Серворедуктор Wittenstein

Мы предлагаем широкий ассортимент редукторов, таких как червячные, планетарные, косозубые и конические, сервоприводы, на валу, прямоугольные и другие. Мы также предлагаем специально разработанные редукторы скорости, подходящие для вашего применения.

Типы шестерен | Производитель зубчатых колес KHK

• ТОП
>
• Знание передач
>
• Введение в шестерни
>
• Типы передач

Типы шестерен

Существует много типов зубчатых колес, таких как прямозубые, косозубые, конические, червячные, зубчатые рейки и т. д. Их можно классифицировать по расположению осей, например, параллельные валы, пересекающиеся валы и непересекающиеся валы.

Необходимо точно понимать различия между типами зубчатых колес, чтобы обеспечить необходимую передачу усилия в механических конструкциях. Даже после выбора общего типа важно учитывать такие факторы, как: размеры (модуль, количество зубьев, угол подъема, ширина торца и т. д.), стандарт класса точности (ISO, AGMA, DIN), необходимость шлифовки зубьев. и/или термообработки, допустимый крутящий момент и КПД и т. д.

Помимо этой страницы, мы представляем более подробную техническую информацию о шестернях в разделе Gear Knowledge (отдельная страница в формате PDF). В дополнение к приведенному ниже списку, каждый раздел, такой как червячная передача, рейка и шестерня, коническая передача и т. д., имеет собственное дополнительное пояснение, касающееся соответствующего типа передачи. Если просмотр PDF затруднен, обратитесь к этим разделам.

Лучше всего начать с общих знаний о типах зубчатых колес, как показано ниже. Но помимо них существуют и другие типы, такие как торцевое зубчатое колесо, шевронное зубчатое колесо (двойное косозубое зубчатое колесо), коронное зубчатое колесо, гипоидное зубчатое колесо и т. д.

Короткометражный фильм «Легкий выбор передач»

• Цилиндрическое зубчатое колесо

  Зубчатые колеса с цилиндрическими делительными поверхностями называются цилиндрическими зубчатыми колесами. Цилиндрические зубчатые колеса относятся к группе зубчатых колес с параллельными валами и представляют собой цилиндрические зубчатые колеса с линией зубьев, которая является прямой и параллельной валу. Цилиндрические зубчатые колеса являются наиболее широко используемыми зубчатыми колесами, которые могут обеспечить высокую точность при относительно простых производственных процессах. Они имеют характеристику отсутствия нагрузки в осевом направлении (осевая нагрузка). Большую часть зацепляющей пары называют шестерней, а меньшую — шестерней.
  Нажмите здесь, чтобы выбрать цилиндрические шестерни
  Шестерни с защитой от люфта KHK
  
  Эскиз цилиндрических шестерен

• Косозубое зубчатое колесо

  Косозубое зубчатое колесо используется с параллельными валами, подобными прямозубым зубчатым колесам, и представляет собой цилиндрическое зубчатое колесо с намотанной линией зубьев. Они имеют лучшее зацепление зубьев, чем цилиндрические шестерни, обладают превосходной бесшумностью и могут передавать более высокие нагрузки, что делает их подходящими для высокоскоростных приложений. При использовании косозубых передач они создают осевое усилие в осевом направлении, что обуславливает необходимость использования упорных подшипников. Косозубые шестерни бывают с правым и левым вращением, что требует наличия противоположных шестерен для зацепления пары.
  Нажмите здесь, чтобы выбрать косозубые шестерни
  
  Эскиз косозубых шестерен

  
  

• Зубчатая рейка

  Зубья одинакового размера и формы, расположенные на равных расстояниях вдоль плоской поверхности или прямого стержня, называются зубчатой ​​рейкой. Зубчатая рейка представляет собой цилиндрическую шестерню с бесконечным радиусом делительного цилиндра. Зацепляясь с цилиндрической шестерней, он преобразует вращательное движение в поступательное движение. Зубчатые рейки можно условно разделить на рейки с прямыми зубьями и рейки с косыми зубьями, но обе они имеют прямые зубья. Обрабатывая концы зубчатых реек, можно соединить зубчатые рейки встык.
  Щелкните здесь, чтобы выбрать зубчатую рейку
  
  Эскиз зубчатой ​​рейки

• Коническое зубчатое колесо

  Коническое зубчатое колесо имеет форму конуса и используется для передачи усилия между двумя валами, которые пересекаются в одной точке (пересекающиеся валы). Коническая шестерня имеет конус в качестве поверхности шага, и ее зубья нарезаны вдоль конуса. Виды конических зубчатых колес включают прямые конические зубчатые колеса, косозубые конические зубчатые колеса, спирально-конические зубчатые колеса, угловые зубчатые колеса, угловые конические зубчатые колеса, коронные зубчатые колеса, нулевые конические зубчатые колеса и гипоидные зубчатые колеса.
  Нажмите здесь, чтобы выбрать конические шестерни
  
  Эскиз конических шестерен

• Спирально-коническое зубчатое колесо

  Спирально-коническое зубчатое колесо представляет собой коническое зубчатое колесо с изогнутыми линиями зубьев. Благодаря более высокому коэффициенту контакта зубьев они превосходят прямозубые конические шестерни по эффективности, прочности, вибрации и шуму. С другой стороны, их сложнее производить. Кроме того, поскольку зубья изогнуты, они вызывают осевое усилие. В спирально-конических зубчатых колесах зубчатое колесо с нулевым углом закручивания называется нулевым коническим зубчатым колесом.
  Нажмите здесь, чтобы выбрать спиральные конические шестерни
  
  Эскиз спирально-конических шестерен

• Винтовые шестерни

  Винтовые передачи представляют собой пару одноручных косозубых шестерен с углом закручивания 45° на непараллельных, непересекающихся валах. Поскольку контакт зуба является точечным, их грузоподъемность низкая, и они не подходят для передачи большой мощности. Поскольку мощность передается за счет скольжения поверхностей зубьев, необходимо обратить внимание на смазку при использовании винтовых передач. Нет никаких ограничений в отношении комбинаций количества зубьев.
  Щелкните здесь, чтобы выбрать винтовые передачи
  
  Эскиз винтовых передач

• Угловая шестерня

  Угловая шестерня представляет собой коническую шестерню с передаточным отношением 1. Они используются для изменения направления передачи мощности без изменения скорости. Различают прямые угловые и спиральные угловые передачи. При использовании спиральных угловых передач возникает необходимость рассмотреть возможность использования упорных подшипников, поскольку они создают осевое усилие в осевом направлении. Помимо обычных угловых передач с 9Углы вала 0 °, косые шестерни с любыми другими углами вала называются угловыми косыми шестернями.
  Щелкните здесь, чтобы выбрать угловые зубчатые колеса
  
  Эскиз угловых зубчатых колес

• Червячная передача

  Винт, нарезанный на валу, называется червяком, сопряженная шестерня — червячным колесом, а вместе на непересекающихся валах называется червячной передачей. Червяки и червячные колеса не ограничиваются цилиндрическими формами. Существует тип песочных часов, который может увеличить коэффициент контакта, но его производство становится более сложным. За счет скользящего контакта поверхностей зубчатых колес необходимо уменьшить трение. По этой причине обычно для червяка используется твердый материал, а для червячного колеса — мягкий материал. Несмотря на низкую эффективность из-за скользящего контакта, вращение плавное и бесшумное. Когда угол опережения червяка мал, он создает функцию самоблокировки.
  Нажмите здесь, чтобы выбрать червячные передачи
  
  Эскиз червячных передач

• Внутреннее зубчатое колесо

  Внутреннее зубчатое колесо имеет зубья, нарезанные внутри цилиндров или конусов, и работает в паре с внешним зубчатым колесом. В основном внутренние шестерни используются для планетарных зубчатых передач и муфт зубчатого вала. Существуют ограничения на разницу в количестве зубьев между внутренними и внешними шестернями из-за эвольвентной интерференции, трохоидной интерференции и проблем с обрезкой. Направления вращения внутреннего и внешнего зубчатых колес в зацеплении одинаковы, в то время как они противоположны, когда два внешних зубчатых колеса находятся в зацеплении.
  Щелкните здесь, чтобы выбрать внутреннее зубчатое колесо
  
  Эскиз внутреннего зубчатого колеса

Что такое шестерня?

Зубчатое колесо представляет собой элемент машины, в котором зубья нарезаны вокруг цилиндрических или конусообразных поверхностей с одинаковым шагом. Зацепив пару этих элементов, они используются для передачи вращения и усилий от ведущего вала к ведомому валу. По форме зубчатые колеса можно разделить на эвольвентные, циклоидальные и трохоидальные. Кроме того, их можно классифицировать по положению вала как шестерни с параллельными валами, шестерни с пересекающимися валами, а также шестерни с непараллельными и непересекающимися валами. История зубчатых колес стара, и использование зубчатых колес появилось еще в Древней Греции в до н.э. в сочинениях Архимеда.

Коробка для образцов различных типов шестерен

Обзор шестерен

(Важная терминология и номенклатура шестерен на этом рисунке)

• Червяк
• Червячное колесо
• Внутренняя шестерня
• Зубчатая муфта
• Винтовая передача
• Эвольвентные шлицевые валы и втулки
• Угловой редуктор
• Цилиндрическая шестерня
• Винтовая шестерня
• Трещотка
• Собачка
• Стойка
• Шестерня
• Прямая коническая шестерня
• Спирально-коническая шестерня

Существует три основных категории зубчатых колес в соответствии с ориентацией их осей

Конфигурация:

1. Параллельные оси / цилиндрическое зубчатое колесо, косозубое зубчатое колесо, зубчатая рейка, внутреннее зубчатое колесо
2. Пересекающиеся оси / угловая шестерня, прямая коническая шестерня, спиральная коническая шестерня
3. Непараллельные, непересекающиеся оси / винтовая передача, червячная передача, червячная передача (червячное колесо)
4. Другое / Эвольвентный шлицевой вал и втулка, зубчатая муфта, собачка и храповик

Разница между шестерней и звездочкой

Проще говоря, шестерня входит в зацепление с другой шестерней, а звездочка входит в зацепление с цепью и не является шестерней. Помимо звездочки, предмет, который чем-то похож на шестерню, представляет собой храповик, но его движение ограничено одним направлением.

Классификация типов передач с точки зрения взаимного расположения присоединяемых валов

1. Когда два вала шестерен параллельны (параллельные валы)
   Цилиндрическая шестерня, зубчатая рейка, внутренняя шестерня и косозубая шестерня и т. д.
   Как правило, они имеют высокий КПД передачи.
2. Когда два вала шестерен пересекаются друг с другом (пересекающиеся валы)
   Коническая шестерня относится к этой категории.
   Как правило, они имеют высокую эффективность передачи.
3. Когда два вала шестерен не параллельны или не пересекаются (смещенные валы)
   Червячная передача и винтовая передача относятся к этой группе.
   Из-за скользящего контакта эффективность передачи относительно низкая.

Класс точности зубчатых колес

При группировке типов зубчатых колес по точности используется класс точности. Класс точности определяется стандартами, установленными ISO, DIN, JIS, AGMA и т. д. Например, JIS определяет погрешность шага, погрешность профиля зуба, отклонение спирали, погрешность биения и т. д. для каждого класса точности.

Наличие шлифования зубьев

Наличие стачивания зубьев сильно влияет на работу зубчатых колес. Таким образом, при рассмотрении типов зубчатых колес шлифование зубьев является важным элементом, который следует учитывать. Шлифование поверхности зубьев делает шестерни тише, увеличивает мощность передачи усилия и влияет на класс точности. С другой стороны, добавление процесса шлифования зубьев увеличивает стоимость и подходит не для всех зубчатых колес. Для получения высокой точности помимо шлифовки существует процесс, называемый бритьем, с использованием бритвенных резцов.

Виды формы зуба

Для широкой классификации типов зубчатых колес по форме зуба различают эвольвентную форму зуба, форму зуба циклоиды и форму зуба трохоиды. Среди них чаще всего используется эвольвентная форма зуба. Они просты в изготовлении и имеют возможность правильно создавать сетку, даже если расстояние между центрами немного отличается. Циклоидная форма зуба в основном используется в часах, а трохоидная форма зуба — в основном в насосах.

Создание Gears

Эта статья воспроизводится с разрешения.
Масао Кубота, Хагурума Нюмон, Токио: Ohmsha, Ltd., 1963.

Шестерни — это колеса с зубьями, которые иногда называют зубчатыми колесами.

Зубчатые колеса — механические компоненты, передающие вращение и мощность от одного вала к другому, если каждый вал имеет выступы (зубья) соответствующей формы, равномерно расположенные по его окружности, так что при вращении следующий зуб входит в пространство между зубьями другой вал. Таким образом, это компонент машины, в котором мощность вращения передается поверхностью зуба первичного двигателя, толкающей поверхность зуба ведомого вала. В крайнем случае, когда одна сторона представляет собой прямолинейное движение (это можно представить как вращательное движение вокруг бесконечной точки), это называется зубчатой ​​рейкой.

Существует множество способов передачи вращения и мощности от одного вала к другому, например, за счет трения качения, оборачивающей передачи и т. д. Однако, несмотря на простую конструкцию и относительно небольшой размер, зубчатые колеса имеют много преимуществ, таких как надежность передачи , точное соотношение угловых скоростей, длительный срок службы и минимальная потеря мощности.

От небольших часов и прецизионных измерительных приборов (применения для передачи движения) до больших зубчатых колес, используемых в морских трансмиссионных системах (применения для передачи энергии), шестерни широко используются и считаются одним из важных механических компонентов наряду с винтами и подшипниками.

Существует множество типов шестерен. Однако самыми простыми и наиболее часто используемыми передачами являются те, которые используются для передачи определенного передаточного отношения между двумя параллельными валами на определенном расстоянии. В частности, шестерни с зубьями, параллельными валам, как показано на рисунке 1. 1, называемые цилиндрическими шестернями, являются наиболее популярными.

[Рисунок 1.1 Цилиндрические зубчатые колеса]

Простейшим способом передачи удельного отношения угловых скоростей между двумя параллельными валами является привод трения качения. Это достигается, как показано на рис. 1.2, за счет наличия двух цилиндров, диаметры которых обратно пропорциональны передаточному отношению скоростей, которые соприкасаются и вращаются без проскальзывания (если два вала вращаются в противоположных направлениях, контакт происходит снаружи; а если они вращаются в одном и том же направлении). направление, контакт внутри). То есть вращение получается за счет силы трения контакта качения. Однако избежать некоторых проскальзываний невозможно и, как следствие, на надежную передачу рассчитывать не приходится. Чтобы получить большую передачу мощности, требуются более высокие контактные усилия, что, в свою очередь, приводит к высоким нагрузкам на подшипники. По этим причинам такая компоновка не подходит для передачи большого количества энергии. В результате возникла идея создать подходящую форму зубьев, равномерно расположенных на поверхностях качения цилиндров таким образом, чтобы хотя бы одна пара или несколько зубьев всегда находились в контакте. Сталкивая зубья ведомого вала с зубьями ведущего вала, можно гарантировать надежную передачу. Это называется цилиндрическим зубчатым колесом, а эталонный цилиндр, на котором вырезаны зубья, называется делительным цилиндром. Цилиндрические зубчатые колеса представляют собой один из видов цилиндрических зубчатых колес.

[Рисунок 1.2 Цилиндры шага]

Когда два вала пересекаются, ориентирами для нарезных зубьев являются конусы в контакте качения. Это конические шестерни, как показано на рис. 1.3, где базовый конус, на котором вырезаны зубья, называется делительным конусом. (рис. 1.4).

[Рис. 1.3 Конические зубчатые колеса]

[Рис. 1.4 Делительные конусы]

Когда два вала не параллельны и не пересекаются, криволинейные поверхности, контактирующие с качением, отсутствуют. В зависимости от типа зубчатых колес зубья создаются на паре эталонных контактирующих вращающихся поверхностей. Во всех случаях необходимо установить профиль зуба таким образом, чтобы относительное движение контактирующих поверхностей шага соответствовало относительному движению зацепления зубьев на эталонных криволинейных поверхностях.

Если зубчатые колеса рассматриваются как твердые тела, то для того, чтобы два тела сохраняли заданное отношение угловых скоростей при контакте поверхностями зубьев, не наезжая друг на друга и не разделяясь, необходимо, чтобы общие нормальные составляющие скорости две шестерни в точке контакта должны быть равными. Другими словами, в этот момент относительного движения поверхностей зубчатого колеса в направлении общей нормали нет, а относительное движение существует только по поверхности контакта в точке контакта. Это относительное движение есть не что иное, как скольжение поверхностей зубчатых колес. Поверхности зубьев, за исключением особых точек, всегда связаны так называемой передачей скольжения.

Для того чтобы формы зубьев удовлетворяли описанным выше условиям, использование огибающей поверхности может привести к желаемой форме зуба в качестве общего метода.

Теперь задайте одну сторону поверхности шестерни A как криволинейную поверхность FA и придайте обеим шестерням указанное относительное вращение. Затем в системе координат, привязанной к зубчатому колесу В, проводится группа последовательных положений поверхности зубчатого колеса FA. Теперь подумайте об огибающей этой группы кривых и используйте ее как поверхность зуба FB шестерни B. Тогда из теории огибающих поверхностей становится ясно, что две поверхности шестерни находятся в постоянном линейном контакте, и две шестерни будут иметь желаемое относительное движение.

Также можно привести формы зубов следующим способом. Рассмотрим, кроме пары шестерен A и B с заданным относительным движением, третью воображаемую шестерню C в зацеплении, где A и B находятся в зацеплении, и зададим ей произвольную поверхность формы зуба FC (криволинейная поверхность только без тела зуба) и соответствующее относительное движение.

Теперь, используя тот же метод, что и раньше, из воображаемого зацепления шестерни A с воображаемой шестерней C получите форму зуба FA как оболочку формы зуба FC. Обозначим линию контакта поверхностей зубьев FA и FC как IAC. Точно так же получите контактную линию IBC и поверхность зуба FB из воображаемого зацепления шестерни B и воображаемой шестерни C. Таким образом, поверхности зуба FA и FB получаются при посредничестве FC. В этом случае, если контактные линии IAC и IBC совпадают, шестерни A и B находятся в прямом контакте, а если IAC и IBC пересекаются, шестерни A и B будут иметь точечный контакт в этом пересечении.

Это означает, что с помощью этого метода можно получить форму зуба с точечным контактом, а также форму зуба с линейным контактом.

Однако существуют ограничения геометрических форм зубьев, как описано выше, особенно когда тела зубьев поверхностей FA и FB заходят друг на друга или когда эти области нельзя использовать в качестве форм зубьев. Это вторжение одного тела зуба в другое называется интерференцией профилей зуба.

Как видно из приведенного выше объяснения, теоретически существует много способов изготовления зубьев, создающих заданное относительное движение. Однако в действительности учет зубчатого зацепления, прочности формы зуба и сложности нарезания зубьев ограничит использование этих видов форм зубьев лишь немногими.

Бесплатные технические данные редуктора доступны в формате PDF

KHK предлагает бесплатно книгу «Технические данные редуктора» в формате PDF. Эта книга очень полезна для изучения зубчатых колес и зубчатых передач. В дополнение к типам зубчатых колес и терминологии зубчатых передач, книга также включает разделы, касающиеся профиля зубьев, расчетов размеров, расчетов прочности, материалов и термической обработки, идей о смазке, шуме и т. д. Из этой книги вы можете многое узнать о зубчатых передачах. .

Способы использования зубчатых колес в механических конструкциях

Шестерни в основном используются для передачи мощности, но, исходя из идей, их можно использовать как элементы машин по-разному. Ниже приводится введение в некоторые из способов.

1. Механизм захвата
   Используйте две прямозубых шестерни одинакового диаметра в зацеплении, чтобы при реверсировании ведущей шестерни реверсировалось и ведомое зубчатое колесо. Используя это движение, вы можете получить механизм захвата рабочей детали. Заготовки различных размеров можно размещать, регулируя угол раскрытия захватного кулачка, что обеспечивает универсальную конструкцию механизма захвата.
2. Механизм прерывистого движения
   Существует Женевский механизм в качестве механизма прерывистого движения. Однако из-за необходимости в специализированных механических компонентах он стоит дорого. Используя шестерни с отсутствующими зубьями, можно получить недорогой и простой прерывистый механизм.
   Под шестерней с отсутствующими зубьями мы подразумеваем шестерню, в которой любое количество зубьев шестерни удалено из их корней. Шестерня, соединенная с шестерней с отсутствующими зубьями, будет вращаться до тех пор, пока они находятся в зацеплении друг с другом, но остановится, как только встретится с участком с отсутствующими зубьями ведущей шестерни. Однако у него есть недостаток, заключающийся в переключении при приложении внешней силы, когда шестерни выключены. В этих случаях необходимо поддерживать его положение с помощью таких средств, как использование фрикционного тормоза.
3. Специальный механизм передачи мощности
   Установив обгонную муфту (механизм, обеспечивающий вращательное движение только в одном направлении) на одной ступени зубчатой ​​передачи зубчатого редуктора, можно создать механизм, который передает движение в одном направлении, но работает на холостом ходу. задом наперед.
   Используя этот механизм, вы можете создать систему, которая приводит в действие двигатель при подаче электроэнергии, но когда питание отключается, он перемещает выходной вал под действием силы пружины.
   За счет внутренней установки пружины (витой пружины кручения или спиральной пружины), которая наматывается в направлении вращения в зубчатой ​​передаче, редуктор приводится в действие по мере наматывания пружины. Как только пружина полностью закручена, двигатель останавливается, и электромагнитный тормоз, встроенный в двигатель, удерживает это положение.
   При отключении электричества тормоз отпускается, и сила пружины приводит в движение шестерню в направлении, противоположном тому, когда работал двигатель. Этот механизм используется для закрытия клапанов при отключении питания (аварийный режим) и называется «аварийный запорный клапан с пружинным возвратом».

Почему трудно достать нужные шестерни?

Для самого зубчатого колеса стандарта не существует.

Зубчатые колеса использовались во всем мире с древних времен во многих областях и являются типичными компонентами элементов машин. Однако, что касается класса точности зубчатых колес, в различных странах существуют промышленные стандарты, такие как AGMA (США), JIS (Япония), DIN (Германия) и т. д. С другой стороны, нет никаких стандартов в отношении факторов. который в конечном итоге определяет [саму шестерню], такую ​​​​как ее форма, размер, диаметр отверстия, материал, твердость и т. д. В результате нет единого подхода, но это набор фактических спецификаций шестерни, определенных отдельными дизайнерами. дизайн их машин или тех, которые определены отдельными производителями передач.

Существует множество спецификаций шестерен

Как упоминалось выше, существует множество спецификаций шестерен. За исключением очень простых шестерен, не будет преувеличением сказать, что существует столько видов, сколько мест, где используются шестерни. Например, среди многих зубчатых колес, когда совпадают характеристики угла прижатия, шага зубьев и количества зубьев, существует множество других характеристик, определяющих зубчатые колеса, таких как размер отверстия, ширина торца, термообработка, окончательная твердость, шероховатость поверхности после шлифования, наличие вала и т. д. Можно сказать, что вероятность совместимости двух шестерен мала. Это одна из причин, по которой (например, при поломке шестерни) трудно получить замену шестерни.

Невозможно получить нужные шестерни

Иногда бывает так, что вы не можете получить замену изношенной или сломанной шестерни на месте эксплуатации машины. В этом случае, в большинстве случаев, нет проблем, если есть руководство или список деталей для машины, содержащий чертеж, необходимый для изготовления шестерни. Также нет проблем, если есть возможность связаться с производителем машины и что производитель может поставить необходимое оборудование. К сожалению, во многих случаях:
 — В инструкции к машине не показан чертеж шестерни сам по себе
 — Невозможно получить только шестерню от производителя машины и т. д.
По таким причинам трудно получить необходимую шестерню. В этих случаях возникает необходимость изготовления производственного чертежа сломанной шестерни. Это часто сложно без специальных технических знаний о снаряжении. Для производителей зубчатых колес ситуация часто бывает столь же сложной из-за недостаточности данных о зубчатом колесе. Кроме того, для создания чертежа из сломанной шестерни требуется много инженерной рабочей силы, и это ставит вопрос о том, кто будет нести эти затраты.

Когда требуется только одно зубчатое колесо, стоимость производства высока

Когда машина, использующая зубчатое колесо, производится серийно, то и зубчатое колесо изготавливается для определенного размера производственной партии, распределяя удельную стоимость зубчатого колеса, принимая преимущество экономии на масштабе. С другой стороны, пользователи, использующие машину после ее изготовления, когда одна или две шестерни нуждаются в замене, часто сталкиваются с высокой себестоимостью производства, что делает окончательные затраты на ремонт порой очень дорогими. Короче говоря, разница в двух методах производства (массовое производство или мелкосерийное производство) оказывает большое влияние на стоимость снаряжения. Например, покупка 300 шестерен за один раз для проекта по производству нового оборудования (изготовление 300 шестерен одной партией) по сравнению с покупкой одной шестерни на замену позже (с производственной партией из 1 штуки) имеет огромную разницу в себестоимости единицы продукции. Это та же самая ситуация на этапе проектирования новой машины, когда для прототипа нужна одна шестерня с той же высокой стоимостью.

Возможность использования стандартных зубчатых колес

Если при проектировании новой машины технические характеристики используемых зубчатых колес могут быть согласованы со стандартными зубчатыми колесами производителя, упомянутые выше проблемы могут быть решены. По этому методу:

• Вы можете избежать этапа проектирования новых шестерен при проектировании машины
• Вы можете использовать 2D/3D модели САПР, чертежи деталей для печати, расчеты прочности и т. д., предоставленные производителем зубчатых колес
• Даже если вам нужна только одна шестерня для пробы, стандартные шестерни обычно производятся производителями шестерен серийно и имеют разумную цену

Вот некоторые из удобств, которыми вы можете воспользоваться.

Кроме того, когда шестерня в используемой машине нуждается в замене, если ее технические характеристики аналогичны спецификациям производителя шестерен, можно заменить ее стандартной шестерней отдельно или стандартной шестерней с дополнительной операцией. В этой ситуации также можно избежать неудобств при выполнении следующих задач:

• Ищите чертежи
• Создание новых чертежей
• Найдите подрядчика для изготовления шестерни
• Принять высокую стоимость штучного производства

Ссылки по теме :
齿轮的种类 — 中文版
Зубчатые колеса, подходящие для машин пищевой промышленности
Знать типы зубчатых колес и отношения между двумя валами
Номенклатура зубчатых колес
Калькулятор зубчатых колес
Типы зубчатых колес и характеристики и шестерня

Метод диагностики нескольких отказов редуктора, работающего на периферийном оборудовании

На этой странице

РезюмеВведениеМатериалы и методыАнализРезультаты и обсуждениеВыводыДоступность данныхКонфликты интересовБлагодарностиСсылкиАвторское правоСтатьи по теме

В последние годы большое количество периферийных вычислительных устройств использовалось для мониторинга рабочего состояния промышленного оборудования и провести анализ диагностики неисправностей. Поэтому алгоритм диагностики неисправностей в граничном вычислительном устройстве особенно важен. С увеличением количества точек обнаружения устройств и частоты выборки мониторинг механического состояния вступил в эру больших данных. Пограничные вычисления могут обрабатывать и анализировать данные в режиме реального времени или быстрее, делая обработку данных ближе к источнику, а не к внешнему центру обработки данных или облаку, что может сократить время задержки. После использования 8 бит и 16 бит для количественной оценки модели обучения с глубокими измерениями нет очевидной потери точности по сравнению с исходной моделью с плавающей запятой, что показывает, что модель можно развернуть и обосновать на пограничном устройстве, обеспечивая при этом работу в режиме реального времени. . По сравнению с использованием серверов для развертывания использование пограничных устройств не только снижает затраты, но и делает развертывание более гибким.

1. Введение

Редукторы играют важную роль в современных машинах и оборудовании, которые постепенно развиваются в направлении сложности, точности и интеллекта. Редуктор состоит из шестерен, подшипников, вала и корпуса коробки передач и других частей. Он имеет характеристики компактной конструкции, высокой эффективности передачи, длительного срока службы и надежной работы. Это незаменимый общий компонент в современной промышленности, включая авиацию, энергетические системы, автомобили и промышленные станки. Но из-за своей сложной конструкции и высокой скорости работы в суровых условиях он может легко сломаться, поэтому редуктор является важным фактором отказа машины. Шестерни и подшипники являются двумя важными частями редукторов, и они подвержены локальным отказам из-за усталости, износа и истирания, что приводит к ненормальной работе редукторов, что может привести к экономическим потерям, включая повреждение машин. Но производительность и срок службы некоторых подшипников и шестерен выше, чем ожидалось. Их регулярный ремонт или замена приведет к пустой трате рабочей силы, материалов и производственных ресурсов. Использование периферийных вычислительных устройств для диагностики может обеспечить более быстрое реагирование сетевых служб, удовлетворяя основные потребности отрасли в бизнесе в режиме реального времени, аналитике приложений, безопасности и защите конфиденциальности. Таким образом, использование периферийного вычислительного оборудования [1] для мониторинга и диагностики механического оборудования может эффективно избежать описанной выше ситуации. Следовательно, исследование эффективных технологий контроля состояния редукторов и выявления неисправностей имеет большое значение для обеспечения безопасности производства, предупреждения и недопущения крупных аварий.

2. Материалы и методы

2.1. Сжатие моделей в периферийных вычислениях

Диагностика неисправностей состоит из трех основных этапов: извлечение признаков, уменьшение размерности признаков и классификация. Традиционное извлечение признаков обычно использует искусственные методы, такие как вейвлет-преобразование, статистические признаки и разложение по эмпирическим модам. PCA, ICA и автокодировщики используются для уменьшения размерности признаков; Для классификации чаще всего используются байесовские классификаторы и классификаторы ближайшего соседа. Процесс показан на рис. 1.

Все большее число исследователей используют нейронные сети для автоматического извлечения признаков неисправности и уменьшения размерности признаков, а также softmax для классификации неисправностей. Softmax — это обобщение логистического классификатора, которое в основном решает проблемы мультиклассификации. Предполагая, что входная выборка в обучающих данных имеет размер x и соответствующая метка равна , вероятность определения выборки как класса j равна . Результатом классификатора K-класса будет K-мерный вектор. Элементы вектора в сумме равны 1, а категория с наибольшей медианой ее элементов является классом предсказания, как показано на рисунке, где — параметр модели, а — функция нормализации. Распределение вероятностей нормализовано так, что сумма всех вероятностей равна 1,9.0003

Технология глубокого обучения быстро развивается, особенно в области классификации изображений, распознавания целей, семантического анализа сцен и обработки естественного языка. Глубокая нейронная сеть явно лучше справляется с обработкой сложных данных и прогнозированием сложных систем. Многие эксперты и ученые в области механических повреждений добились хороших результатов, применяя методы глубокого обучения для диагностики механических повреждений.

Шао и др. [2], Ван и др. [3] и Chen et al. [4] использовали сети глубокого доверия (DBN) для диагностики неисправностей подшипников качения и редукторов, и была проверена надежность и точность DBN по сравнению с некоторыми распространенными методами диагностики неисправностей. Используя DBN, Li et al. [5] изучали извлечение и слияние информации в условиях сильного фонового шума и добились превосходных результатов по сравнению с традиционными методами. Сверточная нейронная сеть (CNN) была применена для диагностики неисправностей, чтобы уменьшить количество параметров модели и повысить скорость вычислений. CNN можно рассматривать как модель нейронной сети для обработки изображений. В области диагностики неисправностей CNN может извлекать признаки и может использоваться для прогнозирования классификации искусственных признаков [6, 7]. Лу и др. [8] обработали данные о рабочем состоянии подшипников на основе неглубокой CNN и извлекли характерные параметры и классификацию состояний неисправности. Чжан и др. [9] построил многослойную одномерную CNN и использовал сигналы во временной области данных о подшипниках для проведения исследований по диагностике неисправностей с хорошими результатами. Ван и др. [10] и другие использовали кратковременные преобразования Фурье для преобразования собранных сигналов вибрации двигателя в спектры и построили двумерную CNN для диагностики неисправностей, которая достигла высокой диагностической точности. Верстрате и др. [11] преобразовывали сигналы подшипников качения во временной области в частотно-временные спектрограммы с помощью кратковременного преобразования Фурье, вейвлет-пакетного преобразования и преобразования Гильберта-Хуанга, обучали их с помощью CNN и изучали производительность сети, изменяя размер входные частотно-временные спектрограммы и метод шумоподавления. Одномерный сигнал может быть преобразован в двумерную частотно-временную диаграмму путем преобразования время-частота, а затем диагностика неисправности с помощью CNN может дать хорошие результаты. Чжан и др. В работе [12] в качестве входных данных использовался частотно-временной спектр сигнала вибрации подшипника качения после преобразования Фурье. С помощью глубокой полностью сверточной нейронной сети (DFCNN) данные сигнала вибрации подшипника качения, вращающегося на 2-3 оборотах, моделируются с помощью большого количества слоев свертки. Все эффекты достигли 100%.

Вышеупомянутое исследование показывает, что углубленное обучение имеет сильные адаптивные возможности извлечения признаков и классификации перед лицом задач с большими механическими данными. Эти исследования сыграли хорошую роль в диагностике одиночных сбоев. Однако на практике коробки передач часто имеют много видов неисправностей одновременно, и существуют сотни комбинаций сложных неисправностей. Чтобы решить эту проблему, в этой статье предлагается модель обучения с глубокими измерениями, основанная на потере триплетов. Обрабатываются сигналы множественных отказов подшипников и шестерен редуктора, и моделируются различные сложные неисправности с использованием различных подшипников, шестерен, нагрузок и скоростей вращения. Триплетные потери используются в качестве функции потерь для оптимизации модели, тем самым эффективно завершая задачу классификации сложных разломов [13–15].

Каждая тройка [16, 17] строится путем случайного выбора выборки из обучающего набора данных в качестве якоря (), а затем случайного выбора выборки того же типа, что и якорь, называемого положительным (), и разных классов выборок, называемых отрицательным ( ). Якорь, позитив и негатив составляют полную тройку. Нейронная сеть обучается для каждой выборки в тройке, а выражения признаков трех выборок обозначаются как .

Цель потери триплетов состоит в том, чтобы сделать расстояние между характеристическими выражениями и как можно меньшим, в то же время максимально увеличивая расстояние между характеристическими выражениями и. Между расстояниями есть минимальный интервал (это гиперпараметр, который можно задать вручную). Как показано на рис. 2, триплет учится вычислять потери триплета несколько раз, чтобы уменьшить расстояние между похожими образцами и увеличить расстояние между разнородными образцами. В евклидовом пространстве более близкое расстояние между данными двух разломов указывает на большее сходство. В формуле индекс 2 представляет парадигму L2 и нормализует данные. Соответствующая целевая функция равна

В предыдущем уравнении нижний индекс + указывает, что когда значение в скобках больше нуля, потеря равна значению, а когда меньше нуля, потеря равна нулю. Из целевой функции видно, что когда расстояние между характеристическими выражениями и больше, чем расстояние между выражениями и минус . Если значение в скобках больше нуля, произойдет убыток. И, наоборот, потери будут нулевыми. Когда потери не равны нулю, все параметры сети корректируются с помощью алгоритма обратного распространения для оптимизации функций.

Выбор троек по существу представляет собой процесс передискретизации. Во всем наборе данных есть много подходящих троек. Предположим, что всего имеется B точек данных неисправности типов P и K точек данных каждого типа. Тогда B  =  P  ×  K ; то есть имеется 90 472 B 90 473 исходных точек выборки, 90 472 K 90 473  − 1 аналогичных точек выборки и 90 472 B 90 473  −  90 472 K 90 473 гетерогенных точек выборки. Следовательно, количество квалифицированных троек равно B  × ( К  − 1) × ( В  −  К ). Некоторые триплеты удовлетворяют цели оптимизации; то есть расстояние между и намного меньше, чем между и . Вычисление этих троек бесполезно для оптимизации цели. Напротив, это снизит эффективность обучения. Шрофф и др. [18] упомянул, что мы должны выбрать комбинацию, которая наиболее серьезно нарушает цель оптимизации, где расстояние между и намного больше, чем расстояние между и . Нарушена ли цель оптимизации, выясняется путем вычисления евклидова расстояния новых признаков встраивания между данными о разломах, но встраивание каждый раз обновляет преобразование; то есть триплеты, нарушающие цель оптимизации, могут каждый раз быть разными. Если триплет выбирается повторно для каждого обновления, эффективность обучения алгоритма будет значительно снижена. В настоящее время существует два решения этой проблемы.(1)Для каждого n итераций, пройдите по триплетам, чтобы вычислить потери триплетов по последнему результату обучения, пока сеть не сойдется или не завершит итерации до остановки, вместо обновления триплетов после каждой итерации. (2) Обновите потери триплетов онлайн. Небольшое количество триплетов выбирается для формирования мини-пакета, в котором все пары положительных неисправностей выбираются в соответствии с встраиванием в данный момент времени. Затем в группе отрицательных разломов выбирается отрицательный разлом, удовлетворяющий условию, что расстояние между и меньше расстояния между и. После вычисления потери триплетов на основе вышеуказанных триплетов вложение обновляется и повторяется до тех пор, пока сеть не сойдется или итерация не остановится.

Комплексная неисправность зубчатого колеса и подшипника в коробке передач взята в качестве объекта исследования этой статьи, и создана модель глубокого метрического обучения. Модель использует триплетные потери в качестве функции потерь для построения сети. Он сопоставляет признаки с евклидовым пространством и вычисляет расстояние между признаками подобных выборок и разнородных выборок в евклидовом пространстве. Чем ближе расстояние, тем выше сходство. Постоянно оптимизируя потери триплетов, нейронная сеть продолжает изучать новые функции и приближать расстояния между похожими образцами, в то время как расстояние между разнородными образцами увеличивается.

На рисунке 3 показана модель сети глубокого метрического обучения, разработанная в этой статье. Модель состоит из четырех слоев (входной слой, глубокая сеть, тройной слой и слой расчета функции потерь).

Задача уровня глубокой сети состоит в извлечении характеристик составного сигнала неисправности. Существует множество сетевых структур на выбор, таких как сверточная нейронная сеть (CNN), нейронная сеть с долговременной кратковременной памятью (LSTM) и полносвязные нейронные сети.

Входные формы, соответствующие различным сетям, показаны на рисунке 4.

Литература [10, 19] показывает, что эффект использования сигнала во временной области непосредственно в качестве входных данных для обучения сети не является хорошим. В то же время потери сети не могут сходиться, когда в качестве входного используется сигнал во временной области, а точность составляет всего 30%. При диагностике одиночных неисправностей редуктора [20] обучение сети с использованием частотного сигнала в качестве входных данных после быстрого преобразования Фурье дало хорошие результаты.

Составной сигнал неисправности — это нестационарный сигнал, частота которого меняется со временем. Это сложнее, чем одиночный сигнал неисправности. Трудно точно диагностировать сложную информацию о неисправности в коробке передач, используя только сигнал частотной области, который извлекает только компоненты каждой частоты в сигнале и теряет информацию о времени каждой частоты. Следовательно, два сигнала с очень разными временными областями могут быть одинаковыми по спектру.

Рассмотрим нестационарный сигнал как суперпозицию серии кратковременных сигналов. В данной работе STFT [21] используется для разделения сигнала на несколько временных интервалов. На основе традиционного преобразования Фурье вычисляется частотный спектр по скользящему временному окну и определяется частота в определенном интервале времени. Частотно-временное описание сигнала осуществляется таким образом, чтобы информация о времени не терялась. Предполагая нестационарный сигнал, кратковременное преобразование Фурье определяется как где параметр преобразования времени и представляет оконную функцию с центром в , усекает сигнал через оконную функцию и делит сигнал на несколько сегментов.

Перехваченный сигнал может быть выражен следующим образом: где — сигнал, соответствующий исходному сигналу в течение фиксированного времени t , а S ( T ) — сигнал, время выполнения которого соответствует T . Преобразование Фурье используется для получения спектра :

Путем изменения размера параметра перевода центральное положение оконной функции может быть изменено для получения преобразования Фурье в разное время.

В каждый интервал времени получается разный спектр, и сумма этих спектров составляет частотно-временное распределение, т. е. спектрограмму.

После кратковременного преобразования сигнала Фурье отношение спектральной энергии времени t равно

Как показано на рисунке 5, составной сигнал неисправности преобразуется в частотно-временную диаграмму с помощью STFT и, наконец, сжимается для генерации изображение 80 × 80 для ввода в сеть.

Структура слоя сверточной сети напрямую влияет на эффект модели сети, поэтому выбор параметров структуры сети особенно важен.

На рис. 6 показана структура слоя сверточной сети.

В таблице 1 показаны структурные параметры, принятые слоем сверточной нейронной сети. Сеть использует ReLU в качестве функции активации и равномерное распределение при инициализации параметров сети. Диапазон составляет [−0,1, 0,1]. В сети используется оптимизатор Adam со скоростью обучения, установленной на 0,06. Отсев установлен на 0,5, чтобы избежать переобучения в сети. Эта структура гарантирует, что сеть может изучить как можно больше функций, и предотвращает переоснащение.

За слоем сверточной нейронной сети следует слой выбора триплетов, который разделяет 32-мерные характеристики выходных данных сверточной нейронной сети и создает триплет для оптимизации. В этой статье используется онлайн-обновление потери триплетов, упомянутое в разделе 3, для решения проблемы выбора триплетов. Последний уровень — это уровень расчета функции потерь, который нормализует характеристики выходных данных с помощью парадигмы L2 и, наконец, вычисляет триплетные потери.

Триплетные потери используются в качестве функции потерь в сети (поле гиперпараметра = 1). С минимизацией потери триплетов в качестве цели оптимизации сети алгоритм обратного распространения (BP) используется для постоянного обновления веса нейронной сети для обучения оптимальным функциям.

В новом пространстве обученных признаков расстояние между данными разных типов разломов велико, а расстояние между данными одного типа разлома мало [5, 22, 23].

3. Процесс работы на пограничном оборудовании

На рис. 7 показана блок-схема обучения и диагностики ошибок модели обучения с глубокими измерениями на основе потери триплетов.

Шаги следующие.

Первым шагом является сбор образцов. С помощью кратковременного преобразования Фурье исчерпывающие данные о неисправностях коробки передач преобразуются в частотно-временную диаграмму.

Далее идет обучение сети. Сигнал в частотной области вводится в сеть, и глубокая сеть извлекает характеристику данных каждой точки неисправности. С евклидовым расстоянием между этими признаками и меткой данных разлома модель может выбрать триплет в соответствии со второй схемой в разделе 3 для расчета функции потерь триплета. Веса сети обновляются обратным распространением, и описанные выше шаги повторяются до тех пор, пока сеть не сойдется или итерация не завершится, сохраняя параметры модели.

Третий шаг — диагностика. В конце обучения модели прямое распространение используется для получения признака каждой категории сбоя, который является шаблоном, необходимым для диагностики неизвестных данных сбоя. После глубокой сетевой обработки данные о неизвестных неисправностях также могут получить функцию. Можно рассчитать евклидово расстояние между признаком неизвестных данных и признаком шаблона и выбрать минимальное значение евклидова расстояния. Результат диагностики можно получить, сравнив минимальное значение с заданным порогом.

Четвертый шаг — получение результатов диагностики. Порог установлен потому, что неизвестные данные неисправности, вероятно, указывают на совершенно новый тип неисправности. Его характеристики далеки от евклидова расстояния каждого объекта в шаблоне, но модель выбирает в качестве выходных данных недавний тип неисправности. Если минимальное значение больше порогового, то вектор признаков неисправности сохраняется в библиотеке шаблонов, метка записывается как неизвестная неисправность 1, а результат диагностики выводит «неизвестная неисправность 1». Когда неизвестные данные типа ошибки встречаются снова, модель глубокого метрического обучения может точно диагностировать ее. Если минимальное значение меньше порога, то результат диагностики выводится как категория неисправности шаблона, ближайшая к данным неисправности (чем меньше евклидово расстояние между признаками данных неисправности, тем они более похожи).

4. Эксперимент и анализ

4.1. Предварительная обработка данных на основе пограничных устройств

Для обучения сетей глубокого обучения требуется поддержка большого объема данных, а качество обучающих данных напрямую влияет на выходные данные модели. В этой статье в качестве объекта исследования использовался испытательный стенд для диагностики неисправностей силовой передачи (DDS), произведенный компанией Spectra Quest (как показано на рисунке 8). При установке датчика ускорения (SQI608A11-3F) это исследование относится к методу сбора данных о подшипниках Университета Кейс Вестерн Резерв (http://csegroups.case.edu/bearingdatacenter/home). Датчик ускорения крепился с левой и правой стороны неподвижного вала редуктора болтами (как показано на рис. 8 для датчиков 1 и 2). Частота дискретизации 20 кГц, время дискретизации 20 с.

Объектом исследования данной статьи является составная неисправность коробки передач. В настоящее время нет открытого набора данных по составным разломам. Поэтому мы обращаемся к процессу сбора данных о подшипниках Университета Кейс Вестерн Резерв и осуществляем сбор данных на Симуляторе динамики трансмиссии (DDS) самостоятельно. Если будет соответствующий открытый набор данных, мы проведем дальнейшее исследование.

Путем замены шестерен (например, с отсутствующими зубьями, сломанными зубьями, эксцентриситетом, чрезмерным износом и трещинами) и подшипников (с дефектами внутреннего кольца, дефектом наружного кольца, дефектом тел качения и составным дефектом) в коробке передач, 30 видов неисправности, которые могут возникнуть в редукторе, были смоделированы, как показано на рисунке 9.. Чтобы смоделировать более реалистичную производственную среду, искусственное шумовое загрязнение осуществлялось путем постукивания металлом по коробке передач или столу в случайное время, а сигнал загрязнения составлял около 5% от общего сигнала.

Изображение конкретного места неисправности и степени повреждения показано на рисунке 10.

В то же время, чтобы увеличить разнообразие выборки, скорость была изменена путем управления приводным двигателем передней части при сборе данных; нагрузка изменялась путем управления регулятором нагрузки, чтобы имитировать тип рабочих условий, которые могут возникнуть в реальном производстве. Каждый образец неисправности был получен при четырех скоростях двигателя (1700, 1800, 3400 и 3800  об/мин) и четырех нагрузках (A, B, C и D; см. Таблицу 2 для напряжения нагрузки и тока каждой нагрузки).

Сигналы левого и правого каналов во временной области были собраны в каждом рабочем состоянии для получения 960 файлов сигналов вибрации (30 типов комбинаций множественных отказов × 4 скорости × 4 нагрузки × 2 канала). Каждый сигнальный файл содержал 409 600 сигнальных точек.

Файл сигнала вибрации был разделен случайным образом, и 409 600 точек в каждом файле сигнала были равномерно разделены на 200 сегментов по 2048 точек. Чтобы полностью изучить способность модели к распознаванию, в этой статье разработаны девять различных методов разделения данных; деление показано в таблице 3.

Чтобы сравнить диагностический эффект классификатора сверточной нейронной сети + softmax и модели обучения измерению глубины, основанной на потере триплетов, сделаны два вида меток (структура и параметры сверточной сети в двух моделях идентичны). ( 1) Типы неисправностей были разделены на 30 категорий (пять неисправностей подшипников и шесть неисправностей шестерен). Мы создали метки для обучающих и тестовых наборов отдельно. Метка, соответствующая softmax, должна кодировать метку данных. Мы использовали одно горячее кодирование. (2) Типы неисправностей были разделены на 30 категорий (пять неисправностей подшипников, шесть неисправностей шестерен, четыре нагрузки и четыре скорости). Мы создали отдельные метки для обучающих и тестовых наборов. Меткой для ввода триплетных потерь была матрица единиц.

5. Результаты и обсуждение

5.1. Экспериментальная проверка

Данные в таблице 3 вводятся в диагностическую модель сверточной нейронной сети + классификатор softmax и модель обучения с глубокими измерениями, основанную на потере триплетов, соответственно, для обучения модели (структура и параметры сверточной сети идентичны в две модели).

Из экспериментальных результатов в таблице 4 видно, что точность диагностической модели сверточной нейронной сети + классификатора softmax может достигать 94,66% при нормализации процентных данных среза (т. е. достаточных данных для обучения, включая различные скорости вращения и нагрузки) (т. е. таблица 4, эксперимент 10), в то время как точность модели обучения измерению глубины на основе потери триплетов может достигать 97,73% .

При использовании данных, отсутствующих в определенной нагрузке, для обучения сети и использовании этих данных нагрузки для тестирования сети (эксперименты 2–5, 11–14), две модели могут получить более высокую точность на тестовом наборе, но глубокое измерение модель обучения еще лучше [24–26].

При использовании данных, отсутствующих на определенной скорости, для обучения сети и использовании этих данных скорости для тестирования сети (эксперименты 6–9, 15–18), из рисунка 11 видно, что диагностическая модель сверточной нейронной сети + softmax классификатор создает серьезное явление переобучения, а точность набора тестов очень низкая.

Но модель глубокого метрического обучения обладает сильной способностью к обобщению. Как показано на рис. 12, модель по-прежнему может обеспечивать высокую точность диагностики, даже если в практическом приложении некоторые данные о рабочих условиях могут отсутствовать. Даже в эксперименте с отсутствующими данными о скорости двигателя (опыты 15–18) можно достичь более 90% точность.

Основные причины, по которым метод, предложенный в этой статье, может обеспечить более высокую точность диагностики, заключаются в следующем: (1) Вибрационные сигналы преобразуются в частотно-временные диаграммы с помощью STFT, а особенности частотно-временных диаграмм извлекаются сверточной нейронной сетью. ; таким образом эффективно используется информация о частоте и времени сигналов неисправности. Для более интуитивной проверки возможности предлагаемого метода в извлечении признаков два разных вида сигналов неисправности (A и B) выбираются случайным образом и вводятся в модель сети с наивысшей точностью, полученной в таблице 4, эксперимент 10. Выходные данные особенности слоя свертки Conv2d и слоя свертки Conv2d_2 на рисунке 6 визуализируются [27]. Результаты визуализации ядра свертки сигналов A и B показаны на рисунке 13. (2) Использование триплетных потерь для измерения расстояния между разновидностями разломов делает расстояние между сходными разломами очень близкими, а между разными разломами очень далекими. , что делает диагностику более точной и легкой. Однако традиционная модель классификатора на основе сверточной нейронной сети + softmax не измеряет расстояние между объектами разломов. Чтобы доказать, что модель может сделать так, чтобы данные о разломах соответствовали расстоянию между похожими образцами все более и более близко, в то же время расстояние между разными образцами становится все дальше и дальше [28]. В этой статье случайным образом выбраны пять типов неисправностей (A, B, C, D и E). 1600 точек данных (5 ∗ 1600 = 8000 данных) выбираются случайным образом для каждого типа неисправности. На рисунке 14 показано исходное распределение 8000 точек данных, визуализированных с помощью T-SNE.

На рис. 15 показано распределение 8000 точек данных в визуализации t-SNE после обработки с помощью модели обучения с глубокими измерениями.

6. Выводы

В этой статье впервые модель обучения метрики глубины используется для одновременной диагностики неисправностей внутренних подшипников и шестерен в редукторе, а собранные данные сегментированы различными способами для моделирования ситуация отсутствия некоторых данных о рабочем состоянии в практическом приложении, чтобы проверить производительность сетевой модели. В то же время для сравнения и классификации построена модель сверточной нейронной сети + классификатор softmax. Выводы следующие: (1) При отсутствии отсутствующего типа данных модель обучения метрики глубины может адаптивно извлекать признаки при работе со сложными неисправностями коробки передач. Точность диагностики сложных неисправностей может достигать 97,73%, что выше, чем при использовании модели классификатора сверточной сети   +   softmax. (2) При использовании отсутствующих данных о нагрузке для обучения сети и использовании недостающих данных о нагрузке для тестирования сети точность сверточной сети   +   классификатора softmax по-прежнему составляет 97 + 0,6%, в то время как точность модели классификатора сверточной сети + softmax составляет всего 92 + 1%. (3) При использовании сети обучения данных с отсутствующей скоростью и использовании данных с отсутствующей скоростью для тестирования сети Модель классификатора network + softmax вызывает серьезное явление переобучения, а точность тестового набора очень низкая, всего около 60%. Однако модель обучения измерению глубины не была адаптирована, и точность тестового набора все еще выше 9.0%. (4) Набор данных о множественных отказах редуктора, собранный в этой статье, имеет определенную исследовательскую ценность и может использоваться для оценки модели для такого рода проблем.

Доступность данных

В этой статье говорится о методе сбора данных о подшипниках CWRU, размещении датчиков и т. д. с использованием комплексного испытательного стенда Spectra Quest для диагностики неисправностей трансмиссии (симулятор динамики трансмиссии, DDS) в качестве объекта испытаний для сбора данных о неисправностях компонентов коробки передач. . Адрес хранения данных о сложных неисправностях в коробке передач: https://pan. baidu.com/s/1zBJLV-O5v6nS9.rfjI6a5Kg и код извлечения 286w. Эти данные включают данные сигнала вибрации без какой-либо обработки.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в связи с публикацией данной статьи.

Благодарности

Авторы благодарят LetPub (http://www.letpub.com) за лингвистическую помощь при подготовке этой рукописи. Авторы признают финансовую поддержку Национального научного фонда Китая (гранты № 51505234, 51575283 и 51405241).

Ссылки

1. С. Ли, С. Чжао, Ю. Юань, К. Сунь и К. Чжан, «Динамическая оценка риска безопасности с помощью гибридного байесовского графа риска в киберфизических социальных системах», IEEE Transactions on Вычислительные социальные системы , том. 5, нет. 4, стр. 1133–1141, 2018 г.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

2. Х.-д. Шао, Х.-к. Цзян, X. Чжан и др. , «Диагностика неисправностей подшипников качения с использованием оптимизированной сети глубокого доверия», Измерительная наука и техника , vol. 26, нет. 11, 2015.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

3. X.-q. Ван, Л. Ян-фэн, Т. Жуй и др., «Метод диагностики неисправностей подшипников, основанный на спектре огибающей Гильберта и сети глубокого доверия», Journal of Vibroengineering , vol. 17, нет. 3, pp. 1295–1308, 2015.

   Посмотреть по адресу:

   Google Scholar

4. Z.-q. Чен, К. Ли и Р. В. Санчес, «Многослойная нейронная сеть с глубокой сетью доверия для диагностики неисправностей коробки передач», Журнал вибротехники , вып. 17, нет. 5, pp. 2379–2392, 2015.

   Посмотреть по адресу:

   Google Scholar

5. C. Li, R.-V. Санчес, Г. Зурита, М. Серрада, Д. Кабрера и Р. Э. Васкес, «Мультимодальная глубокая классификация опорных векторов с гомологичными признаками и ее применение для диагностики неисправностей коробки передач», Neurocomputing , vol. 168, нет. C, стр. 119–127, 2015 г.

   Посмотреть по адресу:

   Сайт издателя | Академия Google

6. М. Бхадан и К. И. Рамачандран, «Идентификация и классификация неисправностей подшипников с помощью сверточной нейронной сети», в материалах Международной конференции по схемам, энергетике и вычислительным технологиям (ICCPCT) , стр. 1–5, IEEE, Коллам, Индия. , апрель 2017 г.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

7. Х. Чжон, С. Парк, С. Ву и С. Ли, «Диагностика вращающегося оборудования с использованием глубокого обучения на изображениях орбиты», Procedia Manufacturing , том. 5, стр. 1107–1118, 2016.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

8. C. Lu, Z. Wang и B. Zhou, «Интеллектуальная диагностика неисправностей подшипников качения с использованием классификации состояния работоспособности на основе иерархической сверточной сети», Advanced Engineering Informatics , vol. 32, стр. 139–151, 2017.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

9. W. Zhang, G.-l. Пэн и К.-х. Li, Достижения в области интеллектуального сокрытия информации и обработки мультимедийных сигналов , Springer, Тайвань, 2016 г.

10. L.-H. Ван, X.-P. Чжао, Дж.-Х. Ву, Ю.-Ю. Се и Ю.-Х. Чжан, «Диагностика неисправностей двигателя на основе кратковременного преобразования Фурье и сверточной нейронной сети», Китайский журнал машиностроения , том. 30, нет. 6, стр. 1357–1368, 2017.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

11. Д. Верстраете, А. Феррада, Э. Л. Дрогетт, В. Меруан и М. Модаррес, «Глубокое обучение позволило диагностировать неисправности с помощью частотно-временного анализа изображений подшипников качения», Удары и вибрация , том. 2017 г., идентификатор статьи 5067651, 17 страниц, 2017 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

12. Чжан В., Чжан Ф., Чен В. и др., «Распознавание состояния отказа полностью сверточной сети на основе подшипников качения», Computing in Science & Engineering , vol. 21, нет. 5, стр. 55–63, 2018 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

13. X. Xu, B. Shen, X. Yin и др. , «Количественная оценка и размещение пограничных серверов для разгрузки сервисов социальных сетей в промышленном когнитивном IoV», IEEE Transactions on Industrial Informatics , 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

14. X. Xu, X. Zhang, X. Liu, J. Jiang, L. Qi и B. Zakirul Alam, «Адаптивная разгрузка вычислений с помощью периферии для предполагаемого 5G-интернета подключенных транспортных средств», IEEE. Transactions on Intelligent Transport Systems , стр. 1–10, 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

15. X. Xu, X. Liu, Z. Xu, F. Dai, X. Zhang и L. Qi, «Доверительное размещение услуг IoT для умных городов в периферийных вычислениях», IEEE Internet of Things Journal , vol. 7, нет. 5, стр. 4084–4091, 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

16. Р. Салахутдинов и Г. Э. Хинтон, «Реплицированный softmax: ненаправленная тематическая модель», в Proceedings of the International Conference on Neural Information Processing Systems , стр. 1607–1614, Curran Associates Inc., Ванкувер, Canada, 2010.

    Посмотреть по адресу:

    Google Scholar

17. Э. Хоффер и Н. Айлон, «Глубокое метрическое обучение с использованием триплетной сети», Распознавание образов на основе подобия , Springer International Publishing, Cham, Switzerland, 2015.

    Просмотр по адресу:

    Google Scholar

18. Ф. Шрофф, Д. Калениченко и Дж. Филбин, «FaceNet: унифицированное вложение» для распознавания лиц и кластеризации», стр. 815–823, 2015.

    Просмотр по адресу:

    Google Scholar

19. Л.И.У. -глубокое обучение и звуковые сигналы» Удары и вибрация , том. 2016 г., идентификатор статьи 6127479, 12 страниц, 2016 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

20. X. Zhao, J. Wu, Y. Zhang, Y. Shi и L. Wang, «Диагностика неисправностей двигателя в сигнале частотной области с помощью многослойного шумоподавляющего автоэнкодера», Компьютеры, материалы и Continua , том. 57, нет. 2, стр. 223–242, 2018 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

21. Y. Wang, J. Wang, and H. Huang, «Диагностика неисправностей планетарного редуктора с регулируемой скоростью на основе нелинейного кратковременного отслеживания порядка преобразования Фурье», Китай Машиностроение , том. 29, нет. 14, стр. 54–61, 2018 г.

    Посмотреть по адресу:

    Google Scholar

22. Д. Ю и Л. Дэн, «Глубокое обучение и его приложения для обработки сигналов и информации», Журнал обработки сигналов IEEE, , том. 28, нет. 1, стр. 145–154, 2010.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

23. П. Тамилсельван и П. Ван, «Диагностика неудач с использованием классификации состояния здоровья на основе глубокого обучения убеждений», Техника надежности и системная безопасность , vol. 115, нет. 7, стр. 124–135, 2013 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

24. X. Xu, X. Zhang, H. Gao, Y. Xue, L. Qi и W. Dou, «BeCome: разгрузка вычислений с поддержкой блокчейна для IoT в мобильных граничных вычислениях», IEEE Transactions по промышленной информатике , вып. 16, нет. 6, стр. 4187–4195, 2020.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

25. Л. Ци, С. Ван, С. Сюй, В. Доу и С. Ли, «Рекомендации по межплатформенным службам с учетом конфиденциальности на основе расширенного хеширования с учетом местоположения», IEEE Transactions on Network Science and Engineering , 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

26. X. Xu, R. Mo, F. Dai, W. Lin, S. Wan и W. Dou, «Динамическое предоставление ресурсов с отказоустойчивостью для метеорологических рабочих процессов с интенсивным использованием данных в облаке», IEEE. Труды по промышленной информатике , том. 16, нет. 9, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

27. L. Qi, Q. He, F. Chen, X. Zhang, W. Dou и Q. Ni, «Рекомендации по веб-API на основе данных для создания веб-приложений», IEEE Transactions on Big Data , 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

28. C.