Исследование метода диагностики неисправностей изображения температурного поля коробки передач на основе трансферного обучения и сети глубоких убеждений

Научные отчеты, том 13, Номер статьи: 6664 (2023) Цитировать эту статью

391 Доступов

1 Альтметрика

Подробности о метриках

В этой статье технология тепловидения применяется для диагностики неисправностей коробки передач. Создана модель расчета температурного поля для получения изображений температурного поля различных разломов. Предлагается модель сети глубокого обучения, сочетающая трансферное обучение сверточной нейронной сети с контролируемым обучением и неконтролируемым обучением сети глубокого доверия. Модель требует одной пятой времени обучения модели сверточной нейронной сети. Набор данных, используемый для обучения сетевой модели глубокого обучения, расширяется за счет использования изображения моделирования температурного поля коробки передач. Результаты показывают, что сетевая модель имеет точность диагностики ошибок моделирования более 97%. Конечно-элементную модель коробки передач можно модифицировать экспериментальными данными для получения более точных тепловых изображений, и этот метод можно лучше использовать на практике.

Мониторинг вибросигнала является наиболее распространенным методом диагностики неисправностей коробки передач. Мониторинг вибрационных сигналов имеет такие преимущества, как умеренная стоимость, высокая надежность и зрелая технология1. К недостаткам этого метода относятся контактное измерение, локальная информация, серьезное влияние условий окружающей среды, серьезная потеря сигнала передачи на большие расстояния, вызванная шумовым загрязнением2,3. Введение сигнала температуры в область диагностики неисправностей коробки передач является важным дополнением к основе определения неисправностей.

Недавние исследования показали, что сигнал температуры содержит большой объем информации, которую можно использовать для определения состояния работоспособности коробки передач и диагностики неисправностей4. Технология инфракрасного тепловидения, которая имеет преимущества более полной информации и отсутствия контакта при измерении температуры, больше всего беспокоит исследователей5. Кван и др. разработали инструмент обработки изображений на основе нейронной сети, который может обнаружить аномальное повышение температуры за пять часов до перелома зуба6. Юнус и др. предложил новый метод диагностики неисправностей вращающихся двигателей на основе исследования тепловых изображений с использованием особенностей гистограммы изображения. Доказано, что процесс классификации особенностей теплового изображения с помощью классификаторов, таких как машина опорных векторов, может служить диагностике неисправностей машины7. Впоследствии они предложили интеллектуальную диагностическую систему для классификации различных состояний машины с использованием инфракрасного тепловидения8. Лим и др. сравнил тепловые изображения с вибрационными сигналами и предложил метод диагностики неисправностей с использованием алгоритма машины опорных векторов посредством инфракрасного тепловидения5. Эммануэль Ресендис-Очоа и др. предложил метод диагностики износа зубчатых передач путем анализа инфракрасных изображений. Этот метод сначала вычисляет статистические характеристики инфракрасного изображения во временной области, затем уменьшает размерность данных и, наконец, выполняет диагностику неисправностей с помощью нейронной сети9. Большинство этих исследований представляют собой диагностику неисправности при конкретном состоянии. На этом основании Шао и др. предложил метод трансферного обучения с использованием сверточных нейронных сетей для диагностики неисправностей подшипников в различных условиях эксплуатации10. Юнбо Ли и др. извлекли характеристики неисправностей из тепловизионных изображений с помощью метода «мешка визуальных слов», а затем классифицировали неисправности вращающегося оборудования с помощью машины опорных векторов, реализуя диагностику неисправностей вращающегося оборудования в нестационарных условиях эксплуатации11. Бай Танбо предложил метод диагностики неисправностей вращающегося оборудования, который может устранить недостатки низкой контрастности, размытости краев и высокого шума инфракрасных тепловых изображений12.

Вышеупомянутое исследование имеет общую трудность в повышении точности: набор данных, используемый для обучения и проверки, невелик, и трудно получить все данные при различных условиях неисправности3.

В данной работе создана конечно-элементная модель редуктора, рассчитано распределение температурного поля на поверхности стационарного редуктора и получено соответствующее изображение температурного поля. Предлагается сетевая модель глубокого обучения для диагностики неисправностей коробки передач, которая сочетает в себе трансферное обучение сверточной нейронной сети с сетью глубокого доверия. Подтверждено, что изображение температурного поля коробки передач имеет высокую точность для диагностики неисправностей коробки передач.