Σε μια σημαντική εξέλιξη για τον τομέα της μηχανικής διαγνωστικής, μια νέα μελέτη κατέδειξε την αποτελεσματικότητα του συνδυασμού του διφασματικού σήματος διαμόρφωσης (MSB) με τα συνελικτικά νευρωνικά δίκτυα (CNN) για τη διάγνωση σφαλμάτων...σπειροειδή κωνικά γρανάζιαΑυτή η καινοτόμος προσέγγιση υπόσχεται βελτιωμένη ακρίβεια, ταχύτερη ανίχνευση και ένα πιο έξυπνο διαγνωστικό σύστημα για κιβώτια ταχυτήτων υψηλής απόδοσης που χρησιμοποιούνται σεαεροδιαστημικές, αυτοκινητιστικές και βιομηχανικές εφαρμογές.

Σπειροειδήςκωνικά γρανάζιαείναι κρίσιμα εξαρτήματα μετάδοσης που βρίσκονται σε μηχανήματα υψηλής ροπής, ελικόπτερα, συστήματα θαλάσσιας πρόωσης και βαρέως τύπου βιομηχανικούς μειωτήρες. Λόγω της πολύπλοκης γεωμετρίας και των συνθηκών λειτουργίας τους, η έγκαιρη ανίχνευση σφαλμάτων γραναζιών, όπως οι κοιλότητες, η φθορά και το σπάσιμο των δοντιών, παραμένει μια τεχνική πρόκληση. Οι παραδοσιακές τεχνικές επεξεργασίας σήματος συχνά δυσκολεύονται με τις παρεμβολές θορύβου και τα μη γραμμικά χαρακτηριστικά σφαλμάτων.

Η νέα μέθοδος εισάγει ένα πλαίσιο διάγνωσης σφαλμάτων δύο σταδίων. Αρχικά, τα σήματα δόνησης που παράγονται από το λειτουργικό σύστημα μηχανισμών αναλύονται χρησιμοποιώντας το διφασματικό σήμα διαμόρφωσης (MSB), μια τεχνική φασματικής ανάλυσης ανώτερης τάξης που καταγράφει αποτελεσματικά τα μη γραμμικά και μη γκαουσιανά χαρακτηριστικά του σήματος. Το MSB βοηθά στην αποκάλυψη ανεπαίσθητων διαμορφωμένων χαρακτηριστικών σφαλμάτων που συνήθως κρύβονται στα τυπικά φάσματα συχνότητας.

Στη συνέχεια, τα επεξεργασμένα δεδομένα σήματος μετατρέπονται σε εικόνες χρονικής συχνότητας και τροφοδοτούνται σε ένα συνελικτικό νευρωνικό δίκτυο (CNN), ένα μοντέλο βαθιάς μάθησης ικανό να εξάγει αυτόματα χαρακτηριστικά σφαλμάτων υψηλού επιπέδου και να ταξινομεί τις καταστάσεις των γραναζιών. Αυτό το μοντέλο CNN έχει εκπαιδευτεί ώστε να διαφοροποιεί μεταξύ υγιών γραναζιών, μικρών σφαλμάτων και σοβαρών ζημιών σε διαφορετικές συνθήκες φορτίου και ταχύτητας.

Τα πειραματικά αποτελέσματα, που πραγματοποιήθηκαν σε μια ειδικά σχεδιασμένη πλατφόρμα δοκιμών με σπειροειδή κωνικά γρανάζια, δείχνουν ότι η προσέγγιση MSB CNN επιτυγχάνει ακρίβεια ταξινόμησης άνω του 97%, ξεπερνώντας τις παραδοσιακές μεθόδους όπως η ανάλυση που βασίζεται σε FFT, ακόμη και άλλες τεχνικές βαθιάς μάθησης που βασίζονται σε ακατέργαστα δεδομένα κραδασμών. Επιπλέον, αυτό το υβριδικό μοντέλο παρουσιάζει ισχυρή ανθεκτικότητα στον θόρυβο υποβάθρου, καθιστώντας το κατάλληλο για βιομηχανικές εφαρμογές στον πραγματικό κόσμο.

Η ενσωμάτωση του διφασματικού σήματος διαμόρφωσης με το CNN όχι μόνο βελτιώνει την απόδοση αναγνώρισης σφαλμάτων, αλλά μειώνει επίσης την εξάρτηση από τη χειροκίνητη μηχανική σχεδίαση χαρακτηριστικών, η οποία παραδοσιακά είναι μια χρονοβόρα και εξαρτώμενη από την τεχνογνωσία διαδικασία. Η μέθοδος είναι επεκτάσιμη και μπορεί να εφαρμοστεί σε άλλα περιστρεφόμενα εξαρτήματα μηχανημάτων, όπως ρουλεμάν καιπλανητικά γρανάζια.

Αυτή η έρευνα αποτελεί ένα βήμα μπροστά στην ανάπτυξη έξυπνων συστημάτων διάγνωσης σφαλμάτων για τη Βιομηχανία 4.0 και τον ευρύτερο τομέα της έξυπνης κατασκευής. Καθώς ο αυτοματισμός και η αξιοπιστία των μηχανών καθίστανται ολοένα και πιο ζωτικής σημασίας,