Poincare^́ Plot Features and Statistical Features From Current and Vibration Signals for Fault Severity Classification of Helical Gear Tooth Breaks

La mayoría de los enfoques de extracción de características para el diagnóstico de fallos en maquinaria rotativa basado en datos asumen características de periodicidad y estacionalidad típicamente inherentes a las señales lineales obtenidas de diferentes sensores. Sin embargo, el comportamiento de la maquinaria rotativa no es necesariamente lineal cuando se produce un fallo. Por ello, se necesitan nuevas técnicas basadas en la teoría del caos y de los sistemas no lineales para extraer las características adecuadas de las señales. Este artículo introduce el uso de características extraídas del diagrama de Poincaré (PP), que se calculan sobre las señales de vibración y corriente medidas en una caja de cambios accionada por un motor de inducción. Se desarrolla una comparación entre el rendimiento de las características estadísticas clásicas y las características del PP aplicando un análisis de características basado en el análisis de varaince (ANOVA) y la evaluación de la validez de los clusters para clasificar y seleccionar el subconjunto de mejores características. El algoritmo K-nearest-neighbor (KNN) se utiliza para comprobar el rendimiento del conjunto de características seleccionado para la clasificación de la gravedad de los fallos. El uso de PP para el análisis de señales no lineales y no periódicas no es nuevo; sin embargo, su aplicación en sistemas mecánicos no está muy extendida. Nuestra contribución tiene como objetivo destacar el uso de las características de PP, con el apoyo de los datos recogidos de un banco de pruebas en condiciones reales de velocidad y carga, para probar la aplicación potencial de este enfoque. Los resultados muestran que las características de PP extraídas de la señal de corriente arrojan un 96% de precisión en la clasificación cuando se utilizan al menos 11 características.