I en betydelig utvikling innen mekanisk diagnostikk har en ny studie vist effektiviteten av å kombinere modulasjonssignalbispektrum (MSB) med konvolusjonelle nevrale nettverk (CNN) for feildiagnostisering avspiralformede koniske girDenne innovative tilnærmingen lover forbedret nøyaktighet, raskere deteksjon og et mer intelligent diagnosesystem for høyytelsesgirkasser som brukes iluftfart, bilindustri og industrielle applikasjoner.

Spiralkoniske girer kritiske transmisjonskomponenter som finnes i maskiner med høyt dreiemoment, helikoptre, marine fremdriftssystemer og kraftige industrielle reduksjonsgir. På grunn av deres komplekse geometri og driftsforhold er tidlig deteksjon av girfeil som gropskader, slitasje og tannbrudd fortsatt en teknisk utfordring. Tradisjonelle signalbehandlingsteknikker sliter ofte med støyforstyrrelser og ikke-lineære feilkarakteristikker.

Den nye metoden introduserer et to-trinns rammeverk for feildiagnose. Først analyseres vibrasjonssignalene som genereres av driftsgirsystemet ved hjelp av modulasjonssignalbispektrum (MSB), en høyereordens spektralanalyseteknikk som effektivt fanger opp de ikke-lineære og ikke-gaussiske egenskapene til signalet. MSB bidrar til å avdekke subtile modulerte feilkarakteristikker som vanligvis er skjult i standardfrekvensspektre.

Deretter transformeres de behandlede signaldataene til tidsfrekvensbilder og mates inn i et konvolusjonelt nevralt nettverk (CNN), en dyp læringsmodell som automatisk kan trekke ut feilfunksjoner på høyt nivå og klassifisere girtilstander. Denne CNN-modellen er trent til å skille mellom friske gir, mindre feil og alvorlig skade på tvers av ulike belastnings- og hastighetsforhold.

De eksperimentelle resultatene, utført på en spesialdesignet spiralformet konisk gir-testrigg, viser at MSB CNN-tilnærmingen oppnår over 97 % klassifiseringsnøyaktighet, og overgår dermed tradisjonelle metoder som FFT-basert analyse og til og med andre dyplæringsteknikker som er avhengige av rå vibrasjonsdata. Dessuten viser denne hybridmodellen sterk robusthet mot bakgrunnsstøy, noe som gjør den egnet for industrielle applikasjoner i den virkelige verden.

Integreringen av modulasjonssignalbispektrum med CNN forbedrer ikke bare feilgjenkjenningsytelsen, men reduserer også avhengigheten av manuell funksjonsutvikling, som tradisjonelt er en tidkrevende og ekspertiseavhengig prosess. Metoden er skalerbar og kan brukes på andre roterende maskinkomponenter, som lagre ogplanetgir.

Denne forskningen representerer et skritt fremover i utviklingen av intelligente feildiagnosesystemer for Industri 4.0 og det bredere feltet smart produksjon. Etter hvert som automatisering og maskinpålitelighet blir stadig viktigere,