Diagnostika porúch komponent prevodoviek na základe dát

Abstract

Algoritmy strojového a hlbokého učenia pre diagnostiku porúch ložísk a ozubených kolies preukázali silnú rozlišovaciu schopnosť v laboratórnych podmienkach ale prechod do praxe je pri nich stále predmetom výskumu. V tejto práci bola vytvorená rešerš súčasných metód automatického odhaľovania porúch komponentov prevodoviek. Bolo zistené, že využitie existujúcich znalostí o dynamike prevodoviek, ktoré sú založené na fyzikálnom popise by mohlo zlepšiť presnosť a odolnosť voči odchýlkam súčasných automatických diagnostických metód založených na analýze dát a umožniť ich využitie v praxi, napríklad ako súčasť diagnostických systémov vozidiel. Táto práca skúma prípad, keď je zložité získať popísané experimentálne merané dáta, a trénovanie učiaceho sa algoritmu využíva fyzikálne simulácie. Zostavené boli multi-body modely schopné simulovať lokálne poruchy ložísk a poruchy zubov ozubených kolies. Signál vibrácií je spracovaný obálkovou analýzou, a vložený do neurónovej siete s adaptáciou domény, ktorá využíva jednodimenzionálnu konvolúciu pre získanie príznakov a rekurentnú bunku pre zohľadnenie priestorového usporiadania príznakov. Bolo zistené, že adaptácia domény je kľúčovým prvkom pre úspešné využitie simulovaných dát pre diagnostiku porúch ložísk a ozubených kolies.

Machine learning and deep learning algorithms for bearing and gear fault detection proved strong expressive power in a laboratory environment, but their transfer to the real world is still a subject of research. This work reviews state-of-the-art methods for automatic fault diagnosis of gearbox components. It was found that incorporating the existing physics-based knowledge of gearbox dynamics could improve the robustness and accuracy of data-driven diagnostic methods and enable their use in real-world applications, for example, in onboard vehicle diagnostic systems. The work elaborates on the situation where it is difficult to obtain labelled experimental fault data, and the learning algorithm training employs physics-based simulations. Multi-body models capable of simulating local bearing faults and gear tooth faults were assembled. The vibration signal is preprocessed with envelope analysis and fed to a domain adaptive neural network that uses one-dimensional convolution for feature extraction and a recurrent cell to capture the spatial relationship between the features. Domain adaptation was found to be a key element for successful simulation data-aided bearing and gear fault diagnosis.