В рамках значительного развития области механической диагностики новое исследование продемонстрировало эффективность сочетания биспектра модулированного сигнала (MSB) с сверточными нейронными сетями (CNN) для диагностики неисправностей.спиральные конические шестерниЭтот инновационный подход обещает повышенную точность, более быстрое обнаружение и более интеллектуальную систему диагностики для высокопроизводительных редукторов, используемых вПрименение в аэрокосмической, автомобильной и промышленной отраслях.

Спиральконические шестерниЗубчатые передачи являются важнейшими компонентами трансмиссии, используемыми в высокомоментных механизмах, вертолетах, судовых силовых установках и тяжелых промышленных редукторах. Из-за их сложной геометрии и условий эксплуатации раннее обнаружение неисправностей зубчатых передач, таких как образование точечных повреждений, износ и поломка зубьев, остается сложной технической задачей. Традиционные методы обработки сигналов часто испытывают трудности с шумовыми помехами и нелинейными характеристиками неисправностей.

Новый метод представляет собой двухэтапную систему диагностики неисправностей. Сначала анализируются вибрационные сигналы, генерируемые работающей зубчатой ​​передачей, с использованием биспектрального анализа модулированного сигнала (MSB) — метода спектрального анализа более высокого порядка, который эффективно улавливает нелинейные и негауссовы особенности сигнала. MSB помогает выявить тонкие модулированные характеристики неисправностей, которые обычно скрыты в стандартных частотных спектрах.

Далее обработанные данные сигнала преобразуются в частотно-временные изображения и подаются на вход сверточной нейронной сети (CNN) — модели глубокого обучения, способной автоматически извлекать высокоуровневые признаки неисправностей и классифицировать состояние зубчатых передач. Эта модель CNN обучена различать исправные зубчатые передачи, незначительные неисправности и серьезные повреждения при различных условиях нагрузки и скорости.

Результаты экспериментов, проведенных на специально разработанном испытательном стенде для спирально-конических зубчатых передач, показывают, что подход MSB CNN достигает точности классификации более 97%, превосходя традиционные методы, такие как анализ на основе БПФ, и даже другие методы глубокого обучения, основанные на необработанных данных о вибрации. Более того, эта гибридная модель демонстрирует высокую устойчивость к фоновому шуму, что делает ее пригодной для реальных промышленных применений.

Интеграция биспектра модулированного сигнала с CNN не только повышает эффективность распознавания неисправностей, но и снижает зависимость от ручной обработки признаков, которая традиционно является трудоемким и требует высокой квалификации. Метод масштабируем и может применяться к другим компонентам вращающихся машин, таким как подшипники ипланетарные шестерни.

Данное исследование представляет собой шаг вперед в разработке интеллектуальных систем диагностики неисправностей для Индустрии 4.0 и более широкой области интеллектуального производства. Поскольку автоматизация и надежность оборудования приобретают все большее значение,