In een belangrijke ontwikkeling voor het vakgebied van de mechanische diagnostiek heeft een nieuwe studie de effectiviteit aangetoond van het combineren van modulatiesignaalbispectrum (MSB) met convolutionele neurale netwerken (CNN) voor de foutdiagnose vanspiraalvormige kegeltandwielenDeze innovatieve aanpak belooft een verbeterde nauwkeurigheid, snellere detectie en een intelligenter diagnosesysteem voor hoogwaardige versnellingsbakken die worden gebruikt inToepassingen in de lucht- en ruimtevaart, de automobielindustrie en de industrie.

SpiraalkegeltandwielenTandwielen zijn essentiële transmissiecomponenten die te vinden zijn in machines met een hoog koppel, helikopters, scheepsaandrijfsystemen en zware industriële reductiekasten. Vanwege hun complexe geometrie en bedrijfsomstandigheden blijft het vroegtijdig opsporen van defecten zoals putcorrosie, slijtage en tandbreuk een technische uitdaging. Traditionele signaalverwerkingstechnieken hebben vaak moeite met ruisinterferentie en niet-lineaire foutkarakteristieken.

De nieuwe methode introduceert een tweestaps foutdiagnosekader. Eerst worden de trillingssignalen die door het aandrijfsysteem worden gegenereerd, geanalyseerd met behulp van modulatiesignaalbispectrum (MSB), een spectrale analysetechniek van hogere orde die de niet-lineaire en niet-Gaussiaanse kenmerken van het signaal effectief vastlegt. MSB helpt subtiele gemoduleerde foutkenmerken te onthullen die doorgaans verborgen blijven in standaard frequentiespectra.

Vervolgens worden de verwerkte signaalgegevens omgezet in tijd-frequentiebeelden en ingevoerd in een convolutioneel neuraal netwerk (CNN), een deep learning-model dat in staat is om automatisch hoogwaardige foutkenmerken te extraheren en de toestand van tandwielen te classificeren. Dit CNN-model is getraind om onderscheid te maken tussen gezonde tandwielen, kleine defecten en ernstige schade onder verschillende belasting- en snelheidsomstandigheden.

De experimentele resultaten, uitgevoerd op een speciaal ontworpen testopstelling voor spiraalvormige kegeltandwielen, tonen aan dat de MSB CNN-aanpak een classificatienauwkeurigheid van meer dan 97% behaalt. Hiermee presteert het beter dan traditionele methoden zoals FFT-gebaseerde analyses en zelfs andere deep learning-technieken die afhankelijk zijn van ruwe trillingsgegevens. Bovendien is dit hybride model zeer robuust tegen achtergrondruis, waardoor het geschikt is voor industriële toepassingen in de praktijk.

De integratie van het bispectrum van het modulatiesignaal met een CNN verbetert niet alleen de prestaties van foutherkenning, maar vermindert ook de afhankelijkheid van handmatige feature engineering, wat traditioneel een tijdrovend en expertise-afhankelijk proces is. De methode is schaalbaar en kan worden toegepast op andere roterende machineonderdelen, zoals lagers enplanetaire tandwielen.

Dit onderzoek vormt een stap voorwaarts in de ontwikkeling van intelligente foutdiagnosesystemen voor Industrie 4.0 en het bredere veld van slimme productie. Naarmate automatisering en machinebetrouwbaarheid steeds belangrijker worden,