Scopo di questo studio è quello di generare dati per allenare l’intelligenza artificiale a riconoscere il progredire dei danneggiamenti in ingranaggi in plastica sulla base di dati vibrazionali. Per questo vi è la necessità di acquisire in modo automatico non solo il dato vibratorio, ma anche l’entità del danneggiamento. In questa ricerca il problema è stato superato sviluppando un sistema automatico di acquisizione dei dati, sia vibrazionali sia caratteristici del danneggiamento estensione.
Nuove possibilità sul fronte della sicurezza
Il monitoraggio strutturale di elementi rotanti, in questo caso ingranaggi, è fondamentale per prevenire danni catastrofici. È noto infatti come molti sforzi si siano già fatti in tal senso. Molte ricerche si basano su approcci di misura delle vibrazioni in quanto le accelerazioni sono semplici da misurare. A titolo di esempio, Shimada et al hanno studiato un metodo di classificazione dei danneggiamenti sulla base delle vibrazioni misurate da Maharanobis-Taguchi il cui metodo permetteva solo di distinguere tra ingranaggi sani e danneggiati (1). Chen et al hanno proposto un metodo di valutazione dello stato di salute degli ingranaggi che prevedeva sensori integrati all’interno del riduttore (2). Questi metodi sono molto utili per lo sviluppo sistemi di monitoraggio, ma lasciamo comunque un elevato grado di incertezza quando applicati a sistemi in plastica.
La diffusione degli ingranaggi in plastica sta crescendo sempre più grazie ai bassi costi, peso ridotto, grande capacità di assorbire le vibrazioni e possibilità di operare in assenza di lubrificante. Se attraverso questa ricerca risulterà possibile superare i limiti che i sistemi di monitoraggio tradizionali mostrano quando applicati a sistemi in plastica, questi ultimi potranno essere sfruttati maggiormente aumentando i carichi trasmissibili e le velocità operative.
Iba et al (3) hanno condotto test su ingranaggi in POM. Le misure accelerometriche acquisite con sensori posti sulla cassa in corrispondenza del cuscinetto dell’albero condotto e le relative analisi in frequenza hanno permesso di identificare le principali componenti dello spettro. E’ stato possibile identificare non solo le componenti DC, le frequenze degli alberi e le relative armoniche della frequenza di ingrandimento con relative bande laterali, ma anche vibrazioni indotte dagli elementi volventi dei cuscinetti, vibrazioni riconducibili al motore (con relative armoniche)… In queste misure si sono osservati significativi fenomeni di modulazione che possono essere ricollegati al fatto che gli ingranaggi in plastica sono molto flessibili in quanto la loro rigidezza risulta essere molto minore di quella di ingranaggi metallici nonché al fatto che, a causa di un elevato coefficiente di espansione termica, sono soggetti a significative variazioni dimensionali in esercizio. Le componenti modulate complicano in maniera importante la procedura di analisi dello spettro in frequenza del segnale accelerometrico e spesso mascherano danneggiamenti delle ruote in plastica. Ad esempio, anche in presenza di una rottura completa di un dente (3), il segnale accelerometrico rimane praticamente invariato. Inoltre, il rumore indotto da tutti gli altri componenti come i cuscinetti ed il motore complica ulteriormente l’analisi. Da qui appare chiaro come sia necessario un metodo alternativo per il monitoraggio degli ingranaggi in plastica.
Recenti studi sull’intelligenza artificiale hanno mostrato notevoli passi avanti di questa tecnologia soprattutto con l’applicazione del cosiddetto “deep learning” (4). Questa tecnica viene applicata in molti settori tra cui quello del monitoraggio strutturale. L’intelligenza artificiale viene applicata per la diagnosi dello stato di salute delle macchine rotanti permettendo in molti casi di capire con molta accuratezza il livello di danneggiamento anche in esercizio (5)(6). L’intelligenza artificiale puoi estrarre in modo automatico tutte le feature necessarie per riuscire ad identificare un dato fenomeno.
L’obiettivo a lungo termine di questo studio è quello di riuscire a monitorare l’avanzamento di un danneggiamento su ingranaggi in plastica analizzando semplicemente dati vibrazionali. Per fare questo è molto importante fornire all’intelligenza artificiale una grande quantità di dati in modo da “istruirla” a dovere. Per questo motivo, si è sviluppato un metodo automatico di acquisizione dei dati in grado di misurare il segnale vibrazionale indotto da ingranaggi in plastica e di catturare immagini dello stato di avanzamento del danneggiamento. Nel lavoro viene anche presentata una semplice rete neurale CNN a cui sono stati dati in pasto i dati acquisiti e con cui si è cercato di fare previsioni sullo stato del sistema.
