Forschung zur Fehlerdiagnosemethode im Getriebetemperaturfeldbild basierend auf Transferlernen und Deep-Glaubens-Netzwerk

Scientific Reports Band 13, Artikelnummer: 6664 (2023) Diesen Artikel zitieren

391 Zugriffe

1 Altmetrisch

Details zu den Metriken

In diesem Artikel wird die Wärmebildtechnik auf die Getriebefehlerdiagnose angewendet. Das Temperaturfeldberechnungsmodell wird erstellt, um Temperaturfeldbilder verschiedener Fehler zu erhalten. Es wird ein Deep-Learning-Netzwerkmodell vorgeschlagen, das Transferlernen eines Faltungs-Neuronalen Netzwerks mit überwachtem Training und unbeaufsichtigtem Training eines Deep-Believe-Netzwerks kombiniert. Das Modell benötigt ein Fünftel der Trainingszeit des Faltungs-Neuronalen Netzwerkmodells. Der zum Training des Deep-Learning-Netzwerkmodells verwendete Datensatz wird durch die Verwendung des Temperaturfeldsimulationsbilds des Getriebes erweitert. Die Ergebnisse zeigen, dass das Netzwerkmodell eine Genauigkeit von über 97 % für die Diagnose von Simulationsfehlern aufweist. Das Finite-Elemente-Modell des Getriebes kann mit experimentellen Daten modifiziert werden, um genauere Wärmebilder zu erhalten, und diese Methode kann in der Praxis besser eingesetzt werden.

Die Vibrationssignalüberwachung ist die am häufigsten verwendete Methode zur Getriebefehlerdiagnose. Die Vibrationssignalüberwachung bietet die Vorteile moderater Kosten, hoher Zuverlässigkeit und ausgereifter Technologie1. Zu den Mängeln dieser Methode gehören Kontaktmessung, lokale Informationen, schwerwiegender Einfluss von Umgebungsbedingungen und schwerwiegender Verlust des Fernübertragungssignals aufgrund von Lärmbelästigung2,3. Die Einführung des Temperatursignals in den Bereich der Getriebefehlerdiagnose stellt eine wichtige Ergänzung zur Grundlage der Fehlerermittlung dar.

Aktuelle Studien haben gezeigt, dass das Temperatursignal eine große Menge an Informationen enthält, die zur Erkennung des Getriebezustands und zur Fehlerdiagnose verwendet werden können4. Die Infrarot-Wärmebildtechnik, die den Vorteil umfassenderer Informationen und keinen Kontakt bei der Temperaturmessung bietet, bereitet den Forschern größere Sorgen5. Kwan et al. hat ein auf einem neuronalen Netzwerk basierendes Bildverarbeitungstool entwickelt, das abnormale Temperaturanstiege fünf Stunden vor einem Zahnbruch erkennen kann6. Younus et al. schlug eine neue Methode zur Fehlerdiagnose rotierender Motoren vor, die auf der Wärmebildforschung unter Verwendung von Bildhistogrammfunktionen basiert. Es ist erwiesen, dass der Klassifizierungsprozess von Wärmebildmerkmalen durch Klassifikatoren wie die Support-Vektor-Maschine zur Diagnose von Maschinenfehlern dienen kann7. Anschließend schlugen sie ein intelligentes Diagnosesystem zur Klassifizierung verschiedener Maschinenzustände mithilfe von Infrarot-Wärmebildkameras vor8. Lim et al. verglichen Wärmebilder mit Vibrationssignalen und schlugen eine Fehlerdiagnosemethode unter Verwendung des Support-Vector-Machine-Algorithmus durch Infrarot-Wärmebildgebung vor5. Emmanuel Resendiz-Ochoa et al. schlugen eine Methode zur Diagnose von Getriebeverschleiß durch Analyse von Infrarotbildern vor. Die Methode berechnet zunächst die statistischen Zeitbereichseigenschaften der Infrarotbildgebung, reduziert dann die Datengröße und führt schließlich eine Fehlerdiagnose durch ein neuronales Netzwerk durch9. Bei den meisten dieser Studien handelt es sich um Fehlerdiagnosen unter bestimmten Bedingungen. Auf dieser Grundlage haben Shao et al. schlugen eine Transfer-Lernmethode vor, die Faltungs-Neuronale Netze zur Diagnose von Lagerfehlern unter verschiedenen Betriebsbedingungen nutzt10. Yongbo Li et al. Extrahierte Fehlermerkmale aus Wärmebildbildern mithilfe der Bag-of-Visual-Words-Methode und klassifizierte anschließend Fehler rotierender Maschinen mithilfe einer Support-Vektor-Maschine, wodurch die Fehlerdiagnose rotierender Maschinen unter instationären Betriebsbedingungen realisiert wurde11. Bai Tangbo schlug eine Fehlerdiagnosemethode für rotierende Maschinen vor, mit der die Mängel des geringen Kontrasts, der unscharfen Kanten und des hohen Rauschens von Infrarot-Wärmebildern behoben werden können12.

Bei der oben genannten Forschung besteht ein gemeinsames Problem bei der Verbesserung der Genauigkeit: Der für Training und Überprüfung verwendete Datensatz ist klein und es ist schwierig, alle Daten unter verschiedenen Fehlerbedingungen zu erhalten3.

In dieser Arbeit wird das Finite-Elemente-Modell eines Getriebes erstellt, die Temperaturfeldverteilung auf der Oberfläche eines stationären Getriebes berechnet und das entsprechende Temperaturfeldbild erhalten. Es wird ein Deep-Learning-Netzwerkmodell für die Getriebefehlerdiagnose vorgeschlagen, das das Transferlernen eines Faltungs-Neuronalen Netzwerks mit einem Deep-Believe-Netzwerk kombiniert. Es wurde bestätigt, dass das Bild des Getriebetemperaturfelds eine hohe Genauigkeit für die Getriebefehlerdiagnose aufweist.

Das in dieser Arbeit verwendete Getriebe ist in Abb. 1 dargestellt und besteht aus einem Eingangszahnradpaar mit parallelen Achsen und zwei Sätzen Planetengetriebezügen. Die Getriebeparameter sind in Tabelle 1 aufgeführt.

Dreidimensionales Getriebemodell.

Zu den Wärmeübertragungsarten zählen Wärmeleitung, Wärmekonvektion und Wärmestrahlung. Das relative Rollen und Gleiten des Zahnrads, das Rollen des Lagers und der Leistungsverlust, der durch das Mischen von Öl und Gas durch das Getriebe und das Lager verursacht wird, sind die Hauptwärmequellen, die das Getriebe im Betriebszustand erzeugt.

Für die Berechnung der Verlustleistung von Getrieben gibt es viele Formeln. In dieser Arbeit wird die Anderson-Loewenthal-Berechnungsmethode verwendet13. Zur Berechnung der Wärmeerzeugungsleistung des Lagers wird die Reibungsdrehmoment-Berechnungsformel des langsam laufenden Lagers von Palmgren ausgewählt14. Das mechanische Konstruktionshandbuch wird zur Berechnung des Gesamtwirkungsgrads des Planetengetriebes und zur Berechnung des Gesamtleistungsverlusts verwendet15. Der Planschverlust der Welle und der Planschverlust von Getriebe und Lager auf beiden Seiten werden nach der britischen Norm BS ISO/TR14179-1-200116 berechnet. Die oben ausgewählten Formeln sind in Tabelle 2 aufgeführt.

Der Wärmeübergangskoeffizient verschiedener Oberflächen des Getriebes variiert je nach Kontaktmedium. Der konvektive Wärmeübergangskoeffizient (CHTC) der Zahnradzahnoberfläche übernimmt das von Handschuh vorgeschlagene mathematische Modell zur Berechnung des CHTC der Zahnradeingriffsoberfläche. CHTC der beiden Seiten des Zahnrads und des Planetenträgers übernimmt die Berechnungsformel von CHTC der rotierenden Scheibe und des Mediums17. Der CHTC von Lager und Welle wird nach der Formel in Zhaos Artikel18 berechnet. CHTC zwischen der Innenfläche der Box und dem Medium basiert auf der Gnielinski-Formel, und CHTC zwischen der Außenfläche und dem Medium basiert auf dem von Churchill und Bernstein19 vorgeschlagenen Einzelrohrkriterium. Die oben ausgewählten Formeln sind in Tabelle 3 aufgeführt.

Die zur Erstellung des stationären Temperaturfeldmodells des Getriebes verwendeten Parameter können aus der obigen Formel ermittelt werden.

Während des normalen Betriebs stabilisiert sich das Temperaturfeld des Getriebes allmählich. Das stabile Temperaturfeld ändert sich, wenn das Getriebe ausfällt. Der Betriebszustand des Getriebes kann durch die Temperaturfeldverteilung des Getriebes widergespiegelt werden.

Die Berechnungsformel für die Parameter des stationären Temperaturfeldmodells wird oben vorgestellt. Durch die Erstellung des Berechnungsmodells des Getriebes aus diesen Parametern kann die Temperaturfeldverteilung auf der Oberfläche des Getriebes ermittelt werden. Das Modell wird wie folgt vereinfacht:

Im Arbeitszustand stehen die Kontaktteile des Eingangszahnradpaares abwechselnd in Kontakt und die Wärmeerzeugung ist gleichmäßig. Daher kann der Zahnradeingriffsteil vereinfacht werden. Die berechnete Wärmeentwicklung kann entsprechend dem vereinfachten Zahnradmodell gleichmäßig auf die Kontaktfläche übertragen werden.

Die kämmenden Teile, die jedem Zahnrad des Planetengetriebes entsprechen, berühren sich abwechselnd, sodass die Wärmeverteilung auf der Kontaktfläche gleichmäßig ist. Daher kann die Vereinfachung des Planetengetriebes in die folgenden drei Schritte unterteilt werden: Berechnen Sie zunächst den gesamten Wärmestrom des Getriebes. Anschließend werden Planetenrad, Sonnenrad und Planetenträger des Modells entfernt, um das entsprechende Modell zu erhalten. Schließlich wird die Wärmestromdichte, die auf die Welle und den Zahnkranz übertragen wird, gleichmäßig auf die entsprechende Position des äquivalenten Modells übertragen.

Aufgrund der hohen Temperatur des Getriebes im Eingangsteil und des Planetengetriebes der ersten Stufe sind die Eigenschaften der Temperaturfeldverteilung offensichtlich. Die Temperatur des Abtriebsteils (des Teils des Planetengetriebes der zweiten Stufe) ist niedrig, sodass die Eigenschaften der Temperaturfeldverteilung nicht offensichtlich sind. Daher untersucht dieser Artikel nur die Getriebefehlerdiagnose des Eingangsteils des Getriebes und des Planetengetriebes der ersten Stufe.

In diesem Artikel wird zunächst das Faltungsmodell eines neuronalen Netzwerks etabliert. Anschließend wird ein Deep-Learning-Netzwerkmodell für die Getriebefehlerdiagnose vorgeschlagen, das Transferlernen und Deep-Believe-Netzwerk kombiniert, und die beiden Modelle werden verglichen.

Faltungs-Neuronale Netze werden häufig bei der Bildklassifizierung eingesetzt. Zunächst wird das Faltungsnetzwerkmodell eingeführt. Die Struktur des Modells ist in Abb. 2 dargestellt. In diesem Artikel wird das Faltungs-Neuronale Netzwerk verwendet, um den Datensatz zu trainieren, um die Klassifizierungsergebnisse zu erhalten.

Die Struktur des Faltungsnetzwerkmodells.

Das Deep-Learning-Netzwerkmodell der Getriebefehlerdiagnose, das das Transferlernen von Faltungs-Neuronalen Netzen und dem Deep-Believe-Netzwerk (TrCNN-DBN) kombiniert, besteht aus drei Teilen: Temperaturfeldbildexpansion (TFIE), Faltungs-Neuronales-Netzwerk-Transfer-Lernen (TrCNN) und Deep-Belief-Netzwerk (DBN) Fehlerklassifizierung.

TFIE dreht das Eingabebild, passt die Helligkeit des Bildes an und fügt dem Bild Rauschen und Unschärfe hinzu. Durch die Drehung wird der Jitter der Wärmebildkamera simuliert. Durch Anpassen der Bildhelligkeit, Hinzufügen von Rauschen und Unschärfe des Bildes werden Änderungen im Licht der Aufnahmeumgebung simuliert. Durch die Bilderweiterung kann der im Training verwendete Datensatz erheblich vergrößert und dadurch die Genauigkeit verbessert werden.

TrCNN verwendet das von der Visual Geometry Group der Universität Oxford vorgeschlagene VGG16-Modell. In diesem Artikel wird das erste 19-schichtige Faltungs-Neuronale Netzwerk des VGG16-Modells verwendet, um die Merkmale des Bildes zu extrahieren. Anschließend werden die gewonnenen Daten für das Training und die Klassifizierung des DBN-Netzwerks verwendet. Die Modellstruktur ist in Abb. 3 dargestellt.

Die Struktur von TrCNN-DBN.

DBN ist ein Wahrscheinlichkeitsgenerierungsmodell, das aus der Restricted Boltzmann Machine und dem Sigmoid Belief Network besteht. Die Kombination aus überwachtem Lernen und unüberwachtem Lernen kann die Informationen der oberen Schicht des Netzwerks besser an die nächste Schicht vererben als die vollständig verbundene Schicht des Faltungs-Neuronalen Netzwerks.

Der Diagnoseprozess ist wie folgt:

Die vom stationären thermischen Berechnungsmodell des Getriebes simulierten Temperaturfeldverteilungsbilder unter bestimmten Arbeitsbedingungen sind in zwei Kategorien unterteilt, nämlich den Trainingssatz und den Verifizierungssatz.

Das Bild des Trainingssatzes wird erweitert, um die Anzahl der Proben im Trainingssatz zu erhöhen und Bilder in verschiedenen Aufnahmeumgebungen zu simulieren.

Das Bild des Trainingssatzes mit Bildverbesserung und das Bild des Verifizierungssatzes werden zur Merkmalsextraktion in TrCNN eingegeben.

Die extrahierten Merkmalsdaten werden in DBN eingegeben, um weitere Merkmale für die Fehlervorhersage zu extrahieren.

Wie in Abb. 4 gezeigt, erreicht die Klassifizierungsgenauigkeit des Modells nach 3 Epochen 100 % und der Verlust beträgt nahezu 0, wenn das Faltungsmodell eines neuronalen Netzwerks zum Trainieren des Draufsichtbilds und des linken Ansichtsbilds verwendet wird Das mit dem Faltungs-Neuronalen-Netzwerk-Modell trainierte Hauptansichtsbild beträgt 99 % und der Verlust beträgt 0,06. Die Klassifizierungsgenauigkeit von TrCNN-DBN für das Draufsichtbild und das Hauptansichtsbild beträgt 100 %, und die Klassifizierungsgenauigkeit für die linke Ansicht Bild ist 97%. Die Klassifizierungsgenauigkeit der beiden Modelle ist ähnlich, aber die Trainingszeit des Faltungs-Neuronalen Netzwerkmodells ist fünfmal so hoch wie die von TrCNN-DBN. Daher wird das TrCNN-DBN-Modell für die Getriebefehlerdiagnose ausgewählt und die Trainingsergebnisse des Modells TrCNN-DBN werden im Detail vorgestellt.

Leistungskurven trainieren und testen.

Die stationäre Temperaturfeldverteilung des Getriebegehäuses kann durch die Wärmebilder in drei Richtungen vollständig dargestellt werden. Daher werden die Wärmebilder in drei Richtungen jeweils verbessert und extrahiert, und dann werden die erhaltenen Merkmalsdaten zu einem Vektor für das Training und die Fehlervorhersage von DBN kombiniert. Der spezifische Prozess ist wie folgt:

Es wird davon ausgegangen, dass sich Drehzahl, Last, Umgebungstemperatur und kinematische Viskosität des Schmieröls nicht ändern, wenn das Getriebe unter der spezifischen Arbeitsbedingung der Eingangswellendrehzahl von 1450 \(\mathrm{r}/\mathrm{min} arbeitet. \), mit der Umgebungstemperatur 20 \(\mathrm{^\circ{\rm C} }\). Unter der Annahme, dass die Wärmeproduktion einer einzelnen wärmeerzeugenden Komponente mehr als 20 % des Normalzustands beträgt, warnt das Fehlerdiagnosemodell frühzeitig vor möglichen Fehlern des Getriebes. Die Betriebsbedingungen des Getriebes sind in Tabelle 4 aufgeführt.

Basierend auf diesen beiden Annahmen wird die Oberflächentemperaturfeldverteilung des Getriebegehäuses berechnet, wenn die Wärmeproduktion jedes wärmeerzeugenden Teils zwischen 100 und 120 % der normalen Wärmeproduktion beträgt. Es wird davon ausgegangen, dass sich das Getriebe zu diesem Zeitpunkt in einem normalen Betriebszustand befindet, und es wird ein Oberflächentemperaturfeldbild des Getriebegehäuses zu diesem Zeitpunkt erstellt. Berechnen Sie dann die Oberflächentemperaturfeldverteilung des Getriebes, wenn die Wärmeproduktion eines wärmeerzeugenden Teils zwischen 120 und 140 % der Wärmeproduktion unter normalen Bedingungen beträgt und die Wärmeproduktion anderer wärmeerzeugender Teile unter normalen Bedingungen erfolgt. Es wird davon ausgegangen, dass sich das Getriebe zu diesem Zeitpunkt im Fehlerzustand des Wärmeerzeugungsteils befindet, und das Oberflächentemperaturfeldbild des Getriebes zu diesem Zeitpunkt wird erhalten. Der spezifische Gradient kann entsprechend der tatsächlichen Situation ausgewählt werden und jedes Berechnungsergebnis wird als Fall betrachtet. Die erhaltenen Bilder werden gemäß dem Trainingssatz und dem Verifizierungssatz klassifiziert und gemäß dem spezifischen Diagnoseprozess des oben vorgeschlagenen Fehlerdiagnosemodells verarbeitet.

In dieser Arbeit werden 150 Fälle von Normalfehler, 150 Fälle von Fehler 1 (Teil c in Abb. 1 schlägt fehl) und 150 Fälle von Fehler 2 (Teil j in Abb. 1 schlägt fehl) simuliert. Insgesamt wurden 450 Bilder der Getriebetemperaturfeldverteilung aufgenommen, darunter 150 Bilder unter normalen Bedingungen, 150 Bilder von Fehler 1 und 150 Bilder von Fehler 2. Jedes Bild nimmt 125 Bilder als Trainingssatz und 25 Bilder als Verifizierungssatz auf.

T-Distributed Stochastic Neighbor Embedding (t-SNE) ist eine unbeaufsichtigte nichtlineare Technologie, die hauptsächlich zur Datenexploration und Visualisierung hochdimensionaler Daten verwendet wird. Die Bildeingabe in das Modell, die Ausgabe der CNN-Schicht und die Ausgabe der DBN-Schicht werden mithilfe der t-SNE-Methode visualisiert. Wie in Abb. 5 dargestellt, überlappen sich die verschiedenen Datentypen im Originalbild, und verschiedene Fehlertypen haben nach dem Durchlaufen der CNN-Schicht eine gewisse Trennbarkeit gezeigt. Nach dem Durchlaufen der DBN-Schicht werden alle Datentypen vollständig getrennt, was darauf hinweist, dass das Modell bessere Fehlereigenschaften aufweist.

Visualisierung der T-SNE-Dimensionsreduzierung.

Die endgültigen Klassifizierungsergebnisse des Modells sind in Abb. 6 dargestellt. Aus der Verwirrungsmatrix ist ersichtlich, dass das in diesem Artikel vorgeschlagene TrCNN-DBN-Modell für jede Simulationsbedingung eine Klassifizierungsgenauigkeit von 100 % aufweist. Und der F-Score-Wert, die Rückrufrate und die Präzisionsrate jeder Arbeitsbedingung betragen 1, wie in Abb. 7 dargestellt. Die Beziehung zwischen der Genauigkeit des Modells, dem Verlust und der Anzahl der Iterationen ist in Abb. 4m dargestellt. N. Es ist ersichtlich, dass nach 150 Epochen der Verlust des Modells im Trainingssatz und im Verifizierungssatz auf nahezu 0 reduziert ist. Die Genauigkeit beträgt ebenfalls 100 % und ist nahezu unverändert. Das in diesem Artikel vorgeschlagene TrCNN-DBN verfügt über eine hohe Fehlerdiagnosegenauigkeit für das durch Finite-Elemente simulierte stationäre Temperaturfeldverteilungsbild des Getriebes.

Verwirrungsmatrix der Drei-Richtungs-Ansicht.

Präzisionsrate, Rückrufrate und F-Score der vorgeschlagenen Methode.

Im praktischen Einsatz sind einerseits einige Teile des Getriebes anfälliger für Ausfälle als andere Teile. Tritt ein Fehler auf, wird das gesamte Getriebe erkannt, so dass die nicht störanfälligen Teile im Rahmen der regelmäßigen Prüfung gewartet werden können. Die Wärmebildausrüstung ist teurer. Um die Kosten zu senken, ist es notwendig, die Anzahl der Wärmebildgeräte zu reduzieren. Andererseits ist es aufgrund der Einbaulage des Getriebes möglicherweise nicht möglich, Wärmebilder in drei Richtungen zu erhalten. Daher wird in diesem Artikel die Verwendung eines einseitig gerichteten Wärmebildes zur Fehlerdiagnose vorgeschlagen.

Die Fehlerdiagnose erfolgt unter Verwendung des Temperaturfeldbildes in einer der drei oben erfassten Richtungen und des oben vorgeschlagenen Fehlerdiagnosemodells. Die Berechnungsergebnisse sind in Abb. 8 dargestellt. Wie aus der Verwirrungsmatrix ersichtlich ist, beträgt die Klassifizierungsgenauigkeit des Modells in der Draufsicht und in der Hauptansicht 100 %, in der linken Ansicht jedoch 97 %.

Verwirrungsmatrix der einseitigen Ansicht.

Aus Abb. 4 geht hervor, dass die Genauigkeit des Modells in der Draufsicht 100 % betrug und sich nach 60 Epochen stabilisierte. Die Genauigkeit der Hauptansicht liegt nach 100 Epochen bei nahezu 100 %, schwankt aber immer noch. Die Genauigkeit in der linken Ansicht stabilisierte sich nach 100 Epochen bei 97 %. Und Abb. 7 zeigt auch, dass die Genauigkeit des Modells für die Fehlererkennung in der linken Ansicht geringer ist als die der anderen beiden Richtungen. Die obigen Ergebnisse zeigen, dass die Draufsichtrichtung die temperaturempfindliche Richtung der beiden simulierten Fehler ist und die Fehlerdiagnose in dieser Richtung eine höhere Genauigkeit und Stabilität aufweist. Beim Vergleich der Ergebnisse mit den Berechnungsergebnissen der Bilder in drei Richtungen wird festgestellt, dass die Daten der fehlerunempfindlichen Richtung die Klassifizierungsergebnisse der sensiblen Richtung beeinflussen.

In diesem Artikel wird das Finite-Elemente-Temperaturfeldsimulationsbild des Getriebes mit Deep Learning kombiniert, um es auf die Getriebezustandsüberwachung (FETFS) anzuwenden. Die Genauigkeit von TrCNN-DBN- und Faltungsmodellen für neuronale Netze wird verglichen und die Klassifizierungsergebnisse von TrCNN-DBN werden ausführlich beschrieben. Es wurde bestätigt, dass die von TrCNN-DBN benötigte Trainingszeit ein Fünftel der Trainingszeit des Faltungsmodells für neuronale Netze beträgt. Darüber hinaus verfügt TrCNN-DBN über eine hohe Fehlerbeurteilungsgenauigkeit sowohl für Drei-Wege-Wärmebilder als auch für Einweg-Wärmebilder. Die FETFS-Methode kann die Temperaturfeldverteilungsdatenbank erheblich erweitern, wenn das Getriebe ausfällt. TrCNN-DBN wendet das Transferlernen des Faltungs-Neuronalen Netzwerks auf die Fehlerdiagnose des Getriebes an, wodurch die Anzahl der zu trainierenden Parameter reduziert und Zeit und Gerätekosten gespart werden. Die Ergebnisse zeigen, dass TrCNN-DBN für die Diagnose der simulierten Temperaturfeldbilder in drei Richtungen eines einzelnen Fehlers des Getriebes empfindlich und zuverlässig ist und die Genauigkeit der Fehlererkennung unter den eingestellten Arbeitsbedingungen und Fehlerbedingungen über 97 % liegt. Darüber hinaus wurde nachgewiesen, dass die Simulationsbilder in einer Richtung zur Fehlerdiagnose für bestimmte Fehler verwendet werden können und die Genauigkeit auch mehr als 97 % erreichen kann.

In diesem Artikel wird bestätigt, dass die Fehleridentifizierung des Getriebes durch die Berechnung des Temperaturfeldbilds des Modells gut durchgeführt werden kann. Die Aktualisierung von Finite-Elemente-Modellen auf der Grundlage experimenteller Ergebnisse ist eine ausgereifte Technologie, die weit verbreitet ist20,21,22,23. Daher kann die in diesem Artikel vorgeschlagene Methode entsprechend dem Anwendungsobjekt getestet werden, und durch Modifizieren des Modells können genauere Bilder erhalten werden. Daher ist dieser Artikel von großer Bedeutung für die Erstellung des digitalen Zwillings-Wärmeübertragungsmodells von Getrieben.

Die Autoren erklären sich mit der Autorenschaftsordnung einverstanden.

Die Daten, die die Ergebnisse dieser Studie stützen, sind von Nanjing High Speed ​​Gear Manufacturing Co., Ltd. erhältlich. Es gelten jedoch Einschränkungen für die Verfügbarkeit dieser Daten, die unter Lizenz für die aktuelle Studie verwendet wurden und daher nicht öffentlich verfügbar sind. Wenn Sie Daten benötigen, können Sie sich an den entsprechenden Autor dieses Artikels wenden.

Konfigurationskonstante

Zahnflächenbreite, m

Korrekturkoeffizient der Temperaturdifferenz

Proportionalitätskonstanten

Widerstandsmomentkoeffizient der Flüssigkeitsbewegung

Widerstandsmomentkoeffizient

Durchmesser des Getriebes, m

Wellendurchmesser, m

Lagerteilungsdurchmesser, m

Teilkreisdurchmesser, m

Teilungsdurchmesser, m

Darcy-Widerstandskoeffizient

Koeffizient bezogen auf

Getriebebenetzungsfaktor

Lastkoeffizient

Froude-Zahl

Rollzugkraft, N

Gleitkraft, N

Konvektionswärmeübertragung

Eintauchtiefe des Getriebes in Öl, m

Übersetzungsverhältnis

Ölwärmeleitfähigkeit, W/(m·K)

Getriebelänge, m

Charakteristische Größe, m

Modul

Exponentielle Konstante

Übersetzungsverhältnis, Ng/Np

Gesamtreibungsmoment, N/m

Reibungsmoment durch Belastung, N/m

Lagerreibungsmoment bezogen auf die Schmierölviskosität, N/m

Drehzahl, U/min

Durchschnittliche Nusselt-Zahl

Leistung, KW

Äquivalente dynamische Belastung, N

Rolling lose, KW

Durchschnittliche Prandtl-Zahl

Gleitverlust, KW

Seitenverlust, KW

Ölrührleistungsverlust, kW

Prandtl-Nummer

Radius des Zahnradgrundkreises, m

Teilungsradius des Zahnrads, m

Reynolds Nummer

Untergetauchte Oberfläche, m2

Kinematische Viskosität der Flüssigkeit, m2/s

Lagerkäfiggeschwindigkeit, m/s

Schmierölvolumen, V

Rollgeschwindigkeit, m/s

Gleitgeschwindigkeit, m/s

Gang

Ritzel

Solarausrüstung

Zahnkranz

Planetengetriebe

Planetenträger

Effizienz

Luftwärmeleitfähigkeit, W/(m·K)

Flüssigkeitsdichte, kg/m3

Durch Experiment ermittelter konstanter Koeffizient

Rotationswinkelgeschwindigkeit, rad/min

Absolute Viskosität des Schmiermittels, Pa s

Übertragungsverlustkoeffizient

Li, IEEE Trans. Industrie. Inf. 18(8), 5180–5189. https://doi.org/10.1109/TII.2021.3125385 (2022).

Artikel Google Scholar

Li, Y., Gu, JX, Zhen, D., Xu, M. & Ball, A. Eine Bewertung der Getriebezustandsüberwachung mithilfe von Infrarot-Wärmebildern, die mit Faltungs-Neuronalen Netzen angewendet werden. Sensoren. 19(9), 2205. https://doi.org/10.3390/s19092205 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Yongbo, LI et al. Fehlerdiagnose rotierender Maschinen basierend auf einem Faltungs-Neuronalen Netzwerk und Infrarot-Wärmebildgebung. Kinn. J. Aeronaut. 167(02), 42–53 (2020).

Google Scholar

Laborda, A. et al. Ermüdungsbewertung von Mehrschichtbeschichtungen mittels Lock-in-Thermografie. Mater. Des. 141, 361–373 (2018).

Artikel CAS Google Scholar

Lim, GM, Bae, DM & Kim, JH Fehlerdiagnose einer rotierenden Maschine durch Thermografiemethode an einer Support-Vektor-Maschine. J. Mech. Wissenschaft. Technol. 28(8), 2947–2952 (2014).

Artikel Google Scholar

Kwan, CM, Xu, R., Haynes, LS, Rozlosnik, AE & Dinwiddie, RB Getriebeausfallvorhersage mithilfe einer Infrarotkamera. SPIE Int. Soc. Opt. Ing. 4360, 285–289 (2001).

ADS Google Scholar

Younus, AM, Achmad, A. & Yang, BS Auswertung von Thermografie-Bilddaten zur Maschinenfehlerdiagnose. Zerstörungsfrei. Prüfen. Bewertung. 25(3), 231–247 (2010).

Artikel ADS Google Scholar

Younus, A. & Yang, BS Intelligente Fehlerdiagnose rotierender Maschinen mittels Infrarot-Wärmebild. Expertensystem. Appl. 39(2), 2082–2091 (2012).

Artikel Google Scholar

Resendiz-Ochoa, E., Saucedo-Dorantes, JJ, Benitez-Rangel, JP, Osornio-Rios, RA und Morales-Hernandez, LA Neuartige Methodik zur Zustandsüberwachung von Getriebeverschleiß mithilfe überwachten Lernens und Infrarot-Thermografie. Appl. Wissenschaft. 10(2), 506. https://doi.org/10.3390/app10020506 (2020).

Artikel Google Scholar

Shao, H., IEEE Trans. Industrie. Inf. 17(5), 3488–3496 (2021).

Artikel Google Scholar

Li, Y., Wang, Komplexität 2019(5), 1–12 (2019).

Google Scholar

Bai, T., Zhang, L., Duan, L. & Wang, J. Nsct-basierte Infrarot-Bildverbesserungsmethode zur Fehlerdiagnose rotierender Maschinen. IEEE Trans. Instrument. Mess. 65(10), 2293–2301 (2016).

Artikel ADS Google Scholar

Anderson, NE, Loewenthal, SH & Black, JD Eine analytische Methode zur Vorhersage der Effizienz von Flugzeuggetrieben. WIE ICH. J. Mech. Trans. Autom. 108(3), 424–432. https://doi.org/10.1115/1.3258750 (1986).

Artikel Google Scholar

Xiang, X. Computersimulation und Berechnung zur Wärmeübertragung im Getriebegehäuse. Zeitschrift für mechanische Übertragung. 27(5): 1-4 (2003).

Redaktion des Handbuchs für mechanisches Design. Handbuch für mechanische Konstruktion. Bd. 6. (Machinery Industry Press, 2004).

BS ISO/TR14179-1-2001.

Honghai, XU, Jiang, J. & Yuan, HU Modellierung und Simulation der Feldanalyse bei konstanter Temperatur an Antriebsgetrieben von Hochgeschwindigkeitszügen. Lubr. Ing. 44(9), 44–49 (2019).

Zhao, N., Peng, Y. & Lin, Y. Allgemeine thermische Analyse von Hubschraubergetrieben basierend auf pca-tn. Hangkong Dongli Xuebao/J. Aerosp. Power 32(7), 1676–1682 (2017).

Google Scholar

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

Google Scholar

Pan, L., Zhang Bo, Wu., Wenmin, ZY & Yumei, Hu. Simulationsstudie zur Spritzschmierung von Getrieben und zum Temperaturfeld. Automobil. Technol. 9, 42–48 (2019).

Google Scholar

Wu, X., Chen, L. Wärmebilanzanalyse des Planetengetriebes einer Erddruckschildmaschine. China Mech. Ing. 23(7), 777–782 (2012)

Daqian, P. et al. Transientes Temperaturfeld des Planetengetriebesystems in elektromechanischen Getrieben unter verschiedenen Arbeitsbedingungen. Acta Armamentarii 10, 2268–2277 (2021).

Google Scholar

Yueming, Z., Hao, Z., Shuting, J. & Tianyu, Z. Analyse des stationären Temperaturfeldes um die Eingriffsfläche des Innenzahnradantriebs. J. Nanjing Univ. Aeronaut. Astronaut. 1, 157–162. https://doi.org/10.16356/j.1005-2615.2022.01.018 (2022).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde teilweise von der National Natural Science Foundation of China (52275092) und dem Jiangsu Industrial and Information Industry Transformation and Upgrading Project (7602006021) unterstützt.

Fakultät für Maschinenbau, Southeast University, Nanjing, 211189, China

Xi Lu & Pan Li

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

XL hat die Studie entworfen und das Papier verfasst. PL war an der Programmierung und Datenanalyse beteiligt. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Xi Lu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Lu, Sci Rep 13, 6664 (2023). https://doi.org/10.1038/s41598-023-33858-w

Zitat herunterladen

Eingegangen: 20. Oktober 2022

Angenommen: 20. April 2023

Veröffentlicht: 24. April 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.