W istotnym rozwoju w dziedzinie diagnostyki mechanicznej nowe badanie wykazało skuteczność połączenia bispektrum sygnału modulacyjnego (MSB) z sieciami neuronowymi splotowymi (CNN) w diagnostyce usterekkoła zębate stożkowe spiralneTo innowacyjne podejście obiecuje zwiększoną dokładność, szybsze wykrywanie i inteligentniejszy system diagnostyczny dla wysokowydajnych skrzyń biegów stosowanych wzastosowania w lotnictwie, motoryzacji i przemyśle.

Spiralakoła zębate stożkoweto kluczowe elementy przekładni stosowane w maszynach o wysokim momencie obrotowym, śmigłowcach, morskich układach napędowych i ciężkich reduktorach przemysłowych. Ze względu na złożoną geometrię i warunki pracy, wczesne wykrywanie usterek przekładni, takich jak wżery, zużycie i pęknięcia zębów, pozostaje wyzwaniem technicznym. Tradycyjne techniki przetwarzania sygnałów często borykają się z zakłóceniami szumowymi i nieliniową charakterystyką usterek.

Nowa metoda wprowadza dwuetapowy model diagnostyki usterek. Najpierw sygnały drgań generowane przez pracujący układ przekładni są analizowane za pomocą bispektrum sygnału modulacyjnego (MSB), techniki analizy widmowej wyższego rzędu, która skutecznie wychwytuje nieliniowe i niegaussowskie cechy sygnału. MSB pomaga ujawnić subtelne, modulowane charakterystyki usterek, które zazwyczaj są ukryte w standardowych widmach częstotliwości.

Następnie przetworzone dane sygnałowe są przekształcane w obrazy częstotliwości czasowej i przesyłane do splotowej sieci neuronowej (CNN), modelu głębokiego uczenia, który jest w stanie automatycznie wyodrębniać cechy usterek wysokiego poziomu i klasyfikować stan przekładni. Model CNN jest trenowany w celu rozróżniania sprawnych przekładni, drobnych usterek i poważnych uszkodzeń w różnych warunkach obciążenia i prędkości.

Wyniki eksperymentów, przeprowadzone na specjalnie zaprojektowanym stanowisku testowym z przekładnią stożkową o zębach spiralnych, pokazują, że podejście CNN oparte na MSB osiąga ponad 97% dokładności klasyfikacji, przewyższając tradycyjne metody, takie jak analiza oparta na FFT, a nawet inne techniki głębokiego uczenia się, które opierają się na surowych danych o drganiach. Co więcej, ten hybrydowy model charakteryzuje się dużą odpornością na szum tła, co czyni go odpowiednim do rzeczywistych zastosowań przemysłowych.

Integracja bispektrum sygnału modulacyjnego z siecią CNN nie tylko poprawia wydajność rozpoznawania błędów, ale także zmniejsza konieczność ręcznego projektowania cech, które tradycyjnie było procesem czasochłonnym i wymagającym specjalistycznej wiedzy. Metoda jest skalowalna i może być stosowana do innych elementów maszyn wirujących, takich jak łożyska i…przekładnie planetarne.

Badania te stanowią krok naprzód w rozwoju inteligentnych systemów diagnostyki błędów dla Przemysłu 4.0 i szerszego obszaru inteligentnej produkcji. W miarę jak automatyzacja i niezawodność maszyn stają się coraz ważniejsze,