У рамках значного розвитку галузі механічної діагностики нове дослідження продемонструвало ефективність поєднання біспектру модуляційного сигналу (MSB) зі згортковими нейронними мережами (CNN) для діагностики несправностей.спіральні конічні шестерніЦей інноваційний підхід обіцяє підвищену точність, швидше виявлення та більш інтелектуальну діагностичну систему для високопродуктивних коробок передач, що використовуються ваерокосмічній, автомобільній та промисловій галузях.

Спіральконічні шестерніє критично важливими компонентами трансмісії, що знаходяться в машинах з високим крутним моментом, гелікоптерах, морських рушійних системах та важких промислових редукторах. Через їхню складну геометрію та умови експлуатації раннє виявлення несправностей шестерень, таких як точкова корозія, знос та поломка зубців, залишається технічною проблемою. Традиційні методи обробки сигналів часто мають проблеми з шумовими перешкодами та нелінійними характеристиками несправностей.

Новий метод запроваджує двоетапну систему діагностики несправностей. Спочатку вібраційні сигнали, що генеруються робочою зубчастою системою, аналізуються за допомогою біспектру модуляційного сигналу (MSB) – методу спектрального аналізу вищого порядку, який ефективно фіксує нелінійні та негаусові особливості сигналу. MSB допомагає виявити тонкі характеристики модульованих несправностей, які зазвичай приховані у стандартних частотних спектрах.

Далі оброблені дані сигналу перетворюються на часово-частотні зображення та подаються до згорткової нейронної мережі (CNN) – моделі глибокого навчання, здатної автоматично виявляти ознаки несправностей високого рівня та класифікувати стан передач. Ця модель CNN навчена розрізняти справні передачі, незначні несправності та серйозні пошкодження за різних умов навантаження та швидкості.

Експериментальні результати, проведені на спеціально розробленому випробувальному стенді для спіральних конічних зубчастих передач, показують, що підхід MSB CNN досягає точності класифікації понад 97%, перевершуючи традиційні методи, такі як аналіз на основі швидкого перетворення Фур'є та навіть інші методи глибокого навчання, що спираються на необроблені дані про вібрацію. Більше того, ця гібридна модель демонструє високу стійкість до фонового шуму, що робить її придатною для реальних промислових застосувань.

Інтеграція біспектру модуляційного сигналу з CNN не тільки покращує ефективність розпізнавання несправностей, але й зменшує залежність від ручного проектування ознак, що традиційно є трудомістким та залежним від досвіду процесом. Метод є масштабованим і може бути застосований до інших компонентів обертових машин, таких як підшипники тапланетарні шестерні.

Це дослідження є кроком вперед у розробці інтелектуальних систем діагностики несправностей для Індустрії 4.0 та ширшої сфери розумного виробництва. Оскільки автоматизація та надійність машин стають дедалі важливішими,