Eine neue Studie hat in einer bedeutenden Weiterentwicklung auf dem Gebiet der mechanischen Diagnostik die Wirksamkeit der Kombination von Modulationssignal-Bispektrum (MSB) mit Convolutional Neural Networks (CNN) für die Fehlerdiagnose nachgewiesen.SpiralverzahnungDieser innovative Ansatz verspricht höhere Genauigkeit, schnellere Erkennung und ein intelligenteres Diagnosesystem für Hochleistungsgetriebe, die in folgenden Bereichen eingesetzt werden:Anwendungen in der Luft- und Raumfahrt, der Automobilindustrie und der Industrie.

SpiralKegelräderZahnräder sind kritische Getriebekomponenten, die in Maschinen mit hohem Drehmoment, Hubschraubern, Schiffsantrieben und Schwerlastgetrieben eingesetzt werden. Aufgrund ihrer komplexen Geometrie und der Betriebsbedingungen stellt die Früherkennung von Zahnradfehlern wie Lochfraß, Verschleiß und Zahnbruch nach wie vor eine technische Herausforderung dar. Herkömmliche Signalverarbeitungsverfahren stoßen dabei häufig an ihre Grenzen, da sie mit Rauschen und nichtlinearen Fehlercharakteristika zu kämpfen haben.

Das neue Verfahren führt ein zweistufiges Fehlerdiagnose-Framework ein. Zunächst werden die vom Getriebe erzeugten Schwingungssignale mithilfe des Modulationssignal-Bispektrums (MSB) analysiert. MSB ist eine Spektralanalyse höherer Ordnung, die die nichtlinearen und nicht-Gaußschen Merkmale des Signals effektiv erfasst. MSB trägt dazu bei, subtile modulierte Fehlermerkmale aufzudecken, die in Standardfrequenzspektren typischerweise verborgen bleiben.

Anschließend werden die verarbeiteten Signaldaten in Zeit-Frequenz-Bilder umgewandelt und einem Convolutional Neural Network (CNN) zugeführt – einem Deep-Learning-Modell, das automatisch übergeordnete Fehlermerkmale extrahiert und den Zustand von Zahnrädern klassifiziert. Dieses CNN-Modell wird trainiert, um zwischen intakten Zahnrädern, kleineren Fehlern und schweren Schäden unter verschiedenen Last- und Drehzahlbedingungen zu unterscheiden.

Die experimentellen Ergebnisse, die an einem eigens entwickelten Prüfstand für Spiral-Kegelradgetriebe erzielt wurden, zeigen, dass der MSB-CNN-Ansatz eine Klassifizierungsgenauigkeit von über 97 % erreicht und damit traditionelle Methoden wie die FFT-basierte Analyse sowie andere Deep-Learning-Verfahren, die auf Rohschwingungsdaten basieren, übertrifft. Darüber hinaus weist dieses Hybridmodell eine hohe Robustheit gegenüber Hintergrundrauschen auf und eignet sich daher für industrielle Anwendungen in der Praxis.

Die Integration des Modulationssignal-Bispektrums in CNNs verbessert nicht nur die Fehlererkennungsleistung, sondern reduziert auch die Abhängigkeit von der manuellen Merkmalsentwicklung – einem traditionell zeitaufwändigen und fachkundigen Prozess. Die Methode ist skalierbar und kann auf andere rotierende Maschinenkomponenten wie Lager angewendet werden.Planetengetriebe.

Diese Forschung stellt einen Fortschritt in der Entwicklung intelligenter Fehlerdiagnosesysteme für Industrie 4.0 und das breitere Feld der intelligenten Fertigung dar. Da Automatisierung und Maschinenzuverlässigkeit immer wichtiger werden,