A mechanikai diagnosztika területén jelentős előrelépést jelent, hogy egy új tanulmány kimutatta a modulációs jel bispektrumának (MSB) és a konvolúciós neurális hálózatoknak (CNN) a kombinálásának hatékonyságát a következők hibakeresésében:spirális kúpkerekekEz az innovatív megközelítés fokozott pontosságot, gyorsabb észlelést és intelligensebb diagnosztikai rendszert ígér a nagy teljesítményű sebességváltók számára, amelyeket a következőkben használnak:repülőgépipari, autóipari és ipari alkalmazásokhoz.

Spirálferde fogaskerekekKritikus erőátviteli alkatrészek, amelyek nagy nyomatékú gépekben, helikopterekben, tengeri meghajtási rendszerekben és nagy teherbírású ipari reduktorokban találhatók. Komplex geometriájuk és üzemi körülményeik miatt a fogaskerék-hibák, például a gödrösödés, a kopás és a fogtörés korai felismerése továbbra is technikai kihívást jelent. A hagyományos jelfeldolgozási technikák gyakran küzdenek a zaj-interferenciával és a nemlineáris hibajellemzőkkel.

Az új módszer egy kétlépcsős hibadiagnosztikai keretrendszert vezet be. Először a működő hajtóműrendszer által generált rezgésjeleket elemzik modulációs jel bispektrátummal (MSB), egy magasabb rendű spektrális elemzési technikával, amely hatékonyan rögzíti a jel nemlineáris és nem Gauss-jellemzőit. Az MSB segít feltárni a finom modulált hibajellemzőket, amelyek jellemzően rejtve maradnak a standard frekvenciaspektrumokban.

Ezután a feldolgozott jeladatokat idő-frekvencia képekké alakítják, és egy konvolúciós neurális hálózatba (CNN) táplálják, amely egy mélytanuló modell, amely képes automatikusan kinyerni a magas szintű hibajellemzőket és osztályozni a fogaskerekek állapotát. Ez a CNN modell képes különbséget tenni az egészséges fogaskerekek, a kisebb hibák és a súlyos sérülések között különböző terhelési és sebességviszonyok mellett.

Az egyedi tervezésű kúpkerekes fogaskerék-tesztberendezésen végzett kísérleti eredmények azt mutatják, hogy az MSB CNN megközelítés több mint 97%-os osztályozási pontosságot ér el, felülmúlva a hagyományos módszereket, mint például az FFT-alapú analízist, sőt még más mélytanulási technikákat is, amelyek nyers rezgési adatokra támaszkodnak. Ezenkívül ez a hibrid modell erősen ellenálló a háttérzajjal szemben, így alkalmassá teszi valós ipari alkalmazásokhoz.

A modulációs jel bispektrumának CNN-nel való integrálása nemcsak a hibafelismerési teljesítményt javítja, hanem csökkenti a manuális jellemzőtervezéstől való függést is, amely hagyományosan időigényes és szakértelmet igénylő folyamat. A módszer skálázható, és más forgógép-alkatrészekre, például csapágyakra ésbolygókerekes fogaskerekek.

Ez a kutatás előrelépést jelent az intelligens hibadiagnosztikai rendszerek fejlesztésében az Ipar 4.0 és az intelligens gyártás tágabb területe számára. Ahogy az automatizálás és a gépek megbízhatósága egyre fontosabbá válik,