U značajnom razvoju područja mehaničke dijagnostike, nova studija pokazala je učinkovitost kombiniranja bispektra modulacijskog signala (MSB) s konvolucijskim neuronskim mrežama (CNN) za dijagnostiku kvarovaspiralni konusni zupčaniciOvaj inovativni pristup obećava poboljšanu točnost, brže otkrivanje i inteligentniji dijagnostički sustav za visokoučinkovite mjenjače koji se koriste uzrakoplovne, automobilske i industrijske primjene.

Spiralakonusni zupčanicisu kritične komponente prijenosa koje se nalaze u strojevima s visokim okretnim momentom, helikopterima, brodskim pogonskim sustavima i teškim industrijskim reduktorima. Zbog njihove složene geometrije i radnih uvjeta, rano otkrivanje kvarova zupčanika poput korozije, habanja i loma zuba ostaje tehnički izazov. Tradicionalne tehnike obrade signala često se bore s interferencijom šuma i nelinearnim karakteristikama kvarova.

Nova metoda uvodi dvostupanjski okvir za dijagnostiku kvarova. Prvo se vibracijski signali generirani radnim sustavom zupčanika analiziraju pomoću bispektra modulacijskog signala (MSB), tehnike spektralne analize višeg reda koja učinkovito hvata nelinearne i ne-Gaussove značajke signala. MSB pomaže u otkrivanju suptilnih moduliranih karakteristika kvarova koje su obično skrivene u standardnim frekvencijskim spektrima.

Zatim se obrađeni signalni podaci transformiraju u vremensko-frekvencijske slike i ubacuju u konvolucijsku neuronsku mrežu (CNN), model dubokog učenja sposoban za automatsko izdvajanje značajki kvarova visoke razine i klasificiranje stanja zupčanika. Ovaj CNN model je obučen za razlikovanje ispravnih zupčanika, manjih kvarova i teških oštećenja pri različitim uvjetima opterećenja i brzine.

Eksperimentalni rezultati, provedeni na posebno dizajniranom ispitnom stolu za spiralne konusne zupčanike, pokazuju da MSB CNN pristup postiže točnost klasifikacije preko 97%, nadmašujući tradicionalne metode poput FFT analize, pa čak i druge tehnike dubokog učenja koje se oslanjaju na sirove podatke o vibracijama. Štoviše, ovaj hibridni model pokazuje snažnu otpornost na pozadinsku buku, što ga čini prikladnim za stvarne industrijske primjene.

Integracija bispektra modulacijskog signala s CNN-om ne samo da poboljšava performanse prepoznavanja kvarova, već i smanjuje ovisnost o ručnom inženjeringu značajki, što je tradicionalno dugotrajan i stručno ovisan proces. Metoda je skalabilna i može se primijeniti na druge komponente rotirajućih strojeva, kao što su ležajevi iplanetarni zupčanici.

Ovo istraživanje predstavlja korak naprijed u razvoju inteligentnih sustava za dijagnostiku grešaka za Industriju 4.0 i šire područje pametne proizvodnje. Kako automatizacija i pouzdanost strojeva postaju sve važnije,