Diagnóstico de fallos en engranajes de trenes de transmisión de aerogeneradores mediante fusión de información multisensor y aprendizaje por conjuntos en un estudio de banco de ensayos por simulación

Mantener los aerogeneradores en movimiento

Los parques eólicos modernos dependen de enormes cajas de engranajes ocultas dentro de cada turbina para convertir el viento lento y racheado en electricidad estable. Cuando esos engranajes se desgastan o se fisuran, las turbinas deben detenerse para su reparación, lo que supone pérdida de tiempo, dinero y energía limpia. Este estudio presenta una forma más inteligente de “escuchar” el latido mecánico de una turbina eólica y detectar problemas en los engranajes de forma temprana, incluso cuando la máquina gira a velocidades que cambian constantemente y está rodeada de ruido.

Por qué importa la salud de los engranajes

Las cajas de engranajes se sitúan entre las palas del rotor y el generador, soportando cargas fuertes y variables procedentes del viento. También están entre las piezas más propensas a fallar de una turbina y pueden representar gran parte de su tiempo de inactividad mecánico. Las herramientas de monitorización tradicionales analizan una única señal de vibración y aplican filtros fijos, lo que funciona razonablemente bien en condiciones de laboratorio estables. En el campo, sin embargo, la velocidad del rotor sube y baja con cada ráfaga, desplazando las firmas de vibración que indican daño. Al mismo tiempo, el ruido ambiental puede enterrar con facilidad los signos sutiles de una fisura o de un diente falta, dificultando el diagnóstico temprano.

Un bucle de escucha más inteligente

Para abordar esto, los autores diseñaron una cadena de tratamiento de señales en “bucle cerrado” que vincula velocidad y vibración en tiempo real. Primero, suavizan los datos de velocidad crudos procedentes de un codificador utilizando un filtro gaussiano, que elimina picos repentinos pero mantiene la tendencia real de la velocidad del eje. Ese perfil de velocidad limpio se usa luego para retunar continuamente un filtro pasa banda aplicado a la señal de vibración, de modo que el filtro sigue siempre los tonos de engrane variables donde reside la información de fallo. Tras este filtrado dirigido, un truco matemático llamado análisis de envolvente aísla el patrón de impactos repetitivos producido cuando un diente dañado golpea su homólogo, convirtiendo una traza de vibración desordenada en una imagen mucho más clara de la salud del engranaje. Este bucle—suavizado de velocidad, filtrado dinámico y extracción de la envolvente—funciona de forma integrada para que cada paso apoye al siguiente en lugar de actuar aisladamente.

Combinar muchas pistas en una sola imagen

Escuchar bien es solo la mitad del reto; la otra mitad es interpretar lo que se oye. El equipo recogió señales de dos sensores de vibración montados en ángulo recto en la carcasa de la caja de engranajes, junto con la velocidad de rotación, usando un banco de ensayos de caja planetaria abierta que imita un tren de transmisión de aerogenerador. Probaron cinco estados de los engranajes, que iban desde dientes sanos hasta dientes rotos, desgastados, fisurados y ausentes, y hicieron funcionar el sistema a ocho velocidades diferentes. A partir de estas señales extrajeron un rico conjunto de medidas: estadísticas simples como medias y picos, cómo se distribuye la energía en distintas frecuencias, medidas de energía más refinadas mediante paquetes wavelet que capturan ráfagas breves, y firmas específicas de engranajes vinculadas a cómo engranan los dientes.

Enseñar al algoritmo a separar tipos de fallo

En lugar de alimentar todas estas mediciones crudas directamente a un clasificador, los autores usaron un método supervisado de reducción de dimensionalidad llamado Análisis Discriminante Lineal. En términos sencillos, este paso proyecta las muchas características de entrada en un conjunto menor de características combinadas que se eligen para separar los distintos tipos de fallo manteniendo juntas las muestras del mismo tipo. Este enfoque utiliza el conocimiento de las etiquetas reales de fallo durante el entrenamiento, a diferencia de herramientas no supervisadas populares que solo buscan patrones de varianza global. El estudio muestra que este paso hace que los distintos problemas de engranajes sean mucho más distinguibles en el espacio de características reducido que con métodos competidores. Después de esto, se entrenan cuatro modelos de aprendizaje automático diferentes—Máquinas de Vectores de Soporte, k-Vecinos más Cercanos, Bosques Aleatorios y Naive Bayes—para reconocer las categorías de fallo.

Más cabezas piensan mejor

Para evitar depender de las limitaciones de cualquier algoritmo individual, los autores combinan estos cuatro modelos en un “conjunto” que vota la diagnosis final. El voto de cada modelo se pondera por la precisión que demostró en los datos de validación, de modo que los mejores tienen algo más de influencia. Probada en el conjunto de datos de la caja planetaria, la canalización completa—preprocesado en bucle cerrado, fusión de características multisensor, reducción supervisada de características y conjunto ponderado—logró aproximadamente un 98,8% de identificación correcta de los cinco estados de engranaje bajo condiciones de velocidad variable. Esto superó el uso de cualquier fuente de señal única, el uso de un solo clasificador, o incluso de dos modelos de aprendizaje profundo muy utilizados, a la vez que resultó más transparente respecto a qué características físicas impulsan la decisión.

Qué significa esto para la energía eólica

En términos cotidianos, el estudio ofrece un estetoscopio más fiable para los aerogeneradores. Al limpiar y combinar varios tipos de datos de sensores y luego permitir que múltiples algoritmos de aprendizaje lleguen a un acuerdo, el método puede detectar daños sutiles en los engranajes de forma temprana y precisa, incluso cuando la velocidad de la turbina cambia constantemente con el viento. Esto podría reducir paradas imprevistas, recortar costes de mantenimiento y hacer la energía eólica más fiable. Aunque el trabajo se demostró en un banco de pruebas concreto, los autores sugieren que las mismas ideas de bucle cerrado y fusión podrían adaptarse a parques eólicos reales y a otras máquinas rotativas, aportando más inteligencia a la creciente flota mundial de sistemas de energía limpia.

Cita: Kang, X., Shao, L. & Zhao, B. Gear fault diagnosis of wind turbine drivetrains using multi-source information fusion and ensemble learning in a simulation bench study. Sci Rep 16, 11321 (2026). https://doi.org/10.1038/s41598-026-41117-x

Palabras clave: caja de engranajes de aerogenerador, diagnóstico de fallos en engranajes, monitorización del estado, fusión multisensor, aprendizaje automático