Ricerca sul metodo di diagnosi dei guasti tramite immagine del campo della temperatura del cambio basato sull'apprendimento del trasferimento e sulla rete di convinzioni profonde

Rapporti scientifici volume 13, numero articolo: 6664 (2023) Citare questo articolo

391 accessi

1 Altmetrico

Dettagli sulle metriche

Questo documento applica la tecnologia di imaging termico alla diagnosi dei guasti del cambio. Il modello di calcolo del campo di temperatura è stabilito per ottenere le immagini del campo di temperatura di vari guasti. Viene proposto un modello di rete di deep learning che combina l'apprendimento di trasferimento della rete neurale convoluzionale con l'addestramento supervisionato e non supervisionato della rete di credenze profonde. Il modello richiede un quinto del tempo di addestramento del modello di rete neurale convoluzionale. Il set di dati utilizzato per l'addestramento del modello di rete di deep learning viene ampliato utilizzando l'immagine di simulazione del campo di temperatura del cambio. I risultati mostrano che il modello di rete ha una precisione superiore al 97% per la diagnosi dei guasti di simulazione. Il modello agli elementi finiti del cambio può essere modificato con dati sperimentali per ottenere immagini termiche più accurate e questo metodo può essere utilizzato meglio nella pratica.

Il monitoraggio del segnale di vibrazione è il metodo più comunemente utilizzato per la diagnosi dei guasti del cambio. Il monitoraggio del segnale di vibrazione presenta i vantaggi di costi moderati, elevata affidabilità e tecnologia matura1. I difetti di questo metodo includono la misurazione del contatto, le informazioni locali, la grave influenza delle condizioni ambientali, la grave perdita del segnale di trasmissione a lunga distanza causata dall'inquinamento acustico2,3. L'introduzione del segnale di temperatura nel campo della diagnosi dei guasti del cambio costituisce un'importante integrazione alla base per la determinazione dei guasti.

Studi recenti hanno dimostrato che il segnale della temperatura contiene una grande quantità di informazioni che possono essere utilizzate per il rilevamento dello stato di salute del cambio e la diagnosi dei guasti4. La tecnologia di imaging termico a infrarossi, che presenta i vantaggi di informazioni più complete e dell'assenza di contatto nella misurazione della temperatura, è maggiormente preoccupata dai ricercatori5. Kwan et al. ha sviluppato uno strumento di elaborazione delle immagini basato su rete neurale in grado di rilevare aumenti anomali della temperatura cinque ore prima della frattura del dente6. Younus et al. ha proposto un nuovo metodo per la diagnosi dei guasti dei motori rotanti basato sulla ricerca dell'immagine termica utilizzando le funzionalità dell'istogramma dell'immagine. È dimostrato che il processo di classificazione delle caratteristiche dell'immagine termica mediante classificatori come la macchina vettoriale di supporto può servire alla diagnosi dei guasti della macchina7. Successivamente, hanno proposto un sistema diagnostico intelligente per classificare diversi stati della macchina utilizzando la termografia a infrarossi8. Lim et al. ha confrontato le immagini termiche con i segnali di vibrazione e ha proposto un metodo di diagnosi dei guasti utilizzando l'algoritmo della macchina vettoriale di supporto attraverso l'imaging termico a infrarossi5. Emmanuel Resendiz-Ochoa et al. ha proposto un metodo per diagnosticare l'usura degli ingranaggi analizzando le immagini di immagini a infrarossi. Il metodo calcola innanzitutto le caratteristiche statistiche nel dominio del tempo dell'imaging a infrarossi, quindi riduce la dimensione dei dati e infine esegue la diagnosi dei guasti tramite la rete neurale9. La maggior parte di questi studi sono diagnosi di guasti in una condizione specifica. Su questa base, Shao et al. ha proposto un metodo di trasferimento di apprendimento utilizzando reti neurali convoluzionali per la diagnosi dei guasti dei cuscinetti in diverse condizioni operative10. Yongbo Li et al. hanno estratto le caratteristiche dei guasti dalle immagini termiche utilizzando il metodo del sacchetto di parole visive, quindi hanno classificato i guasti delle macchine rotanti utilizzando la macchina vettoriale di supporto, realizzando la diagnosi dei guasti delle macchine rotanti in condizioni operative non stazionarie11. Bai Tangbo ha proposto un metodo di diagnosi dei guasti per i macchinari rotanti in grado di risolvere i difetti di basso contrasto, bordi sfocati e rumore elevato delle immagini termiche a infrarossi12.

La ricerca di cui sopra presenta una difficoltà comune nel migliorare l'accuratezza, ovvero il set di dati utilizzato per l'addestramento e la verifica è piccolo ed è difficile ottenere tutti i dati in varie condizioni di errore3.

In questo articolo viene stabilito il modello agli elementi finiti del riduttore, viene calcolata la distribuzione del campo di temperatura sulla superficie del riduttore stazionario e si ottiene l'immagine del campo di temperatura corrispondente. Viene proposto un modello di rete di deep learning per la diagnosi dei guasti del cambio, che combina l'apprendimento di trasferimento della rete neurale convoluzionale con la rete di credenze profonde. È stato verificato che l'immagine del campo della temperatura del cambio ha un tasso di precisione elevato per la diagnosi dei guasti del cambio.