V pomembnem razvoju na področju mehanske diagnostike je nova študija pokazala učinkovitost kombiniranja bispektra modulacijskega signala (MSB) s konvolucijskimi nevronskimi mrežami (CNN) za diagnosticiranje napakspiralni stožčasti zobnikiTa inovativen pristop obljublja večjo natančnost, hitrejše zaznavanje in inteligentnejši diagnostični sistem za visokozmogljive menjalnike, ki se uporabljajo vvesoljske, avtomobilske in industrijske aplikacije.

Spiralastožčasti zobnikiso kritične komponente menjalnika, ki jih najdemo v strojih z visokim navorom, helikopterjih, ladijskih pogonskih sistemih in težkih industrijskih reduktorjih. Zaradi njihove kompleksne geometrije in obratovalnih pogojev ostaja zgodnje odkrivanje napak zobnikov, kot so jamke, obraba in lom zob, tehnični izziv. Tradicionalne tehnike obdelave signalov se pogosto spopadajo s šumom in nelinearnimi karakteristikami napak.

Nova metoda uvaja dvostopenjski okvir za diagnosticiranje napak. Najprej se vibracijski signali, ki jih generira sistem delovnega zobnika, analizirajo z uporabo modulacijskega signalnega bispektra (MSB), tehnike spektralne analize višjega reda, ki učinkovito zajame nelinearne in ne-Gaussove značilnosti signala. MSB pomaga razkriti subtilne modulirane značilnosti napak, ki so običajno skrite v standardnih frekvenčnih spektrih.

Nato se obdelani signalni podatki pretvorijo v časovno-frekvenčne slike in vnesejo v konvolucijsko nevronsko mrežo (CNN), model globokega učenja, ki je sposoben samodejno izločiti značilnosti napak na visoki ravni in razvrstiti stanje zobnikov. Ta model CNN je usposobljen za razlikovanje med zdravimi zobniki, manjšimi napakami in hudimi poškodbami pri različnih pogojih obremenitve in hitrosti.

Eksperimentalni rezultati, izvedeni na posebej zasnovani preskusni napravi za spiralno stožčasto zobniško prestavo, kažejo, da pristop MSB CNN dosega več kot 97-odstotno natančnost klasifikacije, kar prekaša tradicionalne metode, kot je analiza na osnovi FFT in celo druge tehnike globokega učenja, ki se opirajo na surove podatke o vibracijah. Poleg tega ta hibridni model kaže močno odpornost na šum v ozadju, zaradi česar je primeren za resnične industrijske aplikacije.

Integracija bispektra modulacijskega signala s CNN ne le izboljša učinkovitost prepoznavanja napak, temveč tudi zmanjša odvisnost od ročnega inženiringa značilnosti, ki je bil tradicionalno dolgotrajen in od strokovnega znanja odvisen postopek. Metoda je skalabilna in se lahko uporablja tudi za druge komponente vrtečih se strojev, kot so ležaji inplanetarni zobniki.

Ta raziskava predstavlja korak naprej v razvoju inteligentnih sistemov za diagnosticiranje napak za Industrijo 4.0 in širše področje pametne proizvodnje. Ker postajata avtomatizacija in zanesljivost strojev vse bolj pomembni,