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

In het ruige, ongelijke terrein van heuvels en bergen staan zware machines voor een unieke uitdaging: de grond is nooit vlak en het werk is nooit constant. Wanneer een tractor of oogstmachine een helling op klimt of door dikke grond ploegt, moeten de motor en de transmissie voortdurend bijsturen, waardoor de snelheid van de draaiende onderdelen wild fluctueert. Voor ingenieurs die naar deze machines moeten luisteren om vroege tekenen van slijtage of schade te detecteren, vormt deze variabiliteit een grote hindernis. Traditionele methoden om naar problemen te luisteren, vertrouwen op het vinden van specifieke, constante geluiden die wijzen op een gebroken tandwiel of een versleten lager. Echter, wanneer de snelheid van de machine verandert, verschuift de toonhoogte van die geluiden en vervagen ze, waardoor het moeilijk is om te onderscheiden of een vreemd geluid een teken is van een ernstig defect of gewoon een normale reactie op een steile heuvel. Deze onzekerheid leidt tot valse alarmen, waarbij een gezonde machine als defect wordt gemarkeerd, of gemiste detecties, waarbij een echt probleem onopgemerkt blijft totdat het tot een defect in het veld leidt.

Om dit op te lossen, hebben onderzoekers van de Henan University of Science and Technology en het Longmen Laboratory een nieuwe manier ontwikkeld om de gezondheid van tandwielen te monitoren in hybride landbouwmachines die ontworkt zijn voor deze moeilijke landschappen. In plaats van te proberen naar de geluiden van de machine te luisteren terwijl ze in realtime plaatsvinden, hebben ze een methode ontwikkeld die de trillingsgegevens vertaalt naar een formaat dat stabiel blijft, zelfs wanneer de machine versnelt of vertraagt. Door duizenden uren aan bedrijfstijd op virtuele heuvels te simuleren, hebben ze een systeem getraind om de ruis veroorzaakt door veranderende hellingen en belastingen te negeren, en zich uitsluitend te concentreren op de specifieke patronen die wijzen op een beschadigd tandwiel. Hun aanpak slaagde erin om gezonde tandwielen van defecte te onderscheiden, zelfs wanneer de machine werkte onder omstandigheden die ze nog nooit eerder hadden gezien, wat een veelbelovend pad biedt naar het veilig en efficiënt houden van hybride landbouwmachines in de meest uitdagende velden ter wereld.

De kern van dit werk richt zich op een specifiek type voertuig: de range-extended hybride landbouwmachine. Dit zijn krachtige tractoren en oogstmachines die een kleine motor gebruiken om elektriciteit op te wekken, die vervolgens een batterij oplaadt of direct een elektromotor aandrijft om de wielen te laten draaien. Dit ontwerp maakt het mogelijk om met hoge kracht en lage emissies te werken, maar het introduceert ook complexe trillingen. De motor start en stopt, de batterij laadt op en ontlaadt, en de elektromotor wisselt van modus, terwijl de machine hellingen beklimt en zware lasten sleept. Bij een traditionele diesel tractor zijn de trillingspatronen relatief voorspelbaar. In deze hybride machines is de trilling een chaotische mix van het ritme van de motor, het gezoem van de elektromotor, het malen van de tandwielen en de schokken van de ongelijke grond. Wanneer een tandwiel binnen de transmissie begint te falen, worden de waarschuwingssignen vaak begraven onder deze chaotische achtergrondruis.

De onderzoekers begonnen met het bouwen van een gedetailleerde computersimulatie van hoe deze machines zich gedragen in heuvelachtig terrein. Ze vertrouwden niet alleen op real-world data, omdat het verzamelen van voldoende voorbeelden van daadwerkelijk defecte tandwielen op dure landbouwmachines moeilijk en gevaarlijk is. In plaats daarvan creëerden ze een virtuele omgeving die de echte wereld met hoge precisie nabootste. Ze programmeerden de simulatie om lange rijcycli te genereren die het ploegen, het transporteren van goederen en het navigeren door gemengde heuvelachtige routes omvatten. De simulatie hield rekening met elke factor die de trilling van de machine verandert: de steilheid van de helling, de weerstand van de bodem, de snelheid van het voertuig, het laadniveau van de batterij en de staat van de range-extender motor. Cruciaal was dat ze een "gepaarde" strategie gebruikten. Voor elke gesimuleerde rit genereerden ze twee versies van de trillingsgegevens: één die een perfect gezonde machine vertegenwoordigt en één die dezelfde machine met een specifiek tandwieldefect vertegenwoordigt. Beide versies ervoeren exact dezelfde heuvel, dezelfde belasting en dezelfde snelheidswijzigingen. Het enige verschil was de aanwezigheid van het defect. Dit zorgde ervoor dat wanneer de computer leerde om ze van elkaar te onderscheiden, hij leerde om het defect zelf te herkennen, en niet alleen het verschil tussen een steile heuvel en een vlakke weg.

Nadat ze 2.000 van deze gepaarde monsters hadden gegenereerd, stonden de onderzoekers voor de taak om de bruikbare informatie uit de ruwe trillingssignalen te extraheren. In een standaardanalyse kijken ingenieurs naar de frequentie van de trillingen, wat vergelijkbaar is met het luisteren naar de toonhoogte van een geluid. Omdat de snelheid van de machine echter voortdurend veranderde, zou de toonhoogte van het tandwieldefect op en neer drijven, waardoor de energie over een breed bereik werd verspreid en het moeilijk werd om het te spotten. Het team gebruikte een techniek genaamd 'computed order tracking' om dit op te lossen. In plaats van de trilling op gelijke tijdsintervallen te meten, maten ze deze op gelijke hoeken van de rotatie van de aandrijfas. Stel je een draaiend wiel voor: als je elke keer een foto maakt wanneer het wiel een specifiek deel heeft gedraaid, zal de foto van een barst op de rand altijd op dezelfde plek staan, zelfs als het wiel sneller of langzamer draait. Door deze logica toe te passen op de trillingsgegevens, transformeerden de onderzoekers de verschuivende, drijvende signalen in een stabiele kaart waar het defect zich altijd op dezelfde plek bevindt, ongeacht hoe snel de machine beweegt.

Nu de gegevens in deze stabiele kaart waren georganiseerd, was de volgende stap om de specifieke kenmerken te vinden die er echt toe deden. De onderzoekers extraheerden tientallen metingen uit verschillende delen van deze kaart, zoekend naar pieken in energie, veranderingen in gemiddelde niveaus en de relatieve sterkte van signalen in verhouding tot hun omgeving. Dit creëerde een enorme lijst van potentiële aanwijzingen, waarvan er veel slechts ruis of irrelevante details waren veroorzaakt door de batterij of de motor. Om door deze chaos heen te breken, gebruikten ze een wiskundig hulpmiddel dat automatisch alleen de belangrijkste aanwijzingen selecteerde en de rest wegliet. Dit proces, bekend als 'sparse feature selection', fungeerde als een filter dat de achtergrondruis van de machinebedrijf verwijderde, waardoor een kleine, precieze set indicatoren overbleef die sterk verbonden waren met het tandwieldefect en volledig ongerelateerd waren aan de batterijoplading of de helling.

Ten slotte testten de onderzoekers of hun systeem daadwerkelijk de defecten kon identificeren. Ze verdeelden hun gesimuleerde data in trainingssets en testsets, waarbij ze de computer vroegen om te leren van de ene groep en vervolgens de gezondheid van de andere groep te voorspellen. Ze vergeleken hun nieuwe methode met verschillende oudere, standaardtechnieken. De resultaten waren duidelijk: de nieuwe aanpak, die de stabiele hoekgebaseerde kaart combineerde met de slimme feature-filter, presteerde aanzienlijk beter dan de traditionele methoden. In herhaalde tests identificeerde het systeem de toestand van het tandwiel met een nauwkeurigheid van ongeveer 94 procent. Dit was aanzienlijk beter dan de standaard frequentiegebaseerde methoden, die moeite hadden om bij te blijven met de variabele snelheden. Misschien nog wel belangrijker is dat het systeem bewees robuust te zijn wanneer het werd geconfronteerd met omstandigheden die het nog nooit eerder had gezien. Toen de onderzoekers het systeem testten op data met snelheden, belastingen of hellingen die buiten het bereik van de trainingsdata vielen, behield de nieuwe methode een hoge nauwkeurigheid, terwijl de prestaties van de oudere methoden scherp daalden.

De studie onthulde ook dat de specifieke kenmerken waarop het systeem vertrouwde, inderdaad gerelateerd waren aan de tandwielen en niet aan de andere systemen van de machine. De geselecteerde indicatoren waren geconcentreerd in specifieke gebieden van de trillingskaart die overeenkomen met de rotatie van de aandrijfas, en ze vertoonden bijna geen enkele connectie met de batterijstatus of de aan-uit cycli van de motor. Dit bevestigde dat de methode erin slaagde de mechanische fout te isoleren van de complexe hybride aandrijflijn. De onderzoekers ontdekten dat zelfs een eenvoudiger type computerclassificator een hoge nauwkeurigheid kon bereiken zodra de data correct was voorbereid, wat suggereert dat de echte doorbraak lag in de manier waarop de data werd georganiseerd en schoongemaakt, in plaats van in de complexiteit van het uiteindelijke besluitvormingsinstrument.

Hoewel de resultaten veelbelovend zijn, merken de auteurs er voorzichtig bij op dat deze bevindingen voortkomen uit een simulatie. De virtuele omgeving, hoewel gedetailleerd, kan de rommelige realiteit van een echte boerderij niet perfect reproduceren, waar sensoren anders gemonteerd kunnen zijn, of waar het transmissiepad op manieren beïnvloed kan worden door roest of vuil die de computer het model niet had voorzien. De studie dient als een bewijs van concept, dat aantoont dat de aanpak theoretisch solide is en in staat is om de extreme variabiliteit van het landbouwen op heuvels aan te kunnen. De volgende stap, zoals de onderzoekers schetsen, is het bouwen van een echte machine uitgerust met de nodige sensoren en het testen van het systeem in het veld. Als de methode standhoudt in de echte wereld, kan het boeren een betrouwbare manier bieden om hun dure hybride apparatuur te monitoren, waardoor onverwachte defecten worden voorkomen en ervoor wordt gezorgd dat deze geavanceerde machines kunnen blijven werken op de moeilijke, hellende velden die de moderne landbouw definiëren.