Investigación sobre el método de diagnóstico de fallas de la imagen del campo de temperatura de la caja de cambios basado en el aprendizaje de transferencia y la red de creencias profundas

Scientific Reports volumen 13, Número de artículo: 6664 (2023) Citar este artículo

365 Accesos

1 Altmetric

Detalles de métricas

Este documento aplica la tecnología de imágenes térmicas al diagnóstico de fallas de la caja de cambios. El modelo de cálculo del campo de temperatura se establece para obtener las imágenes del campo de temperatura de varias fallas. Se propone un modelo de red de aprendizaje profundo que combina el aprendizaje de transferencia de la red neuronal convolucional con el entrenamiento supervisado y el entrenamiento no supervisado de la red de creencias profundas. El modelo requiere una quinta parte del tiempo de entrenamiento del modelo de red neuronal convolucional. El conjunto de datos utilizado para entrenar el modelo de red de aprendizaje profundo se amplía mediante el uso de la imagen de simulación de campo de temperatura de la caja de engranajes. Los resultados muestran que el modelo de red tiene una precisión superior al 97% para el diagnóstico de fallas de simulación. El modelo de elementos finitos de la caja de cambios se puede modificar con datos experimentales para obtener imágenes térmicas más precisas, y este método se puede utilizar mejor en la práctica.

El monitoreo de la señal de vibración es el método más comúnmente utilizado para el diagnóstico de fallas de la caja de cambios. El monitoreo de señales de vibración tiene las ventajas de un costo moderado, una gran confiabilidad y una tecnología madura1. Los defectos de este método incluyen la medición por contacto, la información local, la influencia grave de las condiciones ambientales, la pérdida grave de la señal de transmisión a larga distancia causada por la contaminación acústica2,3. Es un complemento importante a la base de la determinación de fallas que la introducción de la señal de temperatura en el campo del diagnóstico de fallas de la caja de cambios.

Estudios recientes han demostrado que la señal de temperatura contiene una gran cantidad de información que se puede utilizar para la detección del estado de funcionamiento de la caja de cambios y el diagnóstico de fallas4. La tecnología de imágenes térmicas infrarrojas que tiene las ventajas de una información más completa y sin contacto en la medición de temperatura es más preocupante para los investigadores5. Kwan et al. desarrolló una herramienta de procesamiento de imágenes basada en redes neuronales que puede detectar aumentos anormales de temperatura cinco horas antes de la fractura del diente6. Younus et al. propuso un nuevo método para el diagnóstico de fallas de motores giratorios basado en la investigación de imágenes térmicas utilizando características de histograma de imagen. Se demuestra que el proceso de clasificación de las características de la imagen térmica mediante clasificadores como la máquina de vectores de soporte puede servir para el diagnóstico de fallas de la máquina7. Posteriormente, propusieron un sistema de diagnóstico inteligente para clasificar diferentes estados de la máquina utilizando imágenes térmicas infrarrojas8. Lim et al. comparó imágenes térmicas con señales de vibración y propuso un método de diagnóstico de fallas utilizando un algoritmo de máquina de vectores de soporte a través de imágenes térmicas infrarrojas5. Emmanuel Reséndiz-Ochoa et al. propuso un método para diagnosticar el desgaste de los engranajes mediante el análisis de imágenes de imágenes infrarrojas. El método primero calcula las características del dominio de tiempo estadístico de las imágenes infrarrojas, luego reduce la dimensión de los datos y finalmente realiza un diagnóstico de fallas por red neuronal9. La mayoría de estos estudios son diagnósticos de fallas bajo una condición específica. Sobre esta base, Shao et al. propuso un método de transferencia de aprendizaje utilizando redes neuronales convolucionales para el diagnóstico de fallas en rodamientos en diferentes condiciones de operación10. Yongbo Li et al. extrajo las características de las fallas de las imágenes termográficas usando el método de la bolsa de palabras visuales y luego clasificó las fallas de la maquinaria rotatoria usando una máquina de vectores de soporte, realizando el diagnóstico de fallas de la maquinaria rotatoria bajo condiciones de operación no estacionarias11. Bai Tangbo propuso un método de diagnóstico de fallas para maquinaria rotativa que puede resolver las deficiencias de bajo contraste, bordes borrosos y alto ruido de las imágenes térmicas infrarrojas12.

La investigación anterior tiene una dificultad común para mejorar la precisión, es decir, el conjunto de datos utilizado para el entrenamiento y la verificación es pequeño y es difícil obtener todos los datos en diversas condiciones de falla3.

En este documento, se establece el modelo de elementos finitos de la caja de engranajes, se calcula la distribución del campo de temperatura en la superficie de la caja de engranajes de estado estable y se obtiene la imagen del campo de temperatura correspondiente. Se propone un modelo de red de aprendizaje profundo para el diagnóstico de fallas de cajas de engranajes, que combina el aprendizaje de transferencia de la red neuronal convolucional con la red de creencias profundas. Se verifica que la imagen del campo de temperatura de la caja de cambios tiene una alta tasa de precisión para el diagnóstico de fallas de la caja de cambios.

La caja de engranajes utilizada en este documento se muestra en la Fig. 1, que se compone de un par de engranajes de entrada con paralelismos y dos conjuntos de trenes de engranajes planetarios. Los parámetros de los engranajes se muestran en la Tabla 1.

Modelo tridimensional de caja de cambios.

Los modos de transferencia de calor incluyen conducción de calor, convección de calor y radiación de calor. El rodamiento y el deslizamiento relativos del engranaje, el rodamiento del cojinete, la pérdida de potencia causada por el engranaje y el aceite de mezcla del cojinete y el gas de mezcla son las principales fuentes de calor generadas por la caja de engranajes en el estado de funcionamiento.

Hay muchas fórmulas para calcular la pérdida de potencia de los engranajes. En este artículo se utiliza el método de cálculo de Anderson-Loewenthal13. La fórmula de cálculo del par de fricción del rodamiento de baja velocidad de Palmgren se selecciona para calcular la potencia de producción de calor del rodamiento14. El manual de diseño mecánico se utiliza para calcular la eficiencia total del tren de engranajes planetarios para calcular la pérdida de potencia total15. La pérdida por agitación del eje y la pérdida por agitación del engranaje y el rodamiento en ambos lados se calculan según la norma británica BS ISO/TR14179-1-200116. Las fórmulas seleccionadas anteriormente se dan en la Tabla 2.

El coeficiente de transferencia de calor de las diferentes superficies de la caja de engranajes varía con el medio de contacto. El coeficiente de transferencia de calor por convección (CHTC) de la superficie del diente del engranaje adopta el modelo matemático propuesto por Handschuh para calcular el CHTC de la superficie de engrane del engranaje. CHTC de los dos lados del engranaje y el portasatélites adopta la fórmula de cálculo de CHTC del disco giratorio y el medio17. El CHTC del cojinete y el eje se calcula mediante la fórmula del artículo de Zhao18. La CHTC entre la superficie interior de la caja y el medio se basa en la fórmula de Gnielinski, y la CHTC entre la superficie exterior y el medio se basa en el criterio del tubo único propuesto por Churchill y Bernstein19. Las fórmulas seleccionadas anteriormente se dan en la Tabla 3.

Los parámetros utilizados para establecer el modelo de campo de temperatura de estado estacionario de la caja de engranajes se pueden obtener a partir de la fórmula anterior.

Durante el funcionamiento normal, el campo de temperatura de la caja de cambios se estabiliza gradualmente. El campo de temperatura estable cambia cuando falla el engranaje. El estado de funcionamiento de la caja de cambios se puede reflejar mediante la distribución del campo de temperatura de la caja de cambios.

La fórmula de cálculo de los parámetros del modelo de campo de temperatura de estado estacionario se introdujo anteriormente. La distribución del campo de temperatura en la superficie del reductor se puede obtener estableciendo el modelo de cálculo del reductor a partir de estos parámetros. El modelo se simplifica de la siguiente manera:

En el estado de trabajo, las partes de contacto del par de engranajes de entrada se contactan alternativamente y la generación de calor es uniforme. Por lo tanto, la parte de engrane de engranajes se puede simplificar. La generación de calor calculada se puede aplicar uniformemente a la superficie de contacto correspondiente al modelo de engranaje simplificado.

Las partes de engrane correspondientes a cada engranaje del tren de engranajes planetarios contactan alternativamente, por lo que la distribución del calor en la superficie de contacto es uniforme. Por lo tanto, la simplificación del tren de engranajes planetarios se puede dividir en los siguientes tres pasos: Primero, calcule el flujo de calor total de la caja de engranajes. Luego se retiran el engranaje planetario, el engranaje solar y el portasatélites del modelo para obtener el modelo equivalente. Finalmente, la densidad de flujo de calor que se transfiere al eje y la corona dentada se aplica uniformemente a la posición correspondiente del modelo equivalente.

Debido a la alta temperatura de la caja de cambios en la parte de entrada y el tren de engranajes planetarios de primera etapa, las características de la distribución del campo de temperatura son obvias. La temperatura de la parte de salida (la parte del tren de engranajes planetarios de la segunda etapa) es baja, por lo que las características de distribución del campo de temperatura no son obvias. Por lo tanto, este trabajo solo estudia el diagnóstico de fallas de engranajes de la parte de entrada de la caja de cambios y el tren de engranajes planetarios de la primera etapa.

En este artículo, primero se establece el modelo de red neuronal convolucional. Luego, se propone un modelo de red de aprendizaje profundo para el diagnóstico de fallas de la caja de cambios que combina el aprendizaje de transferencia y la red de creencias profundas, y se comparan los dos modelos.

Las redes neuronales convolucionales son ampliamente utilizadas en la clasificación de imágenes. En primer lugar, se introduce el modelo de red convolucional. La estructura del modelo se muestra en la Fig. 2. En este documento, la red neuronal convolucional se utiliza para entrenar el conjunto de datos para obtener los resultados de la clasificación.

La estructura del modelo de red de convolución.

El modelo de red de aprendizaje profundo del diagnóstico de fallas de la caja de engranajes que combina el aprendizaje de transferencia de redes neuronales convolucionales y la red de creencias profundas (TrCNN-DBN) consta de tres partes, expansión de imagen de campo de temperatura (TFIE), aprendizaje de transferencia de redes neuronales convolucionales (TrCNN) y red de creencias profundas (DBN) clasificación de fallas.

TFIE rota la imagen de entrada, ajusta el brillo de la imagen, agrega ruido y desenfoque a la imagen. La rotación simula la fluctuación de la cámara termográfica. El ajuste del brillo de la imagen, la adición de ruido y el desenfoque de la imagen se usan para simular los cambios en la luz del entorno de disparo. La expansión de la imagen puede aumentar en gran medida el conjunto de datos utilizados en el entrenamiento, mejorando así la precisión.

TrCNN utiliza el modelo VGG16 propuesto por Visual Geometry Group de la Universidad de Oxford. En este artículo, se utiliza la primera red neuronal convolucional de 19 capas del modelo VGG16 para extraer las características de la imagen. Luego, los datos obtenidos se utilizan para el entrenamiento y clasificación de la red DBN. La estructura del modelo se muestra en la Fig. 3.

La estructura de TrCNN-DBN.

DBN es un modelo de generación de probabilidad compuesto por Restricted Boltzmann Machine y Sigmoid Belief Network. La combinación de aprendizaje supervisado y aprendizaje no supervisado puede heredar mejor la información de la capa superior de la red a la siguiente capa en comparación con la capa totalmente conectada de la red neuronal convolucional.

El proceso de diagnóstico es el siguiente:

Las imágenes de distribución del campo de temperatura en condiciones de trabajo específicas simuladas por el modelo de cálculo térmico de estado estacionario de la caja de engranajes se dividen en dos categorías, a saber, el conjunto de entrenamiento y el conjunto de verificación.

La imagen del conjunto de entrenamiento se expande para aumentar la cantidad de muestras en el conjunto de entrenamiento y simular imágenes en diferentes entornos de disparo.

La imagen del conjunto de entrenamiento con mejora de imagen y la imagen del conjunto de verificación se ingresan en TrCNN para la extracción de características.

Los datos de características extraídos se ingresan en DBN para extraer más características para la predicción de fallas.

Como se muestra en la Fig. 4, al usar el modelo de red neuronal convolucional para entrenar la imagen de la vista superior y la imagen de la vista izquierda, la precisión de clasificación del modelo alcanza el 100% después de 3 épocas, y la pérdida es casi 0. La precisión de clasificación del modelo del la imagen de la vista principal entrenada con el modelo de red neuronal convolucional es del 99 % y la pérdida es de 0,06. La precisión de clasificación de TrCNN-DBN en la imagen de la vista superior y la imagen de la vista principal es del 100 %, y la precisión de la clasificación en la vista izquierda la imagen es del 97%. La precisión de clasificación de los dos modelos es similar, pero el tiempo de entrenamiento del modelo de red neuronal convolucional es 5 veces mayor que el de TrCNN-DBN. Por lo tanto, se selecciona el modelo TrCNN-DBN para el diagnóstico de fallas de la caja de cambios y se presentan en detalle los resultados del entrenamiento del modelo TrCNN-DBN.

Curvas de rendimiento de entrenamiento y pruebas.

La distribución del campo de temperatura de estado estacionario de la carcasa de la caja de engranajes se puede representar completamente mediante imágenes térmicas en tres direcciones. Por lo tanto, las imágenes térmicas en tres direcciones se mejoran y extraen respectivamente, y luego los datos de características obtenidos se combinan en un vector para entrenamiento y predicción de fallas de DBN. El proceso específico es el siguiente:

Se supone que la velocidad de rotación, la carga, la temperatura ambiente y la viscosidad cinemática del aceite lubricante no cambiarán cuando la caja de engranajes funcione en las condiciones de trabajo específicas de la velocidad del eje de entrada 1450 \(\mathrm{r}/\mathrm{min} \), con la temperatura ambiente 20 \(\mathrm{^\circ{\rm C} }\). Suponiendo que la producción de calor de un solo componente generador de calor sea superior al 20% de la situación normal, el modelo de diagnóstico de fallas brinda una advertencia temprana de posibles fallas de la caja de cambios. Las condiciones de trabajo de la caja de cambios se muestran en la Tabla 4.

Sobre la base de estas dos suposiciones, la distribución del campo de temperatura superficial de la carcasa de la caja de engranajes se calcula cuando la producción de calor de cada parte que produce calor está entre el 100 y el 120 % de la producción de calor normal. Se considera que la caja de cambios está en condiciones normales de funcionamiento en este momento, y se obtiene la imagen del campo de temperatura superficial de la carcasa de la caja de cambios en este momento. Luego, calcule la distribución del campo de temperatura superficial de la caja de engranajes cuando la producción de calor de una parte de producción de calor está entre el 120 y el 140 % de la producción de calor en condiciones normales y la producción de calor de otras partes de producción de calor está en condiciones normales. Se considera que la caja de engranajes está en estado de falla de la parte de producción de calor en este momento, y se obtiene la imagen del campo de temperatura superficial de la caja de engranajes en este momento. El gradiente específico se puede seleccionar de acuerdo con la situación real, y cada resultado de cálculo se considera como un caso. Las imágenes obtenidas se clasifican según el conjunto de entrenamiento y el conjunto de verificación y se operan según el proceso de diagnóstico específico del modelo de diagnóstico de fallas propuesto anteriormente.

Este artículo simula 150 casos normales, 150 casos de falla 1 (falla la Parte c en la Fig. 1) y 150 casos de falla 2 (falla la Parte j en la Fig. 1). Se obtuvieron un total de 450 imágenes de distribución del campo de temperatura de la caja de cambios, incluidas 150 imágenes en condiciones normales, 150 imágenes de falla 1 y 150 imágenes de falla 2. Cada una toma 125 imágenes como conjunto de entrenamiento y 25 imágenes como conjunto de verificación.

T-Distributed Stochastic Neighbor Embedding (t-SNE) es una tecnología no lineal no supervisada, que se utiliza principalmente para la exploración y visualización de datos de alta dimensión. La entrada de imagen al modelo, la salida de la capa CNN y la salida de la capa DBN se visualizan utilizando el método t-SNE. Como se muestra en la Fig. 5, los diversos tipos de datos en la imagen original se superponen, y los diferentes tipos de fallas han mostrado cierta separabilidad después de pasar por la capa CNN. Después de pasar por la capa DBN, cada tipo de datos se separa por completo, lo que indica que el modelo tiene mejores características de falla.

Visualización de reducción de dimensionalidad T-SNE.

Los resultados finales de clasificación del modelo se muestran en la Fig. 6. A partir de la matriz de confusión, se puede ver que el modelo TrCNN-DBN propuesto en este documento tiene una precisión de clasificación del 100 % para cada condición de simulación. Y el valor de puntuación f, la tasa de recuperación y la tasa de precisión de cada condición de trabajo son 1, como se muestra en la Fig. 7. La relación entre la precisión del modelo, la pérdida y el número de iteraciones se muestra en la Fig. 4m, norte. Se puede ver que después de 150 épocas, la pérdida del modelo en el conjunto de entrenamiento y el conjunto de verificación se reduce a cerca de 0. La precisión también es del 100% y casi sin cambios. TrCNN-DBN propuesto en este documento tiene una alta precisión de diagnóstico de fallas para la imagen de distribución de campo de temperatura de estado estable de la caja de engranajes simulada por elementos finitos.

Matriz de confusión de la vista en tres direcciones.

Tasa de precisión, tasa de recuperación y puntuación F del método propuesto.

En el trabajo práctico, por un lado, algunas partes de la caja de cambios son más propensas a fallar que otras partes. Cuando ocurre una falla, se detectará toda la caja de engranajes, por lo que aquellas partes que no son propensas a fallar se pueden mantener durante las pruebas periódicas. El equipo de imagen térmica es más caro. Para reducir el costo, es necesario reducir el número de equipos de imágenes térmicas. Por otro lado, debido a la posición de instalación de la caja de cambios, es posible que no pueda obtener imágenes térmicas de tres direcciones. Por lo tanto, este artículo propone el uso de imágenes térmicas unidireccionales para el diagnóstico de fallas.

El diagnóstico de fallas se lleva a cabo utilizando la imagen del campo de temperatura en una de las tres direcciones interceptadas anteriormente y el modelo de diagnóstico de fallas propuesto anteriormente. Los resultados del cálculo se muestran en la Fig. 8. Como puede verse en la matriz de confusión, la precisión de clasificación del modelo en la vista superior y la vista principal es del 100 %, pero la precisión en la vista izquierda es del 97 %.

Matriz de confusión de vista unidireccional.

Se puede encontrar en la Fig. 4 que la precisión del modelo en la vista superior ha sido del 100% y se ha estabilizado después de 60 épocas. La precisión en la vista principal es cercana al 100 % después de 100 épocas, pero aún fluctúa. La precisión de la vista izquierda se estabilizó en un 97 % después de 100 épocas. Y la Fig. 7 también muestra que la precisión del modelo para la identificación de fallas de la vista izquierda es menor que la de las otras dos direcciones. Los resultados anteriores muestran que la dirección de la vista superior es la dirección sensible a la temperatura de las dos fallas simuladas, y el diagnóstico de fallas en esta dirección tendrá mayor precisión y estabilidad. Al comparar los resultados con los resultados del cálculo de las imágenes de las tres direcciones, se encuentra que los datos de la dirección insensible a la falla afectarán los resultados de clasificación de la dirección sensible.

En este documento, la imagen de simulación de campo de temperatura de elementos finitos de la caja de engranajes se combina con el aprendizaje profundo para aplicarlo al monitoreo de condición de la caja de engranajes (FETFS). Se compara la precisión de TrCNN-DBN y los modelos de redes neuronales convolucionales, y se describen en detalle los resultados de clasificación de TrCNN-DBN. Se verifica que el tiempo de entrenamiento requerido por TrCNN-DBN es una quinta parte del del modelo de red neuronal convolucional. Además, TrCNN-DBN tiene una alta precisión de juicio de fallas tanto para imágenes térmicas de tres vías como para imágenes térmicas de una vía. El método FETFS puede ampliar en gran medida la base de datos de distribución del campo de temperatura cuando falla la caja de cambios. TrCNN-DBN aplica el aprendizaje de transferencia de la red neuronal convolucional al diagnóstico de fallas de la caja de engranajes, lo que reduce la cantidad de parámetros que deben entrenarse y ahorra tiempo y costos de equipo. Los resultados muestran que TrCNN-DBN es sensible y confiable para el diagnóstico de las imágenes de campo de temperatura simuladas en tres direcciones de falla única de la caja de engranajes, y la precisión de identificación de fallas en las condiciones de trabajo establecidas y condiciones de falla es superior al 97%. Además, se demuestra que las imágenes de simulación en una sola dirección se pueden usar para diagnosticar fallas para fallas específicas, y la precisión también puede alcanzar más del 97%.

Este documento verifica que la identificación de fallas de la caja de cambios se puede llevar a cabo calculando la imagen del campo de temperatura del modelo. La actualización de modelos de elementos finitos basada en resultados experimentales es una tecnología madura que ha sido ampliamente utilizada20,21,22,23. Por lo tanto, el método propuesto en este artículo se puede probar de acuerdo con el objeto de la aplicación y se pueden obtener imágenes más precisas modificando el modelo. Por lo tanto, este documento es de gran importancia para establecer el modelo de caja de cambios de transferencia de calor de gemelos digitales.

Los autores aceptan el orden de autoría.

Los datos que respaldan los hallazgos de este estudio están disponibles en Nanjing High Speed Gear Manufacturing Co., Ltd., pero se aplican restricciones a la disponibilidad de estos datos, que se usaron bajo licencia para el estudio actual y, por lo tanto, no están disponibles públicamente. Si necesita obtener datos, puede contactar al autor correspondiente de este artículo.

Constante de configuración

Ancho de la cara del diente, m

Coeficiente de corrección de la diferencia de temperatura

Constantes de proporcionalidad

Coeficiente de momento de arrastre de agitación líquida

Coeficiente de par de arrastre

Diámetro de la caja de cambios, m

Diámetro del eje, m

Diámetro de paso del rodamiento, m

Diámetro de paso del engranaje, m

Diámetro de paso, m

Coeficiente de resistencia de Darcy

Coeficiente relacionado con

Factor de humectación de engranajes

coeficiente de carga

numero de froude

Fuerza de tracción de rodadura, N

Fuerza de deslizamiento, N

Transferencia de calor por convección

Profundidad de inmersión del engranaje en aceite, m

Relación de transmisión

Conductividad térmica del aceite, W/(m·K)

Longitud de la caja de cambios, m

Tamaño característico, m

Módulo

constante exponencial

Relación de transmisión, Ng/Np

Par de fricción total, N/m

Momento de fricción causado por la carga, N/m

Par de fricción del rodamiento relacionado con la viscosidad del aceite lubricante, N/m

Velocidad de rotación, rpm

Número medio de Nusselt

Potencia, kilovatios

Carga dinámica equivalente, N

Pérdida rodante, KW

Número promedio de prandtl

Pérdida deslizante, KW

Pérdida de viento, KW

Pérdida de potencia de agitación de aceite, KW

Número de Prandtl

Radio del círculo base del engranaje, m

Radio de paso del engranaje, m

número de Reynolds

Superficie sumergida, m2

Viscosidad cinemática del fluido, m2/s

Velocidad de la jaula del rodamiento, m/s

Volumen de aceite lubricante, V

Velocidad de rodadura, m/s

Velocidad de deslizamiento, m/s

Engranaje

Piñón

equipo solar

anillo de engranaje

Engranaje planetario

Portador de planetas

Eficiencia

Conductividad térmica del aire, W/(m·K)

Densidad del fluido, kg/m3

Coeficiente constante obtenido por experimento

Velocidad angular de rotación, rad/min

Viscosidad absoluta del lubricante, Pa·s

Coeficiente de pérdida de transmisión

Li, X., Cheng, J., Shao, H., Liu, K. y Cai, B. Un marco basado en CWSMM de fusión para el diagnóstico de fallas de maquinaria rotatoria bajo fuerte interferencia y caso desequilibrado. Trans. IEEE. industria información 18(8), 5180–5189. https://doi.org/10.1109/TII.2021.3125385 (2022).

Artículo Google Académico

Li, Y., Gu, JX, Zhen, D., Xu, M. & Ball, A. Una evaluación del monitoreo de la condición de la caja de cambios usando imágenes térmicas infrarrojas aplicadas con redes neuronales convolucionales. sensores 19(9), 2205. https://doi.org/10.3390/s19092205 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Yongbo, LI et al. Diagnóstico de fallas en maquinaria rotativa basado en redes neuronales convolucionales e imágenes térmicas infrarrojas. Mentón. J. Aeronauta. 167(02), 42–53 (2020).

Google Académico

Laborda, A. et al. Evaluación de la fatiga de recubrimientos multicapa utilizando termografía lock-in. Mate. Des. 141, 361–373 (2018).

Artículo CAS Google Académico

Lim, GM, Bae, DM & Kim, JH Diagnóstico de fallas de una máquina rotativa por método de termografía en una máquina de vector de soporte. J. Mec. ciencia Tecnología 28(8), 2947–2952 (2014).

Artículo Google Académico

Kwan, CM, Xu, R., Haynes, LS, Rozlosnik, AE & Dinwiddie, RB Predicción de fallas en la caja de cambios usando una cámara infrarroja. SPIE Int. Soc. Optar. Ing. 4360, 285–289 (2001).

ANUNCIOS Google Académico

Younus, AM, Achmad, A. & Yang, BS Evaluación de datos de imágenes termográficas para el diagnóstico de fallas de máquinas. No destruir. Prueba. Eval. 25(3), 231–247 (2010).

Artículo ANUNCIOS Google Académico

Younus, A. & Yang, BS Diagnóstico inteligente de fallas de maquinaria rotativa usando imagen térmica infrarroja. Sistema experto aplicación 39(2), 2082–2091 (2012).

Artículo Google Académico

Resendiz-Ochoa, E., Saucedo-Dorantes, JJ, Benitez-Rangel, JP, Osornio-Rios, RA & Morales-Hernandez, LA Metodología novedosa para el monitoreo de condición de desgaste de engranajes usando aprendizaje supervisado y termografía infrarroja. aplicación ciencia 10(2), 506. https://doi.org/10.3390/app10020506 (2020).

Artículo Google Académico

Shao, H., Xia, M., Han, G., Zhang, Y. y Wan, J. Diagnóstico inteligente de fallas del sistema de rodamientos del rotor en condiciones de trabajo variables con red neuronal convolucional de transferencia modificada e imágenes térmicas. Trans. IEEE. industria información 17(5), 3488–3496 (2021).

Artículo Google Académico

Li, Y., Wang, X., Si, S. y Du, X. Un nuevo método inteligente de diagnóstico de fallas de maquinaria giratoria en condiciones de velocidad variable utilizando termografía infrarroja. Complejidad 2019(5), 1–12 (2019).

Google Académico

Bai, T., Zhang, L., Duan, L. y Wang, J. Método de mejora de imágenes infrarrojas basado en Nsct para el diagnóstico de fallas en maquinaria rotativa. Trans. IEEE. instrumento medida 65(10), 2293–2301 (2016).

Artículo ANUNCIOS Google Académico

Anderson, NE, Loewenthal, SH y Black, JD Un método analítico para predecir la eficiencia de las cajas de cambios de los aviones. COMO YO. J. Mec. Trans. automático 108(3), 424–432. https://doi.org/10.1115/1.3258750 (1986).

Artículo Google Académico

Xiang, X. Simulación y cálculo por computadora para la transferencia de calor en la caja de engranajes. Revista de Transmisión Mecánica. 27(5): 1-4 (2003).

Consejo Editorial del Manual de Diseño Mecánico. Manual de diseño mecánico. vol. 6. (Prensa de la Industria de Maquinaria, 2004).

Norma ISO/TR14179-1-2001.

Honghai, XU, Jiang, J. y Yuan, HU Modelado y simulación del análisis de campo de temperatura constante en la caja de cambios de conducción de trenes de alta velocidad. Lubricante Ing. 44(9), 44–49 (2019).

Zhao, N., Peng, Y. & Lin, Y. Análisis térmico general de la caja de cambios de un helicóptero basado en pca-tn. Hang Kong Dongli Xuebao/J. Aerosp. Poder 32 (7), 1676–1682 (2017).

Google Académico

Shiming, Y. & Wenquan, T. Heat Transfer 4.ª ed., 248–258 (Higher Education Press, 2006).

Google Académico

Pan, L., Zhang Bo, Wu., Wenmin, ZY y Yumei, Hu. Estudio de simulación en campo de temperatura y lubricación por salpicadura de engranajes. Automob. Tecnología 9, 42–48 (2019).

Google Académico

Wu, X., Chen, L. Análisis de balance de calor del tren de engranajes planetarios de una máquina de escudo de equilibrio de presión de tierra. Mecánica de China. Ing. 23(7), 777–782 (2012)

Daqian, P. et al. Campo de temperatura transitoria del sistema de engranajes planetarios en transmisión electromecánica bajo diferentes condiciones de trabajo. Acta Armamentarii 10, 2268–2277 (2021).

Google Académico

Yueming, Z., Hao, Z., Shuting, J. y Tianyu, Z. Análisis del campo de temperatura de estado estacionario sobre la superficie de engrane de la transmisión por engranajes internos. J. Universidad de Nanjing. Aeronauta. Astronauta. 1, 157–162. https://doi.org/10.16356/j.1005-2615.2022.01.018 (2022).

Artículo Google Académico

Descargar referencias

Este trabajo fue apoyado en parte por la Fundación Nacional de Ciencias Naturales de China (52275092) y el Proyecto de transformación y mejora de la industria de la información e industrial de Jiangsu (7602006021).

Escuela de Ingeniería Mecánica, Universidad del Sudeste, Nanjing, 211189, China

Xi Lu & Pan Li

También puede buscar este autor en PubMed Google Scholar

XL diseñó el estudio y redactó el documento. PL participó en la programación y el análisis de datos. Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Xi Lu.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Lu, X., Li, P. Investigación sobre el método de diagnóstico de fallas de imagen de campo de temperatura de la caja de cambios basado en el aprendizaje de transferencia y la red de creencias profundas. Informe científico 13, 6664 (2023). https://doi.org/10.1038/s41598-023-33858-w

Descargar cita

Recibido: 20 de octubre de 2022

Aceptado: 20 de abril de 2023

Publicado: 24 abril 2023

DOI: https://doi.org/10.1038/s41598-023-33858-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.