Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá thực nghiệm để phát hiện lỗi của bánh răng chéo sử dụng biểu đồ kiểm soát thống kê đơn biến
Tóm tắt
Nghiên cứu này điều tra việc phát hiện các lỗi nứt trong bánh răng chéo bằng một phương pháp mới dựa trên các biểu đồ kiểm soát thống kê đơn biến (USCCs). Mục tiêu là xác định bốn loại trạng thái hoạt động của bánh răng: hoạt động bình thường, hoạt động lỗi với chiều dài nứt 0,25 mm, chiều dài nứt 0,5 mm và chiều dài nứt 0,75 mm. Các tín hiệu rung động trong phòng thí nghiệm của hệ thống bánh răng chéo một cấp được thu thập như một bước đầu tiên để thực hiện phương pháp đề xuất. Tiếp theo, các đặc trưng miền thời gian của mỗi độ lệch chuẩn (STD), căn bậc hai của trung bình bình phương (RMS) và độ dốc được trích xuất từ các đoạn tín hiệu rung được đo trong một số vòng quay của bánh răng được sử dụng. Sau đó, dựa trên phân phối chuẩn của đặc trưng STD, nó được chọn trong số các đặc trưng khác như là chỉ số đơn biến nhạy cảm với lỗi nhất để xây dựng USCC. Tiếp đến, biểu đồ kiểm soát X-bar và biểu đồ trung bình dịch chuyển có trọng số theo cấp số mũ (EWMA) được thiết kế và thử nghiệm. Cuối cùng, một cuộc so sánh được thực hiện giữa hiệu suất của các cơ chế kiểm soát, và EWMA đã đạt được hiệu suất tốt nhất, khi phát hiện tất cả các chiều dài nứt nhanh chóng và ở giai đoạn sớm, nhờ vào tính đặc thù của EWMA trong việc đưa ra một trung bình có trọng số của các mẫu quan sát bằng cách kết hợp dữ liệu trước đó và hiện tại của các mẫu trong toàn bộ quá trình kiểm soát.
Từ khóa
#bánh răng chéo #lỗi nứt #biểu đồ kiểm soát thống kê #độ lệch chuẩn #trung bình bình phương #độ dốc #EWMA #phát hiện lỗiTài liệu tham khảo
Sharma V, Parey A (2020) Extraction of weak fault transients using variational mode decomposition for fault diagnosis of gearbox under varying speed. Eng Fail Anal S1350–6307. https://doi.org/10.1016/j.engfailanal.2019.104204
Maláková S, Sivák S, Fedorko G, Molnár V, Tomek M (2023) Analysis of damage origin of bevel gear wheels. Eng Fail Anal 146:107105. https://doi.org/10.1016/j.engfailanal.2023.107105
Fu Y, Zhuo Y, Zhou X, Wan B, Lv H, Wang Z (2020) Theoretical and experimental study on contact characteristics of spiral bevel gears under quasi-static and large loading conditions. Appl Sci 10(15):5109. https://doi.org/10.3390/app10155109
Tayyab SM, Chatterton S, Pennacchi P (2021) Fault detection and severity level identification of spiral bevel gears under different operating conditions using artificial intelligence techniques. Machines 9(8):173. https://doi.org/10.3390/machines9080173
Chen M, Xiong X, Zhuang W (2020) Design and simulation of meshing performance of modified straight bevel gears. Metals 11(1):33. https://doi.org/10.3390/met11010033
Hou X, Fang Z, Zhang X (2018) Static contact analysis of spiral bevel gear based on modified VFIFE (vector form intrinsic finite element) method. Appl Math Model 60:192–207. https://doi.org/10.1016/j.apm.2018.03.021
Hameed Z, Hong YS, Cho YM, Ahn SH, Song CK (2009) Condition monitoring and fault detection of wind turbines and related algorithms: a review. Renew Sustain Energy Rev 13:1–39. https://doi.org/10.1016/j.rser.2007.05.008
Jing L, Zhao M, Li P, Xu X (2017) A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox. Measurement 111:1–10. https://doi.org/10.1016/j.measurement.2017.07.017
Pan L, Zhu D, She S, Song A, Shi X, Duan S (2018) Gear fault diagnosis method based on wavelet-packet independent component analysis and support vector machine with kernel function fusion. Adv Mech Eng 10(11). https://doi.org/10.1177/1687814018811036
Guo P, Fu J, Yang X (2018) Condition monitoring and fault diagnosis of wind turbines gearbox bearing temperature based on kolmogorov-smirnov test and convolutional neural network model. Energies 11(9):2248. https://doi.org/10.3390/en11092248
Montgomery DC (2019) Introduction to statistical quality control. John Wiley & Sons
Yang HH, Huang ML, Lai CM, Jin JR (2018) An approach combining data mining and control charts-based model for fault detection in wind turbines. Renew Energy 115:808–816. https://doi.org/10.1016/j.renene.2017.09.003
Lal H, Kane PV (2019) Gearbox fault detection using exponentially weighted moving average control charts. In: Machines, mechanism and robotics: proceedings of iNaCoMM 2017. Springer, Singapore, pp 39–47
Maraş S, Arslan H, Birgören B (2021) Detection of gear wear and faults in spur gear systems using statistical parameters and univariate statistical process control charts. Arab J Sci Eng 46:12221–12234. https://doi.org/10.1007/s13369-021-05930-y
Mohammed JS, Abdulhady JA (2021) Rolling bearing fault detection based on vibration signal analysis and cumulative sum control chart. FME Trans 49(3):684–695. https://doi.org/10.5937/fme2103684M
Fan W, Zhou Q, Li J, Zhu Z (2017) A wavelet-based statistical approach for monitoring and diagnosis of compound faults with application to rolling bearings. IEEE Trans Autom Sci Eng 15(4):1563–1572. https://doi.org/10.1109/TASE.2017.2720177
Jorani RM, Haddar M, Chaari F, Haddar M (2023) Gear crack detection based on vibration analysis techniques and Statistical Process Control Charts (SPCC). Machines 11(2):312. https://doi.org/10.3390/machines11020312
Selvamuthu D, Das D (2018) Introduction to statistical methods, design of experiments and statistical quality control. Springer Singapore, Singapore
Allen TT (2006) Introduction to engineering statistics and six sigma: statistical quality control and design of experiments and systems. Springer Science & Business Media.
Human SW, Chakraborti S, Smit CF (2010) Shewhart-type control charts for variation in phase I data analysis. Comput Stat Data Anal 54(4):863–874. https://doi.org/10.1016/j.csda.2009.09.026
Roberts SW (2000) Control chart tests based on geometric moving averages. Technometrics 42(1):97–101. https://doi.org/10.1080/00401706.2000.10485986
Montgomery DC, Runger GC (2010) Applied statistics and probability for engineers. John Wiley & Sons
Morton AP, Whitby M, McLaws ML, Dobson A, McElwain S, Looke D, Sartor A (2001) The application of statistical process control charts to the detection and monitoring of hospital-acquired infections. J Qual Clin Pract 21(4):112–117. https://doi.org/10.1046/j.1440-1762.2001.00423.x
Majeed R, Haddar M, Chaari F, Haddar M (2022) Exponentially weighted moving average control chart for fault detection of the spur gear transmission system. In: International conference on acoustics and vibration. Springer International Publishing, Cham, pp 449–461. https://doi.org/10.1007/978-3-031-34190-8_48
Majeed R, Haddar M, Chaari F, Haddar M (2022) A wavelet-based statistical control chart approach for monitoring and detection of spur gear system faults. In: International conference on acoustics and vibration. Springer International Publishing, Cham, pp 140–152. https://doi.org/10.1007/978-3-031-34190-8_17
Ramteke DS, Parey A, Pachori RB (2023) A new automate classification framework for gear fault diagnosis using Fourier-Bessel domain-based empirical wavelet transform. Machines 11:1055. https://doi.org/10.3390/machines11121055
Selami S, Mecibah MS, Debbah Y, Boukelia TE (2018) Gear crack detection using residual signal and empirical mode decomposition. Mech & Mech Eng 22(4)
Mohamad TH, Chen Y, Chaudhry Z, Nataraj C (2018) Gear fault detection using recurrence quantification analysis and support vector machine. J Softw Eng Appl 11(5):181–203
Qiang Z, Jieying G, Junming L, Ying T, Shilei Z (2020) Gearbox fault diagnosis using data fusion based on self-organizing map neural network. Int J Distrib Sens Netw 16(5). https://doi.org/10.1177/1550147720923476.
Newton B. Green, SPC Knowledge Base, Normal Probability Plots, June 2009. https://www.spcforexcel.com/help/distributions/normal-probability/
Yang L, Wang L, Yu W, Shao Y (2021) Investigation of tooth crack opening state on time varying meshing stiffness and dynamic response of spur gear pair. Eng Fail Anal 121:105181. https://doi.org/10.1016/j.engfailanal.2020.105181