Forschung zur Fehlerdiagnose von Getriegelagern basierend auf SSA-VMD-CNN-Algorithmen

Zusammenfassung Getriebelager sind entscheidende Komponenten in zahlreichen mechanischen Systemen. Diese Getriebe arbeiten typischerweise in Umgebungen, die durch erheblichen Lärm gekennzeichnet sind, wodurch ihre Fehlerzeichen von Hintergrundstörungen, Vibrationen und Signalen anderer mechanischer Teile überlagert werden. Diese Störungen erschweren die genaue Extraktion und Diagnose von Fehlermerkmalen aus komplexen Daten. Um dieses Problem zu adressieren, schlagen wir ein neuartiges Modell zur Fehlerdiagnose von Lagern vor, das die Variational Mode Decomposition (VMD), Convolutional Neural Network (CNN) und fortschrittliche Optimierungsalgorithmen integriert. Zunächst wird der Squirrel Search Algorithmus (SSA) verwendet, um VMD-Parameter automatisch zu optimieren, was eine effiziente Extraktion von rauschfreien Signalmerkmalen ermöglicht. VMD zerlegt Vibrationssignale in mehrere Intrinsic Mode Functions (IMFs), die dann anhand von Kurtosis- und Kreuzkorrelationskriterien analysiert und rekonstruiert werden. Anschließend dienen diese verarbeiteten Signale als Eingangsmerkmalsvektoren für das CNN-Modell, das sowohl Trainings- als auch Testphasen erleichtert. Das Modell ist darauf ausgelegt, eine Matrix von Singularwertvektoren zu konstruieren, die den aktuellen Fehlerzustand basierend auf der Position jeder Submatrix widerspiegelt. Die Simulationserverifizierung unseres Modells zeigt eine Genauigkeit von über 95% bei der Fehlerdiagnose von Lagern, was eine erhebliche Verbesserung im Vergleich zu traditionellen Methoden darstellt. Diese Fortschritte bieten eine neue Perspektive für die Gesundheitsüberwachung und Wartung kritischer mechanischer Ausrüstungen, wie Getriebe. Sie haben ein erhebliches Potenzial für Anwendungen in der intelligenten Fertigung und in automatisierten Überwachungssystemen in der Zukunft.