I en betydelig udvikling inden for mekanisk diagnostik har en ny undersøgelse vist effektiviteten af ​​at kombinere modulationssignalbispektrum (MSB) med konvolutionelle neurale netværk (CNN) til fejldiagnose afspiralformede koniske tandhjulDenne innovative tilgang lover forbedret nøjagtighed, hurtigere detektion og et mere intelligent diagnosesystem til højtydende gearkasser, der anvendes iluftfart, bilindustri og industrielle applikationer.

Spiralformetkoniske tandhjuler kritiske transmissionskomponenter, der findes i maskiner med højt drejningsmoment, helikoptere, marine fremdriftssystemer og tunge industrielle reduktionsgear. På grund af deres komplekse geometri og driftsforhold er tidlig detektion af gearfejl såsom grubetæring, slid og tandbrud fortsat en teknisk udfordring. Traditionelle signalbehandlingsteknikker kæmper ofte med støjinterferens og ikke-lineære fejlkarakteristika.

Den nye metode introducerer en to-trins fejldiagnosestruktur. Først analyseres de vibrationssignaler, der genereres af driftsudstyret, ved hjælp af modulationssignalbispektrum (MSB), en højere ordens spektralanalyseteknik, der effektivt indfanger signalets ikke-lineære og ikke-gaussiske egenskaber. MSB hjælper med at afsløre subtile modulerede fejlkarakteristika, der typisk er skjult i standardfrekvensspektre.

Dernæst transformeres de behandlede signaldata til tidsfrekvensbilleder og føres ind i et convolutional neural network (CNN), en deep learning-model, der er i stand til automatisk at udtrække fejlfunktioner på højt niveau og klassificere geartilstande. Denne CNN-model er trænet til at skelne mellem sunde gear, mindre fejl og alvorlige skader på tværs af forskellige belastnings- og hastighedsforhold.

De eksperimentelle resultater, udført på en specialdesignet spiralformet konisk gear-testrigg, viser, at MSB CNN-tilgangen opnår en klassificeringsnøjagtighed på over 97 %, hvilket overgår traditionelle metoder som FFT-baseret analyse og endda andre deep learning-teknikker, der er afhængige af rå vibrationsdata. Desuden udviser denne hybridmodel stærk robusthed over for baggrundsstøj, hvilket gør den velegnet til industrielle applikationer i den virkelige verden.

Integrationen af ​​modulationssignalbispektrum med CNN forbedrer ikke kun fejlgenkendelsesydelsen, men reducerer også afhængigheden af ​​manuel funktionsudvikling, hvilket traditionelt er en tidskrævende og ekspertiseafhængig proces. Metoden er skalerbar og kan anvendes på andre roterende maskinkomponenter, såsom lejer ogplanetgear.

Denne forskning repræsenterer et skridt fremad i udviklingen af ​​intelligente fejldiagnosesystemer til Industri 4.0 og det bredere felt af smart produktion. Efterhånden som automatisering og maskinpålidelighed bliver stadig vigtigere,