U značajnom razvoju u oblasti mehaničke dijagnostike, nova studija je pokazala efikasnost kombinovanja bispektra modulacionog signala (MSB) sa konvolucionim neuronskim mrežama (CNN) za dijagnostiku kvarova...spiralni konusni zupčaniciOvaj inovativni pristup obećava poboljšanu tačnost, brže otkrivanje i inteligentniji dijagnostički sistem za visokoperformansne mjenjače koji se koriste uvazduhoplovne, automobilske i industrijske primjene.

Spiralakonusni zupčanicisu kritične komponente prijenosa koje se nalaze u mašinama visokog obrtnog momenta, helikopterima, brodskim pogonskim sistemima i teškim industrijskim reduktorima. Zbog njihove složene geometrije i radnih uslova, rano otkrivanje kvarova zupčanika kao što su korozija, habanje i lom zuba ostaje tehnički izazov. Tradicionalne tehnike obrade signala često se bore sa smetnjama šuma i nelinearnim karakteristikama kvarova.

Nova metoda uvodi dvostepeni okvir za dijagnostiku kvarova. Prvo se vibracijski signali generisani radnim sistemom zupčanika analiziraju korištenjem bispektra modulacionog signala (MSB), tehnike spektralne analize višeg reda koja efikasno obuhvata nelinearne i ne-Gaussove karakteristike signala. MSB pomaže u otkrivanju suptilnih modulisanih karakteristika kvarova koje su obično skrivene u standardnim frekventnim spektrima.

Zatim se obrađeni signalni podaci transformiraju u vremensko-frekventne slike i ubacuju u konvolucijsku neuronsku mrežu (CNN), model dubokog učenja sposoban za automatsko izdvajanje karakteristika kvarova visokog nivoa i klasifikaciju stanja zupčanika. Ovaj CNN model je obučen za razlikovanje ispravnih zupčanika, manjih kvarova i ozbiljnih oštećenja pri različitim uslovima opterećenja i brzine.

Eksperimentalni rezultati, provedeni na posebno dizajniranom ispitnom stolu za spiralne konusne zupčanike, pokazuju da MSB CNN pristup postiže preko 97% tačnosti klasifikacije, nadmašujući tradicionalne metode kao što je FFT analiza, pa čak i druge tehnike dubokog učenja koje se oslanjaju na sirove podatke o vibracijama. Štaviše, ovaj hibridni model pokazuje snažnu otpornost na pozadinsku buku, što ga čini pogodnim za stvarne industrijske primjene.

Integracija bispektra modulacionog signala sa CNN ne samo da poboljšava performanse prepoznavanja grešaka, već i smanjuje oslanjanje na ručno projektovanje karakteristika, što je tradicionalno dugotrajan i proces koji zavisi od stručnosti. Metoda je skalabilna i može se primijeniti na druge komponente rotirajućih mašina, kao što su ležajevi i...planetarni zupčanici.

Ovo istraživanje predstavlja korak naprijed u razvoju inteligentnih sistema za dijagnostiku grešaka za Industriju 4.0 i šire područje pametne proizvodnje. Kako automatizacija i pouzdanost mašina postaju sve važnije,