यांत्रिक निदान के क्षेत्र में एक महत्वपूर्ण विकास में, एक नए अध्ययन ने दोष निदान के लिए मॉड्यूलेशन सिग्नल बिस्पेक्ट्रम (एमएसबी) को कनवोल्यूशनल न्यूरल नेटवर्क (सीएनएन) के साथ संयोजित करने की प्रभावशीलता को प्रदर्शित किया है।सर्पिल बेवल गियरयह अभिनव दृष्टिकोण उच्च प्रदर्शन वाले गियरबॉक्सों के लिए बेहतर सटीकता, तीव्र पहचान और अधिक बुद्धिमान निदान प्रणाली का वादा करता है।एयरोस्पेस, ऑटोमोटिव और औद्योगिक अनुप्रयोग।

कुंडलीबेवल गियरगियर उच्च टॉर्क वाली मशीनों, हेलीकॉप्टरों, समुद्री प्रणोदन प्रणालियों और भारी औद्योगिक रिड्यूसरों में पाए जाने वाले महत्वपूर्ण संचरण घटक हैं। इनकी जटिल ज्यामिति और परिचालन स्थितियों के कारण, गियर दोषों जैसे कि गड्ढे, घिसाव और दांत टूटना का शीघ्र पता लगाना एक तकनीकी चुनौती बनी हुई है। पारंपरिक सिग्नल प्रोसेसिंग तकनीकें अक्सर शोर हस्तक्षेप और गैर-रेखीय दोष विशेषताओं से जूझती हैं।

इस नई विधि में दो चरणों वाली दोष निदान प्रणाली का उपयोग किया गया है। सबसे पहले, ऑपरेटिंग गियर सिस्टम द्वारा उत्पन्न कंपन संकेतों का विश्लेषण मॉड्यूलेशन सिग्नल बिस्पेक्ट्रम (एमएसबी) का उपयोग करके किया जाता है, जो एक उच्च-स्तरीय स्पेक्ट्रल विश्लेषण तकनीक है और सिग्नल की गैर-रेखीय और गैर-गाऊसी विशेषताओं को प्रभावी ढंग से पकड़ती है। एमएसबी सूक्ष्म मॉड्यूलेटेड दोष विशेषताओं को उजागर करने में मदद करता है जो आमतौर पर मानक आवृत्ति स्पेक्ट्रम में छिपी रहती हैं।

इसके बाद, संसाधित सिग्नल डेटा को समय आवृत्ति छवियों में रूपांतरित किया जाता है और एक कनवोल्यूशनल न्यूरल नेटवर्क (CNN) में फीड किया जाता है, जो एक डीप लर्निंग मॉडल है और उच्च स्तरीय दोष विशेषताओं को स्वचालित रूप से निकालने और गियर की स्थिति को वर्गीकृत करने में सक्षम है। इस CNN मॉडल को विभिन्न भार और गति स्थितियों में स्वस्थ गियर, मामूली दोषों और गंभीर क्षति के बीच अंतर करने के लिए प्रशिक्षित किया जाता है।

विशेष रूप से डिज़ाइन किए गए स्पाइरल बेवल गियर टेस्ट रिग पर किए गए प्रायोगिक परिणामों से पता चलता है कि MSB CNN दृष्टिकोण 97% से अधिक वर्गीकरण सटीकता प्राप्त करता है, जो FFT आधारित विश्लेषण जैसी पारंपरिक विधियों और यहां तक ​​कि कच्चे कंपन डेटा पर निर्भर अन्य डीप लर्निंग तकनीकों से भी बेहतर प्रदर्शन करता है। इसके अलावा, यह हाइब्रिड मॉडल पृष्ठभूमि शोर के प्रति अत्यधिक प्रतिरोधी है, जो इसे वास्तविक औद्योगिक अनुप्रयोगों के लिए उपयुक्त बनाता है।

मॉड्यूलेशन सिग्नल बिस्पेक्ट्रम को सीएनएन के साथ एकीकृत करने से न केवल दोष पहचान प्रदर्शन में सुधार होता है, बल्कि पारंपरिक रूप से समय लेने वाली और विशेषज्ञता पर निर्भर प्रक्रिया, मैनुअल फीचर इंजीनियरिंग पर निर्भरता भी कम हो जाती है। यह विधि स्केलेबल है और इसे अन्य घूर्णन मशीनरी घटकों, जैसे बियरिंग आदि पर भी लागू किया जा सकता है।ग्रहीय गियर.

यह शोध उद्योग 4.0 और स्मार्ट विनिर्माण के व्यापक क्षेत्र के लिए बुद्धिमान दोष निदान प्रणालियों के विकास में एक कदम आगे का प्रतिनिधित्व करता है। स्वचालन और मशीन विश्वसनीयता के तेजी से महत्वपूर्ण होने के साथ,