Operating-Condition-Decoupled Sparse Order-Domain Gear Fault Monitoring for Range-Extended Hybrid Agricultural Machinery in Hilly and Mountainous Areas

In dem unwegsamen, unebenen Gelände von Hügeln und Bergen steht schwere Maschinerie vor einer einzigartigen Herausforderung: Der Boden ist niemals eben, und die Arbeit ist niemals stetig. Wenn ein Traktor oder eine Erntemaschine einen Hang hinaufsteigt oder durch dicke Erde pflügt, müssen sein Motor und sein Getriebe ständig nachjustieren, was dazu führt, dass die Geschwindigkeit seiner rotierenden Teile wild schwankt. Für Ingenieure, die diese Maschinen abhören müssen, um frühe Anzeichen von Verschleiß oder Schäden zu erkennen, stellt diese Variabilität ein großes Hindernis dar. Traditionelle Methoden des Abhörens von Problemen verlassen sich auf das Finden spezifischer, stetiger Geräusche, die auf ein gebrochenes Zahnrad oder ein verschlissenes Lager hindeuten. Wenn sich jedoch die Geschwindigkeit der Maschine ändert, verschieben sich diese Klänge in der Tonhöhe und verschwimmen, was es schwierig macht, zu unterscheiden, ob ein seltsames Geräusch ein Zeichen für einen ernsthaften Defekt oder nur eine normale Reaktion auf einen steilen Hügel ist. Diese Unsicherheit führt zu Fehlalarmen, bei denen eine gesunde Maschine als defekt gemeldet wird, oder zu übersehenen Erkennungen, bei denen ein echtes Problem unbemerkt bleibt, bis es im Feld zu einem Ausfall führt.

Um dies zu lösen, haben Forscher der Henan University of Science and Technology und des Longmen Laboratory eine neue Methode entwickelt, um den Zustand von Zahnrädern in hybriden Landmaschinen zu überwachen, die für diese schwierigen Landschaften konzipiert sind. Anstatt zu versuchen, die Geräusche der Maschine in Echtzeit zu hören, entwickelten sie eine Methode, die die Vibrationsdaten in ein Format überträgt, das stabil bleibt, selbst wenn die Maschine schneller oder langsamer wird. Durch die Simulation tausender Betriebsstunden auf virtuellen Hügeln trainierten sie ein System darauf, das durch die Geräusche verursachten Schwankungen bei wechselnden Steigungen und Lasten zu ignorieren und sich statrazlich auf die spezifischen Muster zu konzentrieren, die auf ein beschädigtes Zahnrad hindeuten. Ihr Ansatz konnte erfolgreich zwischen gesunden und fehlerhaften Zahnrädern unterscheiden, selbst wenn die Maschine unter Bedingungen arbeitete, die sie zuvor noch nie gesehen hatte, was einen vielversprechenden Weg ebnet, um Hybrid-Landmaschinen sicher und effizient in den anspruchsvollsten Feldern der Welt am Laufen zu halten.

Der Kern dieser Arbeit befasst sich mit einem spezifischen Typ von Fahrzeug: der ladensegmentierten Hybrid-Landmaschine (Range-Extended Hybrid). Dies sind leistungsstarke Traktoren und Erntemaschinen, die einen kleinen Motor nutzen, um Elektrizität zu erzeugen, welche dann eine Batterie lädt oder direkt einen Elektromotor antreibt, der die Räder dreht. Dieses Design ermöglicht es ihnen, mit hoher Leistung und geringen Emissionen zu arbeiten, führt aber auch zu komplexen Vibrationen. Der Motor startet und stoppt, die Batterie lädt und entlädt sich, und der Elektromotor wechselt die Modi, während die Maschine gleichzeitig Hänge erklimmt und schwere Lasten zieht. In einem traditionellen Dieseltraktor sind die Vibrationsmuster relativ vorhersehbar. In diesen Hybridmaschinen ist die Vibration eine chaotische Mischung aus dem Rhythmus des Motors, dem Summen des Elektromotors, dem Mahlen der Zahnräder und den Erschütterungen durch den unebenen Boden. Wenn ein Zahnrad innerhalb des Getriebes zu versagen beginnt, werden seine Warnsignale oft unter diesem chaotischen Hintergrundrauschen begraben.

Die Forscher begannen damit, eine detaillierte Computersimulation zu erstellen, wie sich diese Maschinen in hügeligem Gelände verhalten. Sie verließen sich nicht allein auf reale Daten, da die Sammlung genügend Beispiele tatsächlicher defekter Zahnräder an teuren Landmaschinen schwierig und gefährlich ist. Stattdessen schufen sie eine virtuelle Umgebung, die die reale Welt mit hoher Präzision nachbildete. Sie programmierten die Simulation so, dass sie lange Fahrzyklen generierte, die das Pflügen, den Transport von Gütern und das Navigieren auf gemischten, hügeligen Routen beinhalteten. Die Simulation berücksichtigte jeden Faktor, der die Vibration der Maschine verändert: die Steilheit des Hangs, den Widerstand des Bodens, die Geschwindigkeit des Fahrzeugs, den Ladestand der Batterie und den Zustand des Range-Extender-Motors. Entscheidend war, dass sie eine „gepaarte“ Strategie anwandten. Für jede einzelne simulierte Fahrt generierten sie zwei Versionen der Vibrationsdaten: eine, die eine perfekt gesunde Maschine darstellt, und eine, die dieselbe Maschine mit einem spezifischen Zahnradfehler darstellt. Beide Versionen erlebten exakt densselbe Hügel, dieselbe Last und dieselben Geschwindigkeitsänderungen. Der einzige Unterschied war das Vorhandensein des Fehlers. Dies stellte sicher, dass der Computer beim Erlernen der Unterscheidung nicht nur lernte, den Fehler selbst zu erkennen, sondern nicht etwa den Unterschied zwischen einem steilen Hügel und einer flachen Straße.

Nachdem sie 2.000 dieser gepaarten Stichproben generiert hatten, standen die Forscher vor der Aufgabe, die nützlichen Informationen aus den rohen Vibrationssignalen zu extrahieren. In einer Standardanalyse schauen Ingenieure auf die Frequenz der Vibrationen, was dem Hören auf die Tonhöhe eines Klangs gleicht. Da sich jedoch die Geschwindigkeit der Maschine ständig änderte, driftete die Tonhöhe des Zahnradfehlers auf und ab, wodurch seine Energie über einen weiten Bereich gestreut wurde, was die Identifizierung erschwerte. Das Team nutzte eine Technik namens „Computed Order Tracking“, um dies zu beheben. Anstatt die Vibration in gleichen Zeitintervallen zu messen, massen sie sie in gleichen Winkeln der Rotation der Antriebswelle. Stellen Sie sich ein rotierendes Rad vor: Wenn Sie alle Male ein Foto machen, wenn sich das Rad um einen bestimmten Winkel dreht, wird das Bild eines Risses am Rand immer an derselben Stelle zu sehen sein, selbst wenn das Rad schneller oder langsamer dreht. Durch die Anwendung dieser Logik auf die Vibrationsdaten transformierten die Forscher die schwankenden, driftenden Signale in eine stabile Karte, auf der der Fehler unabhängig davon, wie schnell sich die Maschine bewegt, immer an der gleichen Stelle erscheint.

Mit den nun in dieser stabilen Karte organisierten Daten bestand der nächste Schritt darin, die relevanten Merkmale zu finden. Die Forscher extrahierten Dutzende von Messwerten aus verschiedenen Teilen dieser Karte und suchten nach Spitzen in der Energie, Änderungen der Durchschnittswerte und der relativen Stärke der Signale im Vergleich zu ihrer Umgebung. Dies erzeugte eine massive Liste potenzieller Hinweise, von denen viele nur Rauschen oder irrelevante Details waren, die durch die Batterie oder den Motor verursacht wurden. Um dieses Chaos zu durchbrechen, verwendeten sie ein mathematisches Werkzeug, das automatisch nur die wichtigsten Hinweise auswählte und den Rest verworf. Dieser Prozess, bekannt als „Sparse Feature Selection“, wirkte wie ein Filter, der das Hintergrundrauschen des Maschinenbetriebs entfernte und eine kleine, präzise Menge an Indikatoren hinterließ, die stark mit dem Zahnradfehler verknüpft und völlig unzusammenhängend mit dem Batterieladestand oder der Steigung des Hügels waren.

Schließlich testeten die Forscher ihr System, um zu sehen, ob es tatsächlich Fehler identifizieren kann. Sie teilten ihre simulierten Daten in Trainings- und Testdatensätze auf und ließen den Computer aus einer Gruppe lernen und dann den Zustand der anderen vorhersagen. Sie verglichen ihre neue Methode mit mehreren älteren, Standardtechniken. Die Ergebnisse waren eindeutig: Der neue Ansatz, der die stabile winkelbasierte Karte mit dem intelligenten Feature-Filter kombinierte, übertraf die traditionellen Methoden deutlich. In wiederholten Tests identifizierte das System den Zustand des Zahnrads mit einer Genauigkeit von etwa 94 Prozent korrekt. Dies war bemerkenswert besser als die standardmäßigen frequenzbasierten Methoden, die mit den variablen Geschwindigkeiten zu kämpfen hatten. Vielleicht noch wichtiger war, dass das System robust gegenüber Bedingungen war, die es zuvor noch nie gesehen hatte. Als die Forscher das System mit Daten testeten, die in Bezug auf Geschwindigkeit, Last oder Steigung außerhalb des Bereichs der Trainingsdaten lagen, behielt die neue Methode eine hohe Genauigkeit bei, während die älteren Methoden einen starken Leistungsabfall zeigten.

Die Studie zeigte auch, dass die spezifischen Merkmale, auf die sich das System verließ, tatsächlich mit den Zahnrädern und nicht mit den anderen Systemen der Maschine zusammenhingen. Die ausgewählten Indikatoren konzentrierten sich auf spezifische Bereiche der Vibrationskarte, die der Rotation der Antriebswelle entsprechen, und zeigten fast keine Verbindung zum Batterieladestand oder den Ein-/Ausschaltzyklen des Motors. Dies bestätigte, dass die Methode erfolgreich den mechanischen Fehler vom komplexen Hybridantrieb isolierte. Die Forscher fanden heraus, dass selbst ein einfacherer Computerklassifikator eine hohe Genauigkeit erreichen konnte, sobald die Daten ordnungsgemäß aufbereitet waren, was darauf hindeutete, dass der eigentliche Durchbruch in der Art und Weise lag, wie die Daten organisiert und bereinigt wurden, und weniger in der Komplexität des finalen Entscheidungswerkzeugs.

Obwohl die Ergebnisse vielversprechend sind, weisen die Autoren vorsichtig darauf hin, dass diese Erkenntnisse aus einer Simulation stammen. Die virtuelle Umgebung ist zwar detailliert, kann aber nicht die chaotische Realität eines echten Bauernhofs perfekt replizieren, wo Sensoren möglicherweise anders montiert sind oder wo der Übertragungsweg durch Rost oder Schmutz auf eine Weise beeinflusst werden könnte, die das Computermodell nicht vorhergesehen hat. Die Studie dient als Proof of Concept und zeigt, dass der Ansatz theoretisch fundiert ist und in der Lage ist, die extreme Variabilität des Hügelanbaus zu bewältigen. Der nächste Schritt, wie die Forscher skizzieren, besteht darin, eine echte Maschine mit den notwendigen Sensoren auszustatten und das System im Feld zu testen. Wenn sich die Methode in der realen Welt bewährt, könnte sie Landwirten einen zuverlässigen Weg bieten, ihre teure Hybrid-Ausrüstung zu überwachen, unerwartete Ausfälle zu verhindern und sicherzustellen, dass diese fortschrittlichen Maschinen weiterhin in den schwierigen, abfallenden Feldern arbeiten können, die die moderne Landwirtschaft definieren.