기계 진단 분야에 중요한 진전으로, 새로운 연구에서 변조 신호 이중 스펙트럼(MSB)과 합성곱 신경망(CNN)을 결합하여 고장 진단을 수행하는 것이 효과적임을 입증했습니다.나선형 베벨 기어이 혁신적인 접근 방식은 고성능 변속기에 사용되는 장비에 향상된 정확도, 더 빠른 감지 속도 및 더욱 지능적인 진단 시스템을 제공할 것으로 기대됩니다.항공우주, 자동차 및 산업 분야에 적용됩니다.

나선베벨 기어기어는 고토크 기계, 헬리콥터, 해양 추진 시스템 및 중장비 산업용 감속기에 사용되는 중요한 동력 전달 부품입니다. 복잡한 형상과 작동 조건으로 인해 기어의 마모, 치형 파손과 같은 결함을 조기에 감지하는 것은 여전히 ​​기술적인 과제입니다. 기존의 신호 처리 기술은 잡음 간섭과 비선형적인 결함 특성으로 인해 어려움을 겪는 경우가 많습니다.

새로운 방법은 2단계 고장 진단 프레임워크를 도입합니다. 첫 번째 단계에서는 작동 중인 기어 시스템에서 발생하는 진동 신호를 변조 신호 이중 스펙트럼(MSB)을 사용하여 분석합니다. MSB는 신호의 비선형 및 비가우시안 특성을 효과적으로 포착하는 고차 스펙트럼 분석 기법입니다. MSB는 일반적으로 표준 주파수 스펙트럼에서 숨겨져 있는 미묘한 변조 고장 특성을 드러내는 데 도움이 됩니다.

다음으로, 처리된 신호 데이터는 시간 주파수 이미지로 변환되어 고수준의 고장 특징을 자동으로 추출하고 기어 상태를 분류할 수 있는 딥러닝 모델인 컨볼루션 신경망(CNN)에 입력됩니다. 이 CNN 모델은 다양한 부하 및 속도 조건에서 정상 기어, 경미한 고장 및 심각한 손상을 구분하도록 훈련됩니다.

맞춤형으로 설계된 스파이럴 베벨 기어 시험 장비에서 수행된 실험 결과는 MSB CNN 접근 방식이 97% 이상의 분류 정확도를 달성하여 FFT 기반 분석과 같은 기존 방법은 물론 원시 진동 데이터에 의존하는 다른 딥러닝 기법보다도 우수한 성능을 보임을 보여줍니다. 더욱이, 이 하이브리드 모델은 배경 잡음에 대한 뛰어난 강건성을 보여 실제 산업 현장에 적용하기에 적합합니다.

변조 신호의 이중 스펙트럼을 CNN과 통합하면 고장 인식 성능이 향상될 뿐만 아니라, 전통적으로 시간과 전문 지식이 많이 요구되는 수동 특징 엔지니어링 작업에 대한 의존도를 줄일 수 있습니다. 이 방법은 확장성이 뛰어나 베어링과 같은 다른 회전 기계 부품에도 적용할 수 있습니다.유성 기어.

본 연구는 인더스트리 4.0 및 스마트 제조 분야 전반을 위한 지능형 고장 진단 시스템 개발에 있어 중요한 진전을 의미합니다. 자동화 및 기계 신뢰성이 점점 더 중요해짐에 따라,