मेकानिकल डायग्नोस्टिक्सको क्षेत्रको लागि एक महत्वपूर्ण विकासमा, एउटा नयाँ अध्ययनले गल्ती निदानको लागि मोड्युलेसन सिग्नल बिस्पेक्ट्रम (MSB) लाई कन्भोलुसनल न्यूरल नेटवर्क (CNN) सँग संयोजन गर्ने प्रभावकारिता प्रदर्शन गरेको छ।सर्पिल बेभल गियरहरू। यो नवीन दृष्टिकोणले उच्च प्रदर्शन गियरबक्सहरूको लागि बढेको शुद्धता, छिटो पत्ता लगाउने, र थप बुद्धिमान निदान प्रणालीको प्रतिज्ञा गर्दछएयरोस्पेस, अटोमोटिभ, र औद्योगिक अनुप्रयोगहरू।

सर्पिलबेभल गियरहरूउच्च टर्क मेसिनरी, हेलिकप्टर, समुद्री प्रणोदन प्रणाली, र भारी शुल्क औद्योगिक रिड्यूसरहरूमा पाइने महत्वपूर्ण प्रसारण घटकहरू हुन्। तिनीहरूको जटिल ज्यामिति र सञ्चालन अवस्थाहरूको कारण, पिटिङ, हार, र दाँत भाँच्ने जस्ता गियर दोषहरूको प्रारम्भिक पहिचान एक प्राविधिक चुनौती बनेको छ। परम्परागत सिग्नल प्रशोधन प्रविधिहरू प्रायः आवाज हस्तक्षेप र गैर-रेखीय गल्ती विशेषताहरूसँग संघर्ष गर्छन्।

नयाँ विधिले दुई चरणको गल्ती निदान ढाँचा प्रस्तुत गर्दछ। पहिले अपरेटिङ गियर प्रणालीद्वारा उत्पन्न हुने कम्पन संकेतहरू मोड्युलेसन सिग्नल बिस्पेक्ट्रम (MSB) प्रयोग गरेर विश्लेषण गरिन्छ, जुन उच्च अर्डर स्पेक्ट्रल विश्लेषण प्रविधि हो जसले सिग्नलको गैर-रेखीय र गैर-गाउसियन विशेषताहरूलाई प्रभावकारी रूपमा कब्जा गर्दछ। MSB ले मानक फ्रिक्वेन्सी स्पेक्ट्रामा लुकेका सूक्ष्म मोड्युलेटेड गल्ती विशेषताहरू प्रकट गर्न मद्दत गर्दछ।

त्यसपछि, प्रशोधित सिग्नल डेटालाई समय आवृत्ति छविहरूमा रूपान्तरण गरिन्छ र कन्भोलुसनल न्यूरल नेटवर्क (CNN) मा खुवाइन्छ, जुन एक गहिरो सिकाइ मोडेल हो जुन स्वचालित रूपमा उच्च स्तरको गल्ती सुविधाहरू निकाल्न र गियर अवस्थाहरू वर्गीकृत गर्न सक्षम छ। यो CNN मोडेललाई विभिन्न लोड र गति अवस्थाहरूमा स्वस्थ गियरहरू, सानो गल्तीहरू, र गम्भीर क्षति बीच भिन्नता छुट्याउन प्रशिक्षित गरिएको छ।

अनुकूलित डिजाइन गरिएको सर्पिल बेभल गियर परीक्षण रिगमा गरिएको प्रयोगात्मक नतिजाहरूले देखाउँछ कि MSB CNN दृष्टिकोणले FFT आधारित विश्लेषण जस्ता परम्परागत विधिहरू र कच्चा कम्पन डेटामा निर्भर अन्य गहिरो सिकाइ प्रविधिहरूलाई पनि उछिनेर ९७% भन्दा बढी वर्गीकरण शुद्धता प्राप्त गर्दछ। यसबाहेक, यो हाइब्रिड मोडेलले पृष्ठभूमि आवाजको लागि बलियो बलियोपन प्रदर्शन गर्दछ, यसलाई वास्तविक संसारको औद्योगिक अनुप्रयोगहरूको लागि उपयुक्त बनाउँछ।

CNN सँग मोड्युलेसन सिग्नल बिस्पेक्ट्रमको एकीकरणले गल्ती पहिचान कार्यसम्पादनलाई मात्र बढाउँदैन तर परम्परागत रूपमा समय खपत गर्ने र विशेषज्ञतामा निर्भर प्रक्रिया म्यानुअल फिचर इन्जिनियरिङमा निर्भरतालाई पनि कम गर्छ। यो विधि स्केलेबल छ र अन्य घुम्ने मेसिनरी कम्पोनेन्टहरू, जस्तै बेयरिङहरू र मा लागू गर्न सकिन्छ।ग्रहीय गियरहरू.

यो अनुसन्धानले उद्योग ४.० र स्मार्ट निर्माणको फराकिलो क्षेत्रको लागि बुद्धिमान गल्ती निदान प्रणालीको विकासमा एक कदम अगाडि बढेको प्रतिनिधित्व गर्दछ। स्वचालन र मेसिन विश्वसनीयता बढ्दो रूपमा महत्त्वपूर्ण हुँदै जाँदा,