عیب‌یابی هوشمند گیربکس خودرو در دستگاه تست آخر خط با استفاده از سیگنال ارتعاشی

پذیرفته شده برای ارائه شفاهی ، صفحه 1-9 (9) اصل مقاله (710.15 K)

کد مقاله : 1040-ISAV2022 (R4)

نویسندگان

¹الیاس ترکمندی ؛ ¹تندر فهیمی زند؛ ¹محمد جواد کوکبی؛ ²عباس روحانی بسطامی؛ ¹میترا زمانی

¹گروه NVH شرکت جتکو

²Mechanical and Energy Systems Engineering, Shahid Beheshti University

چکیده

با توجه به اهمیت گیربکس به‌عنوان یکی از اصلی‌ترین بخش‌های انتقال قدرت خودرو، در انتهای خط تولید گیربکس، بخشی به نام کنترل کیفیت پایان خط (EOL: End Of Line) وجود دارد که در این بخش تمام گیربکس‌های تولید شده قبل از مونتاژ روی خودرو مورد ارزیابی کیفی قرار می‌گیرند و در صورت وجود ایراد عملکردی، گیربکس به بخش تعمیرات ارجاع داده می‌شود. با هدف کاهش احتمال بروز خطا، حفظ تجربه و افزایش راندمان، استفاده از روش‌های کمی در پایش وضعیت گیربکس توصیه می‌شود که در بخش NVH شرکت جتکو انجام شده است. در این مقاله به دلیل نبود محیط آکوستیک و وجود دستگاه در محیط صنعتی و کارگاهی، عیوب موردنظر تنها مبتنی بر داده‌های ارتعاشی و با استفاده از هوش‌مصنوعی شناسایی شده است. خرابی‌های موجود در گیربکس ممکن است در پشت و یا جلوی دنده اتفاق بیفتد، درنتیجه برای بررسی هر دو سمت دنده‌ها از سناریو افزایش و کاهش سرعت استفاده شده است. در آزمون مورد نظر به دلیل نبود دینامومتر و بار کنترل شده، سناریو آزمون، سرعت متغیر تعریف شده که از تحلیل مرتبه به‌منظور پردازش داده‌های دریافت شده از سنسور شتاب‌سنج و تاکومتر استفاده شده است. در بخش پردازش سیگنال، ویژگی‌های تحلیل مرتبه استخراج شده و سپس با استفاده از روش Relief-F، برترین ویژگی‌ها برای تشخص سه حالت از رفتار گیربکس انتخاب می‌شوند که شامل، حالت سالم، زوزه دنده 5 و زوزه پینیون-کرانویل است. باید توجه داشت که، عیوب مورد نظر به‌ صورت مصنوعی ایجاد نشده‌اند، بلکه در روند تولید و مونتاژ به‌صورت ناخواسته ایجاد شده‌اند. درنهایت با استفاده از روش کاهش‌مرتبه t-sne داده‌های برگزیده به دو بعد کاهش پیدا می‌کند که به‌عنوان ورودی به شبکه عصبی مصنوعی PNN داده شده است. نتایج نشان می‌دهد که الگوریتم ارائه شده درروند عیب‌یابی هوشمند، توانسته خرابی‌های موجود در گیربکس را با دقت بسیار بالایی شناسایی کند.

کلیدواژه ها

پایش وضعیت؛ هوش مصنوعی؛ ارتعاشات؛ گیربکس

موضوعات

Condition Monitoring

Title

Intelligent Fault Diagnosis of Automotive Gearbox Using End-of-Line Testing Stand by Vibration Signal

Authors

Elias Torkamandi, tondar fahimi zand, mohammad javad kokabi, Abbas Rohani bastami, mitra zamani

Abstract

Considering the importance of the gearbox as one of the main components of the vehicle's powertrain system, at the final step of the gearbox production process, there is a section called End-of-Line (EOL) testing quality control. If there is a functional fault, the gearbox is returned to the repair department. In order to reduce the possibility of errors, preserving experience and increasing efficiency, it is recommended to use quantitative methods in condition monitoring of the gearbox which was implemented in the NVH group of Jetco. In this study, due to the absence of an anechoic environment and the presence of the noisy devices in industrial environments, the desired faults were detected based on vibration data and using artificial intelligence. The faults in the gearbox may occur in the back or front of the gear teeth, as a result, the run-up and cost-down scenarios were utilized to check both sides of the gears. Due to the lack of dynamometer and controlled load in the test, the test procedure is defined based on variable speed scenarios, which uses order analysis to process the data received from the accelerometers and tachometer. In signal processing unit, the features of order analysis are extracted and using the Relief-F method, the best features are selected to characterize three conditions of gearbox performance (healthy, 5th gear whine - crown wheel/pinion whine). It should be noted that the evaluated faults were not artificial and were created unintentionally in the production and assembly process. Finally, using the t-SNE dimensionality reduction method, the dimensions of selected data are reduced to two, which are given as input to the PNN artificial neural network. The results show that the presented algorithm for intelligent fault diagnosis is able to identify the gearbox faults with fairly acceptable accuracy.

Keywords

Condition Monitoring, Artificial Intelligence (AI), Vibration, gearbox

مراجع

1. Rafiee, Arvani, Harifi, Sadeghi, M. H.., "Intelligent condition monitoring of a gearbox using artificial neural network". Mechanical Systems and Signal Processing,. 21(4): p. 1746-1754 (2007) 2. Gharavian, Ganj, Ohadi, Bafroui, H., "Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes". Neurocomputing, 121: p. 150-159.( 2013). 3. Morsy, M.E. and G. Achtenova, "Vehicle Gearbox Fault Diagnosis Based on Cepstrum Analysis". World Academy of Science, Engineering and Technology, International Journal of Computer and Information Engineering, 1: p. 1577-1583.(2014). 4. Chen, Z., C. Li, and R.-V. Sanchez, "Gearbox Fault Identification and Classification with Convolutional Neural Networks". Shock and Vibration, p. 1-10.( 2015). 5. Lei, Liu, Wu, Li, Chen, Lin, Jing, "Health condition identification of multi-stage planetary gearboxes using a mRVM-based method". Mechanical Systems and Signal Processing, 60- 61: p. 289-300.( 2015). 6. Wang, Shao, Sun, Gu, Zhou, Benxue, "Local fault diagnosis of non-stationary gearbox based on order envelope analysis". International journal of COMADEM, 20(4). ( 2017). 7. Chen, K., et al., "Fault Feature Extraction and Diagnosis of Gearbox Based on EEMD and Deep Briefs Network". International Journal of Rotating Machinery: p. 1-10.(2017). 8. Mukherjee, Kumar, Sarangi, Bera, Kumar, "Gearbox Fault Diagnosis using Advanced Computational Intelligence". Procedia Computer Science, 167: p. 1594-1603.( 2020). 9. Barbieri, Vitor Barbieri, Martins, Matos Vitor Barbieri, Lima, Fonseca, "Analysis of automotive gearbox faults using vibration signal". Mechanical Systems and Signal Processing, 129: p. 148-163.(2019). 10. Yu, Yao, Yang, Li, Chuanjiang, "Gear Fault Diagnosis through Vibration and Acoustic Signal Combination Based on Convolutional Neural Network". Information, 11(5).(2020). 11. Mukherjee, Sarangi, Bera, Kumar, "Gearbox Fault Diagnosis Based on Improved Variational Mode Extraction". Sensors (Basel), 22(5).(2022) 12. Zadshakoyan, M. and A. Gholami, "Design of the L90 automobile gearbox fault detection system using the audio signal analysis". ,ایران مکانیک مهندسی پژوهشی نشریه) 4): p. 114- 132.)2022) 13. Tofighi Niaki, S., H. Alavi, and A. Ohadi, "Incipient Fault Detection of Helical Gearbox Based on Variational Mode Decomposition and Time Synchronous Averaging". Structural Health Monitoring, (2022). 14. Alavi, H., A. Ohadi, and S.T. Niaki, "A novel targeted method of informative frequency band selection based on lagged information for diagnosis of gearbox single and compound faults". Mechanical Systems and Signal Processing, 170. (2022)