Recherche sur la méthode de diagnostic de défaut d'image de champ de température de boîte de vitesses basée sur l'apprentissage par transfert et le réseau de croyances profondes

Rapports scientifiques volume 13, Numéro d'article : 6664 (2023) Citer cet article

365 accès

1 Altmétrique

Détails des métriques

Cet article applique la technologie d'imagerie thermique au diagnostic des défauts de boîte de vitesses. Le modèle de calcul de champ de température est établi pour obtenir les images de champ de température de divers défauts. Un modèle de réseau d'apprentissage profond combinant l'apprentissage par transfert du réseau neuronal convolutif avec l'entraînement supervisé et l'entraînement non supervisé du réseau de croyances profondes est proposé. Le modèle nécessite un cinquième du temps de formation du modèle de réseau neuronal convolutif. L'ensemble de données utilisé pour former le modèle de réseau d'apprentissage en profondeur est étendu en utilisant l'image de simulation de champ de température de la boîte de vitesses. Les résultats montrent que le modèle de réseau a une précision de plus de 97 % pour le diagnostic des défauts de simulation. Le modèle par éléments finis de la boîte de vitesses peut être modifié avec des données expérimentales pour obtenir des images thermiques plus précises, et cette méthode peut être mieux utilisée dans la pratique.

La surveillance des signaux vibratoires est la méthode la plus couramment utilisée pour le diagnostic des défauts de boîte de vitesses. La surveillance des signaux vibratoires présente les avantages d'un coût modéré, d'une grande fiabilité et d'une technologie mature1. Les défauts de cette méthode incluent la mesure de contact, les informations locales, l'influence sérieuse des conditions environnementales, la perte sérieuse du signal de transmission longue distance causée par la pollution sonore2,3. C'est un complément important à la base de la détermination des défauts que l'introduction du signal de température dans le domaine du diagnostic des défauts de la boîte de vitesses.

Des études récentes ont montré que le signal de température contient une grande quantité d'informations qui peuvent être utilisées pour la détection de l'état de santé de la boîte de vitesses et le diagnostic des pannes4. La technologie d'imagerie thermique infrarouge qui présente les avantages d'une information plus complète et sans contact dans la mesure de la température est davantage concernée par les chercheurs5. Kwan et al. ont développé un outil de traitement d'image basé sur un réseau neuronal qui peut détecter des augmentations anormales de température cinq heures avant une fracture dentaire6. Younous et al. ont proposé une nouvelle méthode de diagnostic des défauts des moteurs rotatifs basée sur la recherche d'images thermiques utilisant des caractéristiques d'histogramme d'image. Il est prouvé que le processus de classification des caractéristiques de l'image thermique par des classificateurs tels que la machine à vecteur de support peut servir au diagnostic des défauts de la machine7. Par la suite, ils ont proposé un système de diagnostic intelligent pour classer les différents états de la machine à l'aide de l'imagerie thermique infrarouge8. Lim et al. ont comparé des images thermiques avec des signaux de vibration et ont proposé une méthode de diagnostic de panne utilisant un algorithme de machine à vecteur de support via l'imagerie thermique infrarouge5. Emmanuel Resendiz-Ochoa et al. ont proposé une méthode pour diagnostiquer l'usure des engrenages en analysant des images d'imagerie infrarouge. La méthode calcule d'abord les caractéristiques statistiques dans le domaine temporel de l'imagerie infrarouge, puis réduit la dimension des données, et enfin effectue un diagnostic de panne par réseau de neurones9. La plupart de ces études consistent en un diagnostic de panne dans une condition spécifique. Sur cette base, Shao et al. ont proposé une méthode d'apprentissage par transfert utilisant des réseaux de neurones convolutifs pour le diagnostic de défaut de roulement dans différentes conditions de fonctionnement10. Yongbo Li et al. extrait les caractéristiques de défaut des images d'imagerie thermique en utilisant la méthode du sac de mots visuels, puis classifié les défauts des machines tournantes en utilisant la machine à vecteur de support, réalisant le diagnostic des défauts des machines tournantes dans des conditions de fonctionnement non stationnaires11. Bai Tangbo a proposé une méthode de diagnostic des défauts pour les machines tournantes qui peut résoudre les défauts de faible contraste, de bords flous et de bruit élevé des images thermiques infrarouges12.

La recherche ci-dessus a une difficulté commune à améliorer la précision, c'est-à-dire que l'ensemble de données utilisé pour la formation et la vérification est petit et qu'il est difficile d'obtenir toutes les données dans diverses conditions de panne3.

Dans cet article, le modèle d'éléments finis de la boîte de vitesses est établi, la distribution du champ de température sur la surface de la boîte de vitesses à l'état stable est calculée et l'image du champ de température correspondante est obtenue. Un modèle de réseau d'apprentissage profond pour le diagnostic des défauts de boîte de vitesses est proposé, qui combine l'apprentissage par transfert du réseau neuronal convolutif avec le réseau de croyance profonde. Il est vérifié que l'image du champ de température de la boîte de vitesses a un taux de précision élevé pour le diagnostic des défauts de la boîte de vitesses.

La boîte de vitesses utilisée dans cet article est illustrée à la Fig. 1, qui est composée d'une paire d'engrenages d'entrée avec des axes parallèles et de deux ensembles de trains d'engrenages planétaires. Les paramètres d'engrenage sont indiqués dans le tableau 1.

Modèle tridimensionnel de boîte de vitesses.

Les modes de transfert de chaleur comprennent la conduction thermique, la convection thermique et le rayonnement thermique. Le roulement et le glissement relatifs de l'engrenage, le roulement du roulement, la perte de puissance causée par l'engrenage et le roulement mélangeant l'huile et mélangeant le gaz sont les principales sources de chaleur générées par la boîte de vitesses en état de fonctionnement.

Il existe de nombreuses formules pour calculer la perte de puissance des engrenages. Dans cet article, la méthode de calcul d'Anderson-Loewenthal est utilisée13. La formule de calcul du couple de friction du roulement à basse vitesse de Palmgren est sélectionnée pour calculer la puissance de production de chaleur du roulement14. Le manuel de conception mécanique permet de calculer le rendement total du train épicycloïdal pour calculer la puissance dissipée totale15. La perte de barattage de l'arbre et la perte de barattage de l'engrenage et du roulement des deux côtés sont calculées par la norme britannique BS ISO/TR14179-1-200116. Les formules retenues ci-dessus sont données dans le tableau 2.

Le coefficient de transfert de chaleur des différentes surfaces de la boîte de vitesses varie avec le milieu de contact. Le coefficient de transfert de chaleur par convection (CHTC) de la surface de la dent d'engrenage adopte le modèle mathématique proposé par Handschuh pour calculer le CHTC de la surface d'engrènement de l'engrenage. Le CHTC des deux côtés de l'engrenage et du porte-satellites adopte la formule de calcul du CHTC du disque tournant et du médium17. Le CHTC du roulement et de l'arbre est calculé par la formule de l'article de Zhao18. Le CHTC entre la surface interne de la boîte et le support est basé sur la formule de Gnielinski, et le CHTC entre la surface externe et le support est basé sur le critère du tube unique proposé par Churchill et Bernstein19. Les formules retenues ci-dessus sont données dans le tableau 3.

Les paramètres utilisés pour établir le modèle de champ de température en régime permanent de la boîte de vitesses peuvent être obtenus à partir de la formule ci-dessus.

Pendant le fonctionnement normal, le champ de température de la boîte de vitesses est progressivement stable. Le champ de température stable change lorsque l'engrenage tombe en panne. L'état de fonctionnement de la boîte de vitesses peut être reflété par la répartition du champ de température de la boîte de vitesses.

La formule de calcul des paramètres du modèle de champ de température en régime permanent est présentée ci-dessus. La répartition du champ de température à la surface de la boîte de vitesses peut être obtenue en établissant le modèle de calcul de la boîte de vitesses à partir de ces paramètres. Le modèle est simplifié comme suit :

Dans l'état de fonctionnement, les pièces de contact de la paire d'engrenages d'entrée sont alternativement contactées et la génération de chaleur est uniforme. Par conséquent, la partie d'engrènement des engrenages peut être simplifiée. La génération de chaleur calculée peut être appliquée uniformément à la surface de contact correspondant au modèle d'engrenage simplifié.

Les parties d'engrènement correspondant à chaque engrenage du train épicycloïdal se contactent alternativement, de sorte que la répartition de la chaleur sur la surface de contact est uniforme. Par conséquent, la simplification du train épicycloïdal peut être divisée en trois étapes : Tout d'abord, calculer le flux thermique global de la boîte de vitesses. Ensuite, le planétaire, le planétaire et le porte-satellites du modèle sont retirés pour obtenir le modèle équivalent. Enfin, la densité de flux thermique qui est transférée à l'arbre et à la couronne dentée est uniformément appliquée à la position correspondante du modèle équivalent.

En raison de la température élevée de la boîte de vitesses dans la partie d'entrée et du train d'engrenages planétaires du premier étage, les caractéristiques de la distribution du champ de température sont évidentes. La température de la partie de sortie (la partie du train d'engrenages planétaires du deuxième étage) est faible, de sorte que les caractéristiques de distribution du champ de température ne sont pas évidentes. Par conséquent, cet article n'étudie que le diagnostic de défaut d'engrenage de la partie d'entrée de la boîte de vitesses et du train d'engrenages planétaires du premier étage.

Dans cet article, le modèle de réseau neuronal convolutif est d'abord établi. Ensuite, un modèle de réseau d'apprentissage profond pour le diagnostic de panne de boîte de vitesses combinant apprentissage par transfert et réseau de croyance profonde est proposé, et les deux modèles sont comparés.

Les réseaux de neurones convolutifs sont largement utilisés dans la classification d'images. Dans un premier temps, le modèle de réseau convolutif est introduit. La structure du modèle est illustrée à la Fig. 2. Dans cet article, le réseau neuronal convolutif est utilisé pour former l'ensemble de données afin d'obtenir les résultats de classification.

La structure du modèle de réseau de convolution.

Le modèle de réseau d'apprentissage en profondeur du diagnostic des défauts de boîte de vitesses combinant l'apprentissage par transfert des réseaux de neurones convolutifs et le réseau de croyance profonde (TrCNN-DBN) se compose de trois parties, l'expansion d'image de champ de température (TFIE), l'apprentissage par transfert de réseau neuronal convolutif (TrCNN) et la classification des défauts du réseau de croyance profonde (DBN).

TFIE fait pivoter l'image d'entrée, ajuste la luminosité de l'image, ajoute du bruit et du flou à l'image. La rotation simule la gigue de l'imageur thermique. Le réglage de la luminosité de l'image, l'ajout de bruit et le flou de l'image sont utilisés pour simuler les changements de lumière de l'environnement de prise de vue. L'expansion d'image peut augmenter considérablement l'ensemble de données utilisé dans la formation, améliorant ainsi la précision.

TrCNN utilise le modèle VGG16 proposé par le Visual Geometry Group de l'Université d'Oxford. Dans cet article, le premier réseau neuronal convolutif à 19 couches du modèle VGG16 est utilisé pour extraire les caractéristiques de l'image. Ensuite, les données obtenues sont utilisées pour la formation et la classification du réseau DBN. La structure du modèle est illustrée à la Fig. 3.

La structure de TrCNN-DBN.

DBN est un modèle de génération de probabilité composé d'une machine de Boltzmann restreinte et d'un réseau de croyance sigmoïde. La combinaison de l'apprentissage supervisé et de l'apprentissage non supervisé permet de mieux hériter des informations de la couche supérieure du réseau vers la couche suivante par rapport à la couche entièrement connectée du réseau neuronal convolutif.

Le processus de diagnostic est le suivant :

Les images de distribution de champ de température dans des conditions de travail spécifiques simulées par le modèle de calcul thermique en régime permanent de la boîte de vitesses sont divisées en deux catégories, à savoir l'ensemble d'apprentissage et l'ensemble de vérification.

L'image de l'ensemble d'apprentissage est agrandie pour augmenter le nombre d'échantillons dans l'ensemble d'apprentissage et simuler des images dans différents environnements de prise de vue.

L'image de l'ensemble d'apprentissage avec amélioration de l'image et l'image de l'ensemble de vérification sont entrées dans TrCNN pour l'extraction de caractéristiques.

Les données de caractéristiques extraites sont entrées dans DBN pour extraire davantage de caractéristiques pour la prédiction des défauts.

Comme le montre la Fig. 4, en utilisant le modèle de réseau neuronal convolutif pour former l'image de la vue de dessus et l'image de la vue de gauche, la précision de classification du modèle atteint 100 % après 3 époques, et la perte est presque de 0. La précision de la classification du modèle de l'image de la vue principale entraînée avec le modèle de réseau neuronal convolutif est de 99 %, et la perte est de 0,06. sur l'image de gauche est de 97%. La précision de classification des deux modèles est similaire, mais le temps de formation du modèle de réseau neuronal convolutif est 5 fois supérieur à celui de TrCNN-DBN. Par conséquent, le modèle TrCNN-DBN est sélectionné pour le diagnostic de défaut de boîte de vitesses, et les résultats de formation du modèle TrCNN-DBN sont présentés en détail.

Courbes de performance d'entraînement et de test.

La répartition du champ de température en régime permanent du carter de la boîte de vitesses peut être complètement représentée par les images thermiques dans trois directions. Par conséquent, les images thermiques dans trois directions sont respectivement améliorées et extraites, puis les données de caractéristiques obtenues sont combinées dans un vecteur pour l'apprentissage et la prédiction des défauts de DBN. Le processus spécifique est le suivant :

Il est supposé que la vitesse de rotation, la charge, la température ambiante et la viscosité cinématique de l'huile de lubrification ne changeront pas lorsque la boîte de vitesses fonctionne dans les conditions de fonctionnement spécifiques de la vitesse de l'arbre d'entrée 1450 \(\mathrm{r}/\mathrm{min}\), avec la température ambiante 20 \(\mathrm{^\circ{\rm C} }\). En supposant que la production de chaleur d'un seul composant générant de la chaleur est supérieure à 20 % de la situation normale, le modèle de diagnostic de défaut donne une alerte précoce des défauts possibles de la boîte de vitesses. Les conditions de travail de la boîte de vitesses sont indiquées dans le tableau 4.

Sur la base de ces deux hypothèses, la répartition du champ de température de surface du carter de la boîte de vitesses est calculée lorsque la production de chaleur de chaque pièce produisant de la chaleur est comprise entre 100 et 120 % de la production de chaleur normale. On considère que la boîte de vitesses est dans un état de fonctionnement normal à ce moment, et l'image du champ de température de surface du carter de boîte de vitesses à ce moment est obtenue. Calculez ensuite la répartition du champ de température de surface de la boîte de vitesses lorsque la production de chaleur d'une pièce de production de chaleur est comprise entre 120 et 140 % de la production de chaleur dans des conditions normales et que la production de chaleur des autres pièces de production de chaleur est dans des conditions normales. On considère que la boîte de vitesses est dans l'état de défaut de la partie de production de chaleur à ce moment, et l'image du champ de température de surface de la boîte de vitesses à ce moment est obtenue. Le gradient spécifique peut être sélectionné en fonction de la situation réelle, et chaque résultat de calcul est considéré comme un cas. Les images obtenues sont classées selon l'ensemble d'apprentissage et l'ensemble de vérification et exploitées selon le processus de diagnostic spécifique du modèle de diagnostic de défaut proposé ci-dessus.

Cet article simule 150 cas de normal, 150 cas de défaut 1 (la partie c de la figure 1 échoue) et 150 cas de défaut 2 (la partie j de la figure 1 échoue). Au total, 450 images de la distribution du champ de température de la boîte de vitesses ont été obtenues, dont 150 images dans des conditions normales, 150 images du défaut 1 et 150 images du défaut 2. Chacun prend 125 images comme ensemble d'apprentissage et 25 images comme ensemble de vérification.

L'intégration de voisins stochastiques distribués en T (t-SNE) est une technologie non linéaire non supervisée, qui est principalement utilisée pour l'exploration de données et la visualisation de données de grande dimension. L'entrée d'image dans le modèle, la sortie de la couche CNN et la sortie de la couche DBN sont visualisées à l'aide de la méthode t-SNE. Comme le montre la figure 5, les différents types de données de l'image d'origine se chevauchent et différents types de défauts ont montré une certaine séparabilité après avoir traversé la couche CNN. Après avoir traversé la couche DBN, chaque type de données est complètement séparé, indiquant que le modèle a de meilleures caractéristiques de défaut.

Visualisation de la réduction de dimensionnalité T-SNE.

Les résultats finaux de la classification du modèle sont présentés à la Fig. 6. À partir de la matrice de confusion, on peut voir que le modèle TrCNN-DBN proposé dans cet article a une précision de classification de 100 % pour chaque condition de simulation. Et la valeur du f-score, le taux de rappel et le taux de précision de chaque condition de travail sont 1, comme illustré à la Fig. 7. La relation entre la précision du modèle, la perte et le nombre d'itérations est illustrée à la Fig. 4m, n. On peut voir qu'après 150 époques, la perte du modèle sur l'ensemble d'apprentissage et l'ensemble de vérification est réduite à près de 0. La précision est également de 100 % et presque inchangée. TrCNN-DBN proposé dans cet article a une précision de diagnostic de défaut élevée pour l'image de distribution de champ de température en régime permanent de la boîte de vitesses simulée par élément fini.

Matrice de confusion de vue à trois directions.

Taux de précision, taux de rappel et F-score de la méthode proposée.

Dans les travaux pratiques, d'une part, certaines pièces de la boîte de vitesses sont plus sujettes aux pannes que d'autres pièces. Lorsqu'un défaut se produit, l'ensemble de la boîte de vitesses sera détecté, de sorte que les pièces qui ne sont pas sujettes aux pannes peuvent être maintenues lors des tests réguliers. L'équipement d'imagerie thermique est plus cher. Afin de réduire le coût, il est nécessaire de réduire le nombre d'équipements d'imagerie thermique. D'autre part, en raison de la position d'installation de la boîte de vitesses, il se peut qu'elle ne puisse pas obtenir d'images thermiques tridirectionnelles. Par conséquent, cet article propose l'utilisation de l'image thermique unidirectionnelle pour le diagnostic des défauts.

Le diagnostic de panne est effectué en utilisant l'image du champ de température dans l'une des trois directions interceptées ci-dessus et le modèle de diagnostic de panne proposé ci-dessus. Les résultats des calculs sont présentés à la Fig. 8. Comme le montre la matrice de confusion, la précision de la classification du modèle sur la vue de dessus et la vue principale est de 100 %, mais la précision sur la vue de gauche est de 97 %.

Matrice de confusion de la vue unidirectionnelle.

On peut voir sur la Fig. 4 que la précision du modèle sur la vue de dessus a été de 100 % et s'est stabilisée après 60 époques. La précision sur la vue principale est proche de 100 % après 100 époques, mais fluctue toujours. La précision sur la vue de gauche s'est stabilisée à 97 % après 100 époques. Et la figure 7 montre également que la précision du modèle pour l'identification des défauts de la vue gauche est inférieure à celle des deux autres directions. Les résultats ci-dessus montrent que la direction de la vue de dessus est la direction sensible à la température des deux défauts simulés, et le diagnostic de défaut dans cette direction aura une précision et une stabilité plus élevées. En comparant les résultats avec les résultats de calcul des images des trois directions, on constate que les données de la direction insensible aux défauts affecteront les résultats de classification de la direction sensible.

Dans cet article, l'image de simulation de champ de température par éléments finis de la boîte de vitesses est combinée à un apprentissage approfondi à appliquer à la surveillance de l'état de la boîte de vitesses (FETFS). La précision des modèles de réseau de neurones TrCNN-DBN et convolutif est comparée, et les résultats de classification de TrCNN-DBN sont décrits en détail. Il est vérifié que le temps de formation requis par TrCNN-DBN est un cinquième de celui du modèle de réseau neuronal convolutif. De plus, TrCNN-DBN a une grande précision de jugement des défauts pour les images thermiques à trois voies et les images thermiques à sens unique. La méthode FETFS peut considérablement étendre la base de données de distribution des champs de température lorsque la boîte de vitesses tombe en panne. TrCNN-DBN applique l'apprentissage par transfert du réseau neuronal convolutif au diagnostic des défauts de la boîte de vitesses, réduisant ainsi le nombre de paramètres à former et permettant d'économiser du temps et des coûts d'équipement. Les résultats montrent que TrCNN-DBN est sensible et fiable pour le diagnostic des images de champ de température simulées dans trois directions de défaut unique de la boîte de vitesses, et la précision de l'identification des défauts dans les conditions de travail définies et les conditions de défaut est supérieure à 97 %. De plus, il est prouvé que les images de simulation dans une seule direction peuvent être utilisées pour diagnostiquer des défauts pour des défauts spécifiques, et la précision peut également atteindre plus de 97 %.

Cet article vérifie que l'identification des défauts de la boîte de vitesses peut être bien effectuée en calculant l'image du champ de température du modèle. La mise à jour des modèles d'éléments finis basée sur les résultats expérimentaux est une technologie mature qui a été largement utilisée20,21,22,23. Par conséquent, la méthode proposée dans cet article peut être testée en fonction de l'objet de l'application, et des images plus précises peuvent être obtenues en modifiant le modèle. Par conséquent, cet article est d'une grande importance pour l'établissement du modèle numérique de transfert de chaleur à double boîte de vitesses.

Les auteurs acceptent l'ordre de paternité.

Les données à l'appui des conclusions de cette étude sont disponibles auprès de Nanjing High Speed Gear Manufacturing Co., Ltd., mais des restrictions s'appliquent à la disponibilité de ces données, qui ont été utilisées sous licence pour l'étude actuelle, et ne sont donc pas accessibles au public. Si vous avez besoin d'obtenir des données, vous pouvez contacter l'auteur correspondant de cet article.

Constante de configuration

Largeur de la face de la dent, m

Coefficient de correction de la différence de température

Constantes de proportionnalité

Coefficient de moment de traînée de l'agitation liquide

Coefficient de couple de traînée

Diamètre de la boîte de vitesses, m

Diamètre de l'arbre, m

Diamètre du pas de roulement, m

Diamètre du pas de l'engrenage, m

Diamètre du pas, m

Coefficient de résistance de Darcy

Coefficient lié à

Facteur de mouillage des engrenages

Coefficient de charge

Numéro de Froudé

Force de traction roulante, N

Force de glissement, N

Transfert de chaleur par convection

Profondeur d'immersion de l'engrenage dans l'huile, m

Rapport de transmission

Conductivité thermique de l'huile, W/(m K)

Longueur de la boîte de vitesses, m

Taille caractéristique, m

Module

Constante exponentielle

Rapport de démultiplication, Ng/Np

Couple de frottement total, N/m

Moment de frottement causé par la charge, N/m

Couple de frottement des roulements lié à la viscosité de l'huile de lubrification, N/m

Vitesse de rotation, tr/min

Nombre moyen de Nusselt

Puissance, kW

Charge dynamique équivalente, N

Rolling perdre, KW

Nombre moyen de prandtl

Perte glissante, KW

Perte de vent, KW

Perte de puissance d'agitation d'huile, KW

Numéro de Prandtl

Rayon du cercle de base de l'engrenage, m

Rayon de pas d'engrenage, m

Le numéro de Reynold

Surface immergée, m2

Viscosité cinématique du fluide, m2/s

Vitesse de cage de roulement, m/s

Volume d'huile de lubrification, V

Vitesse de roulement, m/s

Vitesse de glissement, m/s

Engrenage

Pignon

Équipement solaire

Couronne dentée

Engrenage planétaire

Porte-planète

Efficacité

Conductivité de la chaleur de l'air, W/(m·K)

Densité du fluide, kg/m3

Coefficient constant obtenu expérimentalement

Vitesse angulaire de rotation, rad/min

Viscosité absolue du lubrifiant, Pa s

Coefficient de perte de transmission

Li, X., Cheng, J., Shao, H., Liu, K. & Cai, B. Un cadre de fusion basé sur le CWSMM pour le diagnostic des défauts des machines tournantes sous forte interférence et cas déséquilibré. IEEE Trans. Industrie Inf. 18(8), 5180–5189. https://doi.org/10.1109/TII.2021.3125385 (2022).

Article Google Scholar

Li, Y., Gu, JX, Zhen, D., Xu, M. & Ball, A. Une évaluation de la surveillance de l'état des boîtes de vitesses à l'aide d'images thermiques infrarouges appliquées à des réseaux de neurones convolutifs. Capteurs. 19(9), 2205. https://doi.org/10.3390/s19092205 (2019).

Article ADS PubMed PubMed Central Google Scholar

Yongbo, LI et al. Diagnostic de pannes de machines tournantes basé sur le réseau neuronal convolutif et l'imagerie thermique infrarouge. Menton. J. Aéronaute. 167(02), 42–53 (2020).

Google Scholar

Laborda, A. et al. Évaluation de la fatigue des revêtements multicouches à l'aide de la thermographie verrouillée. Mater. Dés. 141, 361–373 (2018).

Article CAS Google Scholar

Lim, GM, Bae, DM & Kim, JH Diagnostic de défaut de machine tournante par méthode de thermographie sur machine à vecteur support. J. Mech. Sci. Technol. 28(8), 2947–2952 (2014).

Article Google Scholar

Kwan, CM, Xu, R., Haynes, LS, Rozlosnik, AE & Dinwiddie, RB Prévision de panne de boîte de vitesses à l'aide d'une caméra infrarouge. SPIE Int. Soc. Opter. Ing. 4360, 285–289 (2001).

Annonces Google Scholar

Younus, AM, Achmad, A. & Yang, BS Évaluation des données d'image de thermographie pour le diagnostic des défauts de la machine. Non destructif. Test. Éval. 25(3), 231–247 (2010).

Annonces d'article Google Scholar

Younus, A. & Yang, BS Diagnostic intelligent des défauts des machines tournantes à l'aide de l'image thermique infrarouge. Système expert. Appl. 39(2), 2082–2091 (2012).

Article Google Scholar

Resendiz-Ochoa, E., Saucedo-Dorantes, JJ, Benitez-Rangel, JP, Osornio-Rios, RA & Morales-Hernandez, LA Nouvelle méthodologie pour la surveillance de l'état de l'usure des engrenages à l'aide de l'apprentissage supervisé et de la thermographie infrarouge. Appl. Sci. 10(2), 506. https://doi.org/10.3390/app10020506 (2020).

Article Google Scholar

Shao, H., Xia, M., Han, G., Zhang, Y. & Wan, J. Diagnostic intelligent des défauts du système de roulement de rotor dans des conditions de travail variables avec un réseau neuronal convolutif à transfert modifié et des images thermiques. IEEE Trans. Industrie Inf. 17(5), 3488–3496 (2021).

Article Google Scholar

Li, Y., Wang, X., Si, S. & Du, X. Une nouvelle méthode intelligente de diagnostic des défauts des machines tournantes dans des conditions de vitesse variable utilisant la thermographie infrarouge. Complexité 2019(5), 1–12 (2019).

Google Scholar

Bai, T., Zhang, L., Duan, L. & Wang, J. Méthode d'amélioration de l'image infrarouge basée sur le Nsct pour le diagnostic des défauts des machines tournantes. IEEE Trans. Instrument. Mes. 65(10), 2293–2301 (2016).

Annonces d'article Google Scholar

Anderson, NE, Loewenthal, SH & Black, JD Une méthode analytique pour prédire l'efficacité des boîtes de vitesses d'avions. COMME MOI. J. Mech. Trans. Autom. 108(3), 424–432. https://doi.org/10.1115/1.3258750 (1986).

Article Google Scholar

Xiang, X. Simulation informatique et calcul du transfert de chaleur dans le carter d'engrenage. Journal de transmission mécanique. 27(5) : 1-4 (2003).

Comité de rédaction du manuel de conception mécanique. Manuel de conception mécanique. Vol. 6. (Presse de l'industrie des machines, 2004).

BS ISO/TR14179-1-2001.

Honghai, XU, Jiang, J., & Yuan, HU Modélisation et simulation de l'analyse de champ de température constante sur la boîte de vitesses d'un train à grande vitesse. Lubr. Ing. 44(9), 44–49 (2019).

Zhao, N., Peng, Y. & Lin, Y. Analyse thermique générale de la boîte de vitesses d'hélicoptère basée sur pca-tn. Hangkong Dongli Xuebao/J. Aérosp. Puissance 32(7), 1676-1682 (2017).

Google Scholar

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

Google Scholar

Pan, L., Zhang Bo, Wu., Wenmin, ZY et Yumei, Hu. Étude de simulation sur la lubrification par barbotage des engrenages et le champ de température. Automob. Technol. 9, 42–48 (2019).

Google Scholar

Wu, X., Chen, L. Analyse de l'équilibre thermique du train d'engrenages planétaires d'une machine à bouclier d'équilibrage de pression terrestre. Mécanique de Chine. Ing. 23(7), 777–782 (2012)

Daqian, P. et al. Champ de température transitoire d'un système d'engrenage planétaire dans une transmission électromécanique dans différentes conditions de travail. Acta Armamentarii 10, 2268-2277 (2021).

Google Scholar

Yueming, Z., Hao, Z., Shuting, J. & Tianyu, Z. Analyse du champ de température à l'état stable sur la surface de maillage de l'entraînement par engrenage interne. J. Nanjing Univ. Aéronaute. Astronaute. 1, 157–162. https://doi.org/10.16356/j.1005-2615.2022.01.018 (2022).

Article Google Scholar

Télécharger les références

Ce travail a été en partie soutenu par la Fondation nationale des sciences naturelles de Chine (52275092) et le projet de transformation et de mise à niveau de l'industrie de l'information et de l'industrie du Jiangsu (7602006021).

École de génie mécanique, Université du Sud-Est, Nanjing, 211189, Chine

Xi Lu et Pan Li

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

XL a conçu l'étude et rédigé l'article. PL a participé à la programmation et à l'analyse des données. Tous les auteurs ont lu et accepté la version publiée du manuscrit.

Correspondance avec Xi Lu.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Lu, X., Li, P. Recherche sur la méthode de diagnostic de défaut d'image de champ de température de boîte de vitesses basée sur l'apprentissage par transfert et le réseau de croyances profondes. Sci Rep 13, 6664 (2023). https://doi.org/10.1038/s41598-023-33858-w

Télécharger la citation

Reçu : 20 octobre 2022

Accepté : 20 avril 2023

Publié: 24 avril 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.