I en betydande utveckling inom området mekanisk diagnostik har en ny studie visat effektiviteten av att kombinera modulationssignalbispektrum (MSB) med faltningsneurala nätverk (CNN) för feldiagnostik avspiralformade koniska kugghjulDenna innovativa metod lovar förbättrad noggrannhet, snabbare detektering och ett mer intelligent diagnostiksystem för högpresterande växellådor som används iflyg-, fordons- och industriapplikationer.

Spiralkoniska kugghjulär kritiska transmissionskomponenter som finns i maskiner med högt vridmoment, helikoptrar, marina framdrivningssystem och tunga industriella reduktionsväxlar. På grund av deras komplexa geometri och driftsförhållanden är tidig upptäckt av kuggfel som gropfrätning, slitage och tandbrott fortfarande en teknisk utmaning. Traditionella signalbehandlingstekniker kämpar ofta med brusstörningar och icke-linjära felegenskaper.

Den nya metoden introducerar ett tvåstegsramverk för feldiagnos. Först analyseras vibrationssignalerna som genereras av driftsystemet med hjälp av modulationssignalbispektrum (MSB), en högre ordningens spektralanalysteknik som effektivt fångar signalens icke-linjära och icke-gaussiska egenskaper. MSB hjälper till att avslöja subtila modulerade felkarakteristika som vanligtvis är dolda i standardfrekvensspektra.

Därefter omvandlas den bearbetade signaldatan till tidsfrekvensbilder och matas in i ett faltningsneuralt nätverk (CNN), en djupinlärningsmodell som automatiskt kan extrahera felfunktioner på hög nivå och klassificera kugghjulsförhållanden. Denna CNN-modell är tränad att skilja mellan felfria kugghjul, mindre fel och allvarliga skador vid olika belastnings- och hastighetsförhållanden.

De experimentella resultaten, utförda på en specialdesignad testrigg för spiralformade koniska kugghjul, visar att MSB CNN-metoden uppnår över 97 % klassificeringsnoggrannhet, vilket överträffar traditionella metoder som FFT-baserad analys och även andra djupinlärningstekniker som förlitar sig på råa vibrationsdata. Dessutom uppvisar denna hybridmodell stark robusthet mot bakgrundsbrus, vilket gör den lämplig för verkliga industriella tillämpningar.

Integreringen av modulationssignalens bispektrum med CNN förbättrar inte bara prestandan för felidentifiering utan minskar också beroendet av manuell funktionsteknik, vilket traditionellt sett är en tidskrävande och expertisberoende process. Metoden är skalbar och kan tillämpas på andra roterande maskinkomponenter, såsom lager ochplanetväxlar.

Denna forskning representerar ett steg framåt i utvecklingen av intelligenta feldiagnossystem för Industri 4.0 och det bredare området smart tillverkning. I takt med att automatisering och maskintillförlitlighet blir allt viktigare,