Într-o dezvoltare semnificativă pentru domeniul diagnosticării mecanice, un nou studiu a demonstrat eficacitatea combinării bispectrului semnalului de modulație (MSB) cu rețelele neuronale convoluționale (CNN) pentru diagnosticarea defectelor.angrenaje conice spiralateAceastă abordare inovatoare promite o precizie sporită, o detectare mai rapidă și un sistem de diagnosticare mai inteligent pentru cutiile de viteze de înaltă performanță utilizate înaplicații aerospațiale, auto și industriale.

Spiralăangrenaje conicesunt componente critice ale transmisiei care se găsesc în utilajele cu cuplu mare, elicopterele, sistemele de propulsie marină și reductoarele industriale de mare putere. Datorită geometriei lor complexe și a condițiilor de funcționare, detectarea timpurie a defectelor angrenajelor, cum ar fi coroziunea, uzura și ruperea dinților, rămâne o provocare tehnică. Tehnicile tradiționale de procesare a semnalelor se confruntă adesea cu interferențele de zgomot și cu caracteristicile defectelor neliniare.

Noua metodă introduce un cadru de diagnosticare a defectelor în două etape. Mai întâi, semnalele de vibrații generate de sistemul de acționare sunt analizate folosind bispectrul semnalului de modulație (MSB), o tehnică de analiză spectrală de ordin superior care surprinde eficient caracteristicile neliniare și non-gaussiene ale semnalului. MSB ajută la dezvăluirea caracteristicilor subtile ale defectelor modulate, care sunt de obicei ascunse în spectrele de frecvență standard.

Apoi, datele de semnal procesate sunt transformate în imagini de timp și frecvență și introduse într-o rețea neuronală convoluțională (CNN), un model de învățare profundă capabil să extragă automat caracteristicile defectelor de nivel înalt și să clasifice condițiile angrenajelor. Acest model CNN este antrenat să diferențieze între angrenaje sănătoase, defecțiuni minore și daune severe în diferite condiții de sarcină și viteză.

Rezultatele experimentale, efectuate pe un banc de testare pentru angrenaje conice spiralate, proiectat special, arată că abordarea MSB CNN atinge o precizie de clasificare de peste 97%, depășind metodele tradiționale, cum ar fi analiza bazată pe FFT și chiar alte tehnici de învățare profundă care se bazează pe date brute privind vibrațiile. Mai mult, acest model hibrid prezintă o robustețe puternică la zgomotul de fond, ceea ce îl face potrivit pentru aplicații industriale din lumea reală.

Integrarea bispectrului semnalului de modulație cu CNN nu numai că îmbunătățește performanța de recunoaștere a defectelor, dar reduce și dependența de ingineria manuală a caracteristicilor, un proces tradițional consumator de timp și dependent de expertiză. Metoda este scalabilă și poate fi aplicată altor componente ale mașinilor rotative, cum ar fi rulmenții șiangrenaje planetare.

Această cercetare reprezintă un pas înainte în dezvoltarea sistemelor inteligente de diagnosticare a defecțiunilor pentru Industria 4.0 și domeniul mai larg al producției inteligente. Pe măsură ce automatizarea și fiabilitatea mașinilor devin din ce în ce mai vitale,