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

No terreno acidentado e irregular de colinas e montanhas, o maquinário pesado enfrenta um desafio único: o solo nunca é plano e o trabalho nunca é constante. Quando um trator ou uma colhedora sobe uma encosta ou ara um solo espesso, seu motor e transmissão devem se ajustar constantemente, fazendo com que a velocidade de suas partes rotativas flutue drasticamente. Para engenheiros que precisam ouvir essas máquinas para detectar sinais precoces de desgaste ou danos, essa variabilidade é um grande obstáculo. Os métodos tradicionais de escuta para problemas dependem da identificação de sons específicos e constantes que indiquem uma engrenagem quebrada ou um rolamento gasto. No entanto, quando a velocidade da máquina muda, esses sons mudam de tom e se tornam imprecisos, tornando difícil distinguir se um ruído estranho é um sinal de uma falha grave ou apenas uma reação normal a uma encosta íngreme. Essa incerteza leva a alarmes falsos, onde uma máquina saudável é sinalizada como quebrada, ou detecções perdidas, onde um problema real passa despercebido até causar uma falha no campo.

Para resolver isso, pesquisadores da Universidade de Ciência e Tecnologia de Henan e do Laboratório Longmen desenvolveram uma nova maneira de monitorar a saúde de engrenagens em máquinas agrícolas híbridas projetadas para essas paisagens difíceis. Em vez de tentar ouvir os sons da máquina conforme eles ocorrem em tempo real, eles criaram um método que traduz os dados de vibração para um formato que permanece estável mesmo quando a máquina acelera ou desacelera. Ao simular milhares de horas de operação em colinas virtuais, eles treinaram um sistema para ignorar o ruído causado por mudanças de inclinação e carga, focando apenas nos padrões específicos que indicam que uma engrenagem está danificada. A abordagem deles distinguiu com sucesso engrenagens saudáveis de engrenagens defeituosas, mesmo quando a máquina operava sob condições que ela nunca havia visto antes, oferecendo um caminho promissor para manter o equipamento agrícola híbrido funcionando de forma segura e eficiente nos campos mais desafiadores do mundo.

O cerne deste trabalho aborda um tipo específico de veículo: a máquina agrícola híbrida de extensão de alcance. Estas são tratores e colhedoras poderosas que usam um pequeno motor para gerar eletricidade, que então carrega uma bateria ou alimenta diretamente um motor elétrico para girar as rodas. Esse design permite que operem com alta potência e baixas emissões, mas também introduz vibrações complexas. O motor liga e desliga, a bateria carrega e descarrega, e o motor elétrico alterna modos, tudo isso enquanto a máquina sobe encostas e puxa cargas pesadas. Em um trator diesel tradicional, os padrões de vibração são relativamente previsíveis. Nessas máquinas híbridas, a vibração é uma mistura caótica do ritmo do motor, o zumbido do motor elétrico, o moer das engrenagens e os solavancos do terreno irregular. Quando uma engrenagem dentro da transmissão começa a falhar, seus sinais de alerta são frequentemente enterrados sob esse ruído de fundo caótico.

Os pesquisadores começaram construindo uma simulação computacional detalhada de como essas máquinas se comportam em terrenos montanhosos. Eles não dependeram apenas de dados do mundo real, porque coletar exemplos suficientes de engrenagens realmente quebradas em equipamentos agrícolas caros é difícil e perigoso. Em vez disso, criaram um ambiente virtual que mimetizava o mundo real com alta precisão. Eles programaram a simulação para gerar longos ciclos de condução que incluíam o arado, o transporte de mercadorias e a navegação em rotas mistas e montanhosas. A simulação levou em conta cada fator que altera a vibração da máquina: a inclinação da encosta, a resistência do solo, a velocidade do veículo, o nível de carga da bateria e o estado do motor de extensão de alcance. Crucialmente, eles utilizaram uma estratégia de "emparelhamento". Para cada condução simulada, geraram duas versões dos dados de vibração: uma representando uma máquina perfeitamente saudável e outra representando a mesma máquina com uma falha específica na engrenagem. Ambas as versões experimentaram exatamente a mesma colina, a mesma carga e as mesmas mudanças de velocidade. A única diferença era a presença da falha. Isso garantiu que, quando o computador aprendesse a diferenciá-las, estivesse aprendendo a reconhecer a própria falha, e não apenas a diferença entre uma colina íngreme e uma estrada plana.

Após gerarem 2.000 desses exemplos emparelhados, os pesquisadores enfrentaram a tarefa de extrair a informação útil dos sinais de vibração brutos. Em uma análise padrão, os engenheiros observam a frequência das vibrações, o que é como ouvir o tom de um som. No entanto, como a velocidade da máquina estava constantemente mudando, o tom da falha da engrenagem oscilava para cima e para baixo, espalhando sua energia por uma ampla gama e tornando difícil a detecção. A equipe utilizou uma técnica chamada rastreamento de ordem computada (computed order tracking) para corrigir isso. Em vez de medir a vibração em intervalos de tempo iguais, eles a mediram em ângulos iguais de rotação do eixo de transmissão. Imagine uma roda girando: se você tirar uma foto toda vez que a roda gira uma quantidade específica, a foto de uma rachadura no aro estará sempre no mesmo lugar, mesmo que a roda esteja girando mais rápida ou mais devagar. Ao aplicar essa lógica aos dados de vibração, os pesquisadores transformaram os sinais oscilantes e errantes em um mapa estável onde a falha sempre aparecia no mesmo lugar, independentemente da velocidade da máquina.

Com os dados agora organizados neste mapa estável, o próximo passo foi encontrar as características específicas que importavam. Os pesquisadores extraíram dezenas de medições de diferentes partes deste mapa, procurando picos de energia, mudanças nos níveis médios e a força relativa dos sinais em relação ao seu entorno. Isso criou uma lista massiva de pistas potenciais, muitas das quais eram apenas ruído ou detalhes irrelevantes causados pela bateria ou pelo motor. Para cortar esse excesso, eles usaram uma ferramenta matemática que selecionava automaticamente apenas as pistas mais importantes e descartava o restante. Esse processo, conhecido como seleção de características esparsas (sparse feature selection), agiu como um filtro que removeu o ruído de fundo da operação da máquina, deixando para trás um conjunto pequeno e preciso de indicadores que estavam fortemente ligados à falha da engrenagem e eram completamente não relacionados à carga da bateria ou à inclinação da colina.

Finalmente, os pesquisadores testaram seu sistema para ver se ele poderia realmente identificar as falhas. Eles dividiram seus dados simulados em conjuntos de treinamento e conjuntos de teste, pedindo ao computador para aprender com um grupo e depois prever a saúde do outro. Eles compararam seu novo método com várias técnicas antigas e padrão. Os resultados foram claros: a nova abordagem, que combinou o mapa estável baseado em ângulos com o filtro inteligente de características, superou significamente os métodos tradicionais. Em testes repetidos, o sistema identificou corretamente a condição da engrenagem com uma precisão de cerca de 94 por cento. Isso foi notavelmente melhor do que os métodos baseados em frequência padrão, que lutavam para acompanhar as velocidades variáveis. Talvez mais importante, o sistema provou ser robusto quando confrontado com condições que ele nunca havia visto antes. Quando os pesquisadores testaram o sistema em dados envolvendo velocidades, cargas ou inclinações fora do intervalo dos dados de treinamento, o novo método manteve uma alta precisão, enquanto os métodos antigos viram seu desempenho cair drasticamente.

O estudo também revelou que as características específicas nas quais o sistema aprendeu a confiar estavam de fato relacionadas às engrenagens e não aos outros sistemas da máquina. Os indicadores selecionados concentravam-se em áreas específicas do mapa de vibração que correspondem à rotação do eixo de transmissão e mostraram quase nenhuma conexão com o estado de carga da bateria ou com os ciclos de liga/desliga do motor. Isso confirmou que o método estava isolando com sucesso a falha mecânica da complexa transmissão híbrida. Os pesquisadores descobriram que até um tipo mais simples de classificador computacional poderia alcançar alta precisão uma vez que os dados fossem devidamente preparados, sugerindo que o verdadeiro avanço estava na forma como os dados eram organizados e limpos, e não na complexidade da ferramenta de decisão final.

Embora os resultados sejam promissores, os autores observam cautelosamente que essas descobertas provêm de uma simulação. O ambiente virtual, embora detalhado, não pode replicar perfeitamente a realidade desordenada de uma fazenda real, onde os sensores podem estar montados de forma diferente, ou onde o caminho da transmissão pode ser afetado por ferrugem ou sujeira de maneiras que o modelo computacional não antecipou. O estudo serve como uma prova de conceito, demonstrando que a abordagem é teoricamente sólida e capaz de lidar com a variabilidade extrema da agricultura de colina. O próximo passo, conforme delineado pelos pesquisadores, é construir uma máquina real equipada com os sensores necessários e testar o sistema no campo. Se o método se sustentar no mundo real, poderá fornecer aos agricultores uma maneira confiável de monitorar seus caros equipamentos híbridos, evitando quebras inesperadas e garantindo que essas máquinas avançadas possam continuar trabalhando nos campos inclinados e difíceis que definem a agricultura moderna.