Mekanik teşhis alanında önemli bir gelişme olarak, yeni bir çalışma, modülasyon sinyali bispektrumunun (MSB) evrimsel sinir ağlarıyla (CNN) birleştirilmesinin arıza teşhisinde etkili olduğunu göstermiştir.spiral konik dişlilerBu yenilikçi yaklaşım, yüksek performanslı şanzımanlarda kullanılan sistemler için daha yüksek doğruluk, daha hızlı tespit ve daha akıllı bir teşhis sistemi vaat ediyor.Havacılık, otomotiv ve endüstriyel uygulamalar.

Sarmalkonik dişlilerYüksek torklu makinelerde, helikopterlerde, deniz tahrik sistemlerinde ve ağır hizmet tipi endüstriyel redüktörlerde bulunan kritik iletim bileşenleridir. Karmaşık geometrileri ve çalışma koşulları nedeniyle, çukurlaşma, aşınma ve diş kırılması gibi dişli arızalarının erken tespiti teknik bir zorluk olmaya devam etmektedir. Geleneksel sinyal işleme teknikleri genellikle gürültü girişimleri ve doğrusal olmayan arıza özellikleriyle başa çıkmakta zorlanmaktadır.

Yeni yöntem, iki aşamalı bir arıza teşhis çerçevesi sunmaktadır. İlk olarak, çalışan dişli sistemi tarafından üretilen titreşim sinyalleri, sinyalin doğrusal olmayan ve Gauss dışı özelliklerini etkili bir şekilde yakalayan daha yüksek dereceli bir spektral analiz tekniği olan modülasyon sinyali bispektrumu (MSB) kullanılarak analiz edilir. MSB, standart frekans spektrumlarında genellikle gizli olan ince modüle edilmiş arıza özelliklerini ortaya çıkarmaya yardımcı olur.

Ardından, işlenmiş sinyal verileri zaman frekans görüntülerine dönüştürülür ve yüksek seviyeli arıza özelliklerini otomatik olarak çıkarabilen ve dişli koşullarını sınıflandırabilen derin öğrenme modeli olan evrimsel sinir ağına (CNN) beslenir. Bu CNN modeli, farklı yük ve hız koşullarında sağlıklı dişliler, küçük arızalar ve ciddi hasarlar arasında ayrım yapacak şekilde eğitilmiştir.

Özel olarak tasarlanmış bir spiral konik dişli test düzeneğinde gerçekleştirilen deneysel sonuçlar, MSB CNN yaklaşımının %97'nin üzerinde sınıflandırma doğruluğu elde ettiğini ve FFT tabanlı analiz gibi geleneksel yöntemlerden ve hatta ham titreşim verilerine dayanan diğer derin öğrenme tekniklerinden daha iyi performans gösterdiğini ortaya koymaktadır. Dahası, bu hibrit model, arka plan gürültüsüne karşı güçlü bir dayanıklılık sergileyerek gerçek dünya endüstriyel uygulamaları için uygun hale gelmektedir.

Modülasyon sinyali bispektrumunun CNN ile entegrasyonu, yalnızca arıza tanıma performansını artırmakla kalmaz, aynı zamanda geleneksel olarak zaman alıcı ve uzmanlık gerektiren bir süreç olan manuel özellik mühendisliğine olan bağımlılığı da azaltır. Yöntem ölçeklenebilir olup, rulmanlar gibi diğer dönen makine bileşenlerine de uygulanabilir.gezegen dişlileri.

Bu araştırma, Endüstri 4.0 ve daha geniş anlamda akıllı üretim alanında akıllı arıza teşhis sistemlerinin geliştirilmesinde ileriye doğru atılmış bir adımı temsil etmektedir. Otomasyon ve makine güvenilirliği giderek daha hayati önem kazandıkça,