudança das reparações reativas para a segurança proativa, garantindo que a maquinaria pesada que mantém a nossa economia em movimento continue a operar de forma suave e segura.