Une nouvelle étude constitue une avancée significative dans le domaine du diagnostic mécanique : elle a démontré l’efficacité de la combinaison du bispectre du signal de modulation (MSB) avec les réseaux neuronaux convolutifs (CNN) pour le diagnostic des pannes.engrenages coniques à spiraleCette approche novatrice promet une précision accrue, une détection plus rapide et un système de diagnostic plus intelligent pour les boîtes de vitesses hautes performances utilisées dansapplications aérospatiales, automobiles et industrielles.

Spiraleengrenages coniquesLes engrenages sont des composants de transmission essentiels présents dans les machines à couple élevé, les hélicoptères, les systèmes de propulsion marine et les réducteurs industriels robustes. Du fait de leur géométrie complexe et de leurs conditions de fonctionnement, la détection précoce des défauts d'engrenages, tels que la corrosion par piqûres, l'usure et la rupture des dents, demeure un défi technique. Les techniques de traitement du signal traditionnelles sont souvent confrontées à des interférences dues au bruit et à la non-linéarité des caractéristiques des défauts.

La nouvelle méthode propose un cadre de diagnostic des défauts en deux étapes. Dans un premier temps, les signaux de vibration générés par le système d'engrenage sont analysés par bispectre de signal de modulation (MSB), une technique d'analyse spectrale d'ordre supérieur qui capture efficacement les caractéristiques non linéaires et non gaussiennes du signal. Le MSB permet de révéler des caractéristiques de défauts modulées subtiles, généralement masquées dans les spectres de fréquences standard.

Ensuite, les données du signal traité sont transformées en images temps-fréquence et intégrées à un réseau neuronal convolutif (CNN), un modèle d'apprentissage profond capable d'extraire automatiquement les caractéristiques de défauts de haut niveau et de classifier l'état des engrenages. Ce modèle CNN est entraîné à différencier les engrenages en bon état, les défauts mineurs et les dommages importants, et ce, dans différentes conditions de charge et de vitesse.

Les résultats expérimentaux, obtenus sur un banc d'essai d'engrenages coniques à denture spirale conçu sur mesure, démontrent que l'approche MSB CNN atteint une précision de classification supérieure à 97 %, surpassant les méthodes traditionnelles telles que l'analyse par FFT et même d'autres techniques d'apprentissage profond s'appuyant sur des données vibratoires brutes. De plus, ce modèle hybride présente une grande robustesse au bruit de fond, ce qui le rend adapté aux applications industrielles réelles.

L'intégration du bispectre du signal de modulation avec les réseaux de neurones convolutifs (CNN) améliore non seulement les performances de reconnaissance des défauts, mais réduit également la dépendance à l'ingénierie manuelle des caractéristiques, un processus traditionnellement long et nécessitant une expertise pointue. La méthode est évolutive et peut être appliquée à d'autres composants de machines tournantes, tels que les roulements et autres.engrenages planétaires.

Cette recherche représente un progrès dans le développement de systèmes intelligents de diagnostic des pannes pour l'industrie 4.0 et le domaine plus vaste de la fabrication intelligente. Alors que l'automatisation et la fiabilité des machines deviennent de plus en plus cruciales,