Merkittävässä mekaanisen diagnostiikan alan kehitysaskeleessa uusi tutkimus on osoittanut modulaatiosignaalin bispektrin (MSB) ja konvoluutiohermoverkkojen (CNN) yhdistämisen tehokkuuden vianmäärityksessä seuraavien laitteiden osalta:spiraalimaiset kartiohammaspyörätTämä innovatiivinen lähestymistapa lupaa parempaa tarkkuutta, nopeampaa havaitsemista ja älykkäämmän diagnostiikkajärjestelmän tehokkaille vaihteistoille, joita käytetäänilmailu-, auto- ja teollisuussovelluksissa.

Kierrekartiohammaspyörätovat kriittisiä vaihteiston komponentteja, joita löytyy suuren vääntömomentin koneista, helikoptereista, laivojen propulsiojärjestelmistä ja raskaista teollisuusalennuslaitteista. Niiden monimutkaisen geometrian ja käyttöolosuhteiden vuoksi vaihteistovikojen, kuten syöpymisen, kulumisen ja hampaan katkeamisen, varhainen havaitseminen on edelleen tekninen haaste. Perinteiset signaalinkäsittelytekniikat kamppailevat usein kohinan ja epälineaaristen vikaominaisuuksien kanssa.

Uusi menetelmä esittelee kaksivaiheisen vikadiagnostiikkakehyksen. Ensin käyttövaihteiston tuottamat värähtelysignaalit analysoidaan käyttämällä modulaatiosignaalin bispektriä (MSB), joka on korkeamman asteen spektrianalyysitekniikka ja joka tehokkaasti tallentaa signaalin epälineaariset ja epägaussiset ominaisuudet. MSB auttaa paljastamaan hienovaraisia ​​moduloituja vikaominaisuuksia, jotka tyypillisesti piilevät standarditaajuusspektreissä.

Seuraavaksi käsitelty signaalidata muunnetaan aika-taajuuskuviksi ja syötetään konvoluutiohermoverkkoon (CNN), joka on syväoppimismalli, joka pystyy automaattisesti tunnistamaan korkean tason vikaominaisuudet ja luokittelemaan vaihteiden kuntoa. Tämä CNN-malli on opetettu erottamaan terveet vaihteet, pienet viat ja vakavat vauriot eri kuormitus- ja nopeusolosuhteissa.

Kokeelliset tulokset, jotka tehtiin mittatilaustyönä suunnitellulla kartiohammaspyörätestauslaitteistolla, osoittavat, että MSB CNN -lähestymistapa saavuttaa yli 97 %:n luokittelutarkkuuden, mikä ylittää perinteiset menetelmät, kuten FFT-pohjaisen analyysin ja jopa muut syväoppimistekniikat, jotka perustuvat raakavärähtelydataan. Lisäksi tämä hybridimalli on erittäin kestävä taustamelun suhteen, mikä tekee siitä sopivan todellisiin teollisuussovelluksiin.

Modulaatiosignaalin bispektrin integrointi CNN:ään ei ainoastaan ​​paranna viantunnistuksen suorituskykyä, vaan myös vähentää manuaalisen ominaisuussuunnittelun tarvetta, joka on perinteisesti ollut aikaa vievä ja asiantuntemuksesta riippuva prosessi. Menetelmä on skaalautuva ja sitä voidaan soveltaa muihin pyörivien koneiden osiin, kuten laakereihin japlaneettavaihteet.

Tämä tutkimus on askel eteenpäin älykkäiden vikadiagnostiikkajärjestelmien kehittämisessä Teollisuus 4.0:aa ja laajemmin älykkään valmistuksen alaa varten. Automaation ja koneiden luotettavuuden tullessa yhä tärkeämmiksi,