Cuscinetti Rotanti Sotto la Lente: Come Scoviamo i Guasti Multipli con un Trucco Matematico!

Ciao a tutti! Oggi voglio parlarvi di qualcosa che magari suona complicato, ma che in realtà è fondamentale per far funzionare un sacco di cose intorno a noi: la salute dei cuscinetti rotanti. Immaginate motori, turbine eoliche, macchinari industriali… ecco, i cuscinetti sono un po’ il cuore pulsante di questi sistemi, permettendo alle parti di ruotare senza intoppi. Ma, come ogni componente sottoposto a stress, anche loro si possono danneggiare. E qui arriva il bello: capire *quando* e *come* si stanno rompendo, specialmente quando i problemi sono più di uno contemporaneamente.

Il Rompicapo dei Guasti Multipli

Pensate ai cuscinetti come a componenti super stressati. Lavorano sotto carichi pesanti, a volte a basse velocità, e non è raro che si danneggino. Anzi, pare che siano responsabili fino al 30% dei guasti meccanici! Un guasto improvviso può fermare la produzione, causare danni enormi e costare un sacco di soldi. Ecco perché la diagnosi precoce è così cruciale.

Quando un cuscinetto inizia ad avere un problema (una piccola crepa sulla pista interna, esterna o su una sfera), genera delle micro-vibrazioni, degli impulsi che si ripetono ad ogni giro. In teoria, basterebbe “ascoltare” queste vibrazioni con dei sensori e analizzare la loro frequenza per capire cosa non va. Facile, no? Beh, non proprio.

Il problema è che questi segnali deboli, questi “sussurri” del cuscinetto malato, viaggiano attraverso la macchina, si mescolano con il rumore di fondo (che può essere fortissimo!), con le vibrazioni di altri componenti (come gli ingranaggi) e con interferenze varie. Alla fine, il segnale che arriva al nostro sensore è un gran pasticcio, un “rumore” confuso in cui è difficilissimo distinguere l’impulso periodico che ci interessa. È come cercare di sentire un sussurro durante un concerto rock!

Negli anni, noi ricercatori abbiamo sviluppato tante tecniche per cercare di “pulire” questo segnale o di esaltare le caratteristiche del guasto: decomposizione modale empirica (EMD) e sue varianti, trasformate wavelet, decomposizione modale variazionale (VMD), risonanza stocastica, filtraggio morfologico… e una famiglia di metodi molto affascinante chiamata deconvoluzione cieca (Blind Deconvolution Method – BDM).

L’idea della deconvoluzione è geniale: se il segnale che misuriamo è il risultato della “convoluzione” (una sorta di mescolamento matematico) tra l’impulso originale del guasto e il “percorso” che ha fatto per arrivare al sensore (più tutto il rumore), allora possiamo provare a fare l’operazione inversa, la “deconvoluzione”, per recuperare l’impulso pulito. È come cercare di togliere l’eco da una registrazione audio per sentire meglio la voce originale.

CYCBD: Un Buon Inizio, Ma con dei Limiti

Uno dei metodi di deconvoluzione più efficaci è il CYCBD (Maximum Second-Order Cyclostationarity Blind Deconvolution). Questo metodo è bravo a cercare segnali che hanno una certa “ciclo-stazionarietà” di secondo ordine, una proprietà matematica tipica degli impulsi periodici generati dai guasti nei cuscinetti. In pratica, cerca pattern che si ripetono nel tempo in modo specifico.

Il CYCBD funziona bene, soprattutto per estrarre segnali deboli. Ma ha un tallone d’Achille:

• Funziona al meglio quando c’è un solo guasto. Se i guasti sono multipli (ad esempio, un danno sulla pista interna E uno sulla pista esterna contemporaneamente – un guasto composito), va in crisi. I segnali si sovrappongono e il metodo non riesce a separarli bene.
• Spesso richiede di conoscere a priori la frequenza del guasto che stiamo cercando, o almeno di avere una stima. Ma nella realtà, questa informazione non è sempre disponibile o precisa.
• La sua efficacia dipende da parametri come la lunghezza del filtro e il numero di iterazioni, che non sono sempre facili da scegliere.

Insomma, per i guasti compositi, che sono una bella sfida nella diagnostica, serviva qualcosa di più.

La Svolta: L’Approccio ABDD (Adaptive Blind Deconvolution Decomposition)

Ed è qui che entra in gioco la nostra idea: l’ABDD (Adaptive Blind Deconvolution Decomposition). Abbiamo pensato: e se invece di cercare di applicare il CYCBD a tutto il segnale in blocco, provassimo a “spezzettare” il problema?

Ecco come funziona l’ABDD, passo dopo passo:

1. Filtrare e Dividere: Per prima cosa, prendiamo il segnale vibratorio grezzo e lo passiamo attraverso un banco di filtri speciali, chiamati filtri FIR (Finite Impulse Response). Immaginate tanti setacci con maglie diverse: ogni filtro isola una specifica banda di frequenza del segnale. Creiamo questi filtri in modo che coprano l’intera gamma di frequenze del segnale, dividendolo in diverse “fette”. Questo ci aiuta a separare potenziali frequenze di guasto che potrebbero trovarsi in zone diverse dello spettro.

2. Analisi Approfondita di Ogni “Fetta” (con ICYCBD): Ora, ogni “fetta” filtrata viene data in pasto a una versione migliorata del CYCBD, che abbiamo chiamato ICYCBD (Improved CYCBD). Perché migliorata? Perché abbiamo risolto uno dei problemi principali del CYCBD originale: la necessità di conoscere la frequenza di guasto in anticipo.
Nell’ICYCBD, usiamo una strategia furba:

• Prima applichiamo un filtraggio morfologico (in particolare, l’operatore “average hat”) per pulire ulteriormente il segnale e far emergere meglio gli impulsi positivi e negativi tipici dei guasti.
• Poi, calcoliamo lo spettro inviluppo del segnale filtrato e applichiamo una tecnica chiamata EHPS (Envelope Harmonic Product Spectrum). L’EHPS è bravissima a scovare la frequenza fondamentale di un segnale periodico anche quando è sepolta nel rumore o mascherata da armoniche potenti. È molto più robusta della semplice autocorrelazione usata in passato.

Quindi, l’ICYCBD stima automaticamente la frequenza ciclica (cioè la frequenza del potenziale guasto) presente in quella “fetta” di segnale e poi usa questa stima per ottimizzare il filtro di deconvoluzione, proprio come fa il CYCBD, ma in modo adattivo!

3. Ordinare le Scoperte per Importanza: Dopo aver applicato l’ICYCBD a tutte le “fette”, otteniamo diversi “modi di decomposizione”, ognuno corrispondente a una banda di frequenza e potenzialmente contenente informazioni su un guasto. Ma quale modo è più importante? Quale contiene davvero le caratteristiche del guasto che cerchiamo? Per capirlo, usiamo un altro indice: la Kurtosi Correlata (Correlation Kurtosis – CK). La CK è un valore che misura quanto un segnale è sia impulsivo (picchi netti) sia periodico. Un valore alto di CK indica che quel modo di decomposizione probabilmente contiene proprio gli impulsi periodici del guasto. Quindi, calcoliamo la CK per tutti i modi ottenuti e li mettiamo in ordine, dal più “importante” (CK più alta) al meno importante.

4. Selezionare ed Estrarre: Infine, selezioniamo i modi di decomposizione con la CK più alta (ad esempio, i primi 2 o 3). Questi sono i candidati più probabili a contenere le informazioni sui guasti. Analizzando lo spettro inviluppo di questi modi selezionati, possiamo finalmente identificare chiaramente le frequenze caratteristiche dei diversi guasti presenti nel cuscinetto, anche se erano multipli e nascosti nel rumore!

Alla Prova dei Fatti: Simulazioni ed Esperimenti

Bello sulla carta, ma funziona davvero? Per verificarlo, abbiamo fatto un bel po’ di test.

Prima, abbiamo creato dei segnali simulati al computer. Abbiamo simulato un cuscinetto con un solo guasto (sulla pista esterna) immerso in un forte rumore e con interferenze armoniche. Poi, abbiamo simulato la situazione più difficile: un guasto composito (pista interna + pista esterna).
I risultati? L’ABDD è riuscito a estrarre chiaramente le frequenze di guasto in entrambi i casi. Nel caso del guasto singolo, ha funzionato bene come altri metodi avanzati (ACYCBD, SMHD), ma nel caso del guasto composito, l’ABDD è stato l’unico metodo, tra quelli testati (CYCBD, ACYCBD, IMCKD, SMHD), a identificare correttamente entrambe le frequenze di guasto! Gli altri metodi o ne trovavano solo una, o nessuna. Questo perché l’ABDD, grazie alla sua scomposizione e selezione basata sulla CK, riesce a “dedicare” modi diversi a guasti diversi che magari eccitano bande di frequenza differenti.

Poi siamo passati ai dati reali. Abbiamo usato due set di dati sperimentali pubblici, molto usati nella comunità scientifica:

• Dati dell’Università di Paderborn (Germania): Abbiamo analizzato dati di un cuscinetto con un guasto composito reale (pitting sulla pista interna e sulla pista esterna). Anche qui, abbiamo aggiunto rumore artificiale per rendere la sfida più ardua. Risultato: l’ABDD ha estratto entrambe le frequenze di guasto in modo netto. Abbiamo anche usato un indice quantitativo, chiamato FER (Feature Extraction Ratio), per misurare “quanto bene” viene estratta la frequenza. L’ABDD ha ottenuto i valori FER più alti per entrambi i guasti rispetto agli altri metodi.
• Dati dell’Università di Hanoi (Vietnam): Qui abbiamo testato un altro tipo di guasto composito (pista interna + elemento volvente/sfera). Stesso copione: segnale rumoroso, confronto con altri metodi. E ancora una volta, l’ABDD è stato l’unico a identificare chiaramente entrambe le frequenze caratteristiche del guasto, confermato anche dai valori FER.

Questi esperimenti hanno dimostrato che l’ABDD non solo funziona in teoria, ma è efficace anche su dati reali e complessi, superando i metodi esistenti nella diagnosi di guasti compositi, che è uno dei problemi più tosti nel nostro campo. Abbiamo anche verificato che i parametri principali dell’ABDD (come la lunghezza dei filtri L e il numero di filtri K) non sono eccessivamente critici: scegliendoli entro un range ragionevole, i risultati rimangono stabili e buoni.

Perché l’ABDD Fa la Differenza?

Riassumendo, i punti di forza del nostro approccio ABDD sono:

• È Adattivo: Non ha bisogno di sapere in anticipo quale frequenza di guasto cercare, grazie all’uso dell’EHPS nell’ICYCBD.
• È Efficace sui Guasti Compositi: La scomposizione tramite banco di filtri FIR e la selezione dei modi tramite CK gli permettono di separare e identificare guasti multipli che confondono altri metodi.
• È Robusto al Rumore: L’uso combinato di filtraggio morfologico, EHPS e deconvoluzione lo rende capace di estrarre segnali deboli anche in condizioni molto rumorose.
• Seleziona i Modi Ottimali: L’ordinamento basato sulla CK evita la ridondanza e seleziona automaticamente i modi di decomposizione più significativi.

Conclusioni e Prossimi Passi

Possiamo dire di aver sviluppato uno strumento potente per la diagnosi dei guasti nei cuscinetti rotanti, specialmente quelli multipli. L’ABDD combina in modo intelligente diverse tecniche (filtri FIR, ICYCBD con EHPS, selezione CK) per superare i limiti dei metodi precedenti. I risultati delle simulazioni e degli esperimenti su dati reali sono molto incoraggianti e mostrano una superiorità rispetto ad altri approcci di deconvoluzione noti.

Certo, c’è sempre spazio per migliorare. Un aspetto su cui lavorare in futuro è l’efficienza computazionale: l’ABDD, dovendo analizzare diverse “fette” di segnale, può richiedere più calcoli. Stiamo pensando a come ridurre eventuali iterazioni ridondanti per renderlo ancora più veloce.

Ma per ora, siamo entusiasti del potenziale dell’ABDD per rendere la manutenzione dei macchinari rotanti più predittiva, sicura ed efficiente. Capire in anticipo e con precisione cosa non va nei cuscinetti può davvero fare la differenza!

Fonte: Springer