An enger bedeitender Entwécklung fir de Beräich vun der mechanescher Diagnostik huet eng nei Studie d'Effektivitéit vun der Kombinatioun vu Modulatiounssignalbispektrum (MSB) mat konvolutionellen neuronalen Netzwierker (CNN) fir d'Feelerdiagnos vun ... gewisen.SpiralkegelzahnradDësen innovativen Usaz versprécht eng verbessert Genauegkeet, eng méi séier Detektioun an en intelligenteren Diagnosesystem fir Héichleistungsgetrieber, déi a ... benotzt ginnLoftfaart, Automobilindustrie an industriell Uwendungen.

SpiralKegelzahnradSinn kritesch Getriebekomponenten, déi a Maschinnen mat héijem Dréimoment, Helikopteren, Marineundriffssystemer a schwéierlastegen industrielle Reduzéiergetrieber fonnt ginn. Wéinst hirer komplexer Geometrie an Operatiounsbedingungen bleift d'fréi Detektioun vu Getriebefehler wéi Pitting, Verschleiung an Zännbroch eng technesch Erausfuerderung. Traditionell Signalveraarbechtungstechniken hunn dacks Schwieregkeeten mat Rauschstéierungen an netlinearen Fehlercharakteristiken.

Déi nei Method féiert e Kader fir d'Diagnos vun enger Fehler an zwee Stufen an. Als éischt ginn d'Vibratiounssignaler, déi vum Betribssystem generéiert ginn, mat Hëllef vum Modulatiounssignalbispektrum (MSB) analyséiert, enger Technik fir d'Spektralanalyse vun héijer Uerdnung, déi effektiv déi net-linear an net-gaussesch Charakteristike vum Signal erfaasst. MSB hëlleft subtil moduléiert Fehlercharakteristiken ze weisen, déi typescherweis a Standardfrequenzspektre verstoppt sinn.

Duerno ginn déi veraarbecht Signaldaten an Zäitfrequenzbiller transforméiert an an e konvolutionellt neuronalt Netzwierk (CNN) geleet, e Deep-Learning-Modell, dat fäeg ass, automatesch héichwäerteg Feelermerkmale ze extrahéieren an d'Zännriederzoustänn ze klassifizéieren. Dëst CNN-Modell ass trainéiert fir tëscht gesonde Zännrieder, klenge Feeler a schwéiere Schied bei verschiddene Belaaschtungs- a Geschwindegkeetszoustänn z'ënnerscheeden.

Déi experimentell Resultater, déi op engem speziell entwéckelte Spiralkegelzahnrad-Teststand duerchgefouert goufen, weisen datt den MSB CNN-Usaz eng Klassifikatiounsgenauegkeet vu méi wéi 97% erreecht, wat traditionell Methoden wéi FFT-baséiert Analysen an och aner Deep-Learning-Techniken, déi op réi Vibratiounsdaten vertrauen, iwwertrëfft. Ausserdeem weist dëst Hybridmodell eng staark Robustheet géint Hannergrondgeräischer, wat et fir industriell Uwendungen an der realer Welt gëeegent mécht.

D'Integratioun vum Modulatiounssignal-Bispektrum mat CNN verbessert net nëmmen d'Leeschtung vun der Fehlererkennung, mä reduzéiert och d'Ofhängegkeet vun der manueller Feature-Engineering, déi traditionell e zäitopwännegen an expertiseofhängege Prozess ass. D'Method ass skalierbar a kann op aner rotéierend Maschinnekomponenten, wéi Lager a ..., ugewannt ginn.Planéitenzahnrad.

Dës Fuerschung stellt e Schrëtt no vir an der Entwécklung vun intelligenten Fehlerdiagnossystemer fir d'Industrie 4.0 an de méi breede Beräich vun der intelligenter Produktioun duer. Well d'Automatiséierung an d'Zouverlässegkeet vun de Maschinnen ëmmer méi wichteg ginn,