मेकॅनिकल डायग्नोस्टिक्सच्या क्षेत्रातील एका महत्त्वपूर्ण विकासात, एका नवीन अभ्यासात फॉल्ट डायग्नोस्टिक्ससाठी मॉड्युलेशन सिग्नल बायस्पेक्ट्रम (MSB) आणि कॉन्व्होल्यूशनल न्यूरल नेटवर्क्स (CNN) एकत्रित करण्याची प्रभावीता दर्शविली आहे.स्पायरल बेव्हल गियर्स. या नाविन्यपूर्ण दृष्टिकोनामुळे वापरल्या जाणाऱ्या उच्च कार्यक्षमता असलेल्या गिअरबॉक्ससाठी वाढीव अचूकता, जलद शोध आणि अधिक बुद्धिमान निदान प्रणालीचे आश्वासन दिले आहेअवकाश, ऑटोमोटिव्ह आणि औद्योगिक अनुप्रयोग.

सर्पिलबेव्हल गिअर्सहे उच्च टॉर्क यंत्रसामग्री, हेलिकॉप्टर, सागरी प्रणोदन प्रणाली आणि हेवी ड्युटी औद्योगिक रिड्यूसरमध्ये आढळणारे महत्त्वाचे ट्रान्समिशन घटक आहेत. त्यांच्या जटिल भूमिती आणि ऑपरेशनल परिस्थितीमुळे, खड्डे पडणे, झीज होणे आणि दात तुटणे यासारख्या गियर दोषांचे लवकर शोधणे हे एक तांत्रिक आव्हान आहे. पारंपारिक सिग्नल प्रक्रिया तंत्रांना अनेकदा आवाज हस्तक्षेप आणि नॉन-रेषीय फॉल्ट वैशिष्ट्यांसह संघर्ष करावा लागतो.

नवीन पद्धतीमध्ये दोन टप्प्यांचा फॉल्ट डायग्नोसिस फ्रेमवर्क सादर केला आहे. प्रथम ऑपरेटिंग गियर सिस्टमद्वारे निर्माण होणाऱ्या कंपन सिग्नलचे विश्लेषण मॉड्युलेशन सिग्नल बायस्पेक्ट्रम (MSB) वापरून केले जाते, जे एक उच्च दर्जाचे स्पेक्ट्रल विश्लेषण तंत्र आहे जे सिग्नलच्या नॉन-लिनियर आणि नॉन-गॉसियन वैशिष्ट्यांना प्रभावीपणे कॅप्चर करते. MSB मानक फ्रिक्वेन्सी स्पेक्ट्रामध्ये लपलेल्या सूक्ष्म मॉड्युलेटेड फॉल्ट वैशिष्ट्यांना प्रकट करण्यास मदत करते.

पुढे, प्रक्रिया केलेला सिग्नल डेटा टाइम फ्रिक्वेन्सी इमेजेसमध्ये रूपांतरित केला जातो आणि कन्व्होल्युशनल न्यूरल नेटवर्क (CNN) मध्ये भरला जातो, एक डीप लर्निंग मॉडेल जे स्वयंचलितपणे उच्च-स्तरीय फॉल्ट वैशिष्ट्ये काढू शकते आणि गियर स्थिती वर्गीकृत करू शकते. हे CNN मॉडेल वेगवेगळ्या लोड आणि स्पीड परिस्थितीत निरोगी गियर, किरकोळ दोष आणि गंभीर नुकसान यांच्यात फरक करण्यासाठी प्रशिक्षित आहे.

कस्टम डिझाइन केलेल्या स्पायरल बेव्हल गियर टेस्ट रिगवर केलेल्या प्रायोगिक निकालांवरून असे दिसून येते की MSB CNN दृष्टिकोन 97% पेक्षा जास्त वर्गीकरण अचूकता प्राप्त करतो, FFT आधारित विश्लेषणासारख्या पारंपारिक पद्धती आणि कच्च्या कंपन डेटावर अवलंबून असलेल्या इतर सखोल शिक्षण तंत्रांनाही मागे टाकतो. शिवाय, हे हायब्रिड मॉडेल पार्श्वभूमीच्या आवाजासाठी मजबूत मजबुती दर्शवते, ज्यामुळे ते वास्तविक जगातील औद्योगिक अनुप्रयोगांसाठी योग्य बनते.

सीएनएनसह मॉड्युलेशन सिग्नल बायस्पेक्ट्रमचे एकत्रीकरण केवळ दोष ओळखण्याची कार्यक्षमता वाढवत नाही तर मॅन्युअल फीचर इंजिनिअरिंगवरील अवलंबित्व देखील कमी करते, जे पारंपारिकपणे वेळखाऊ आणि कौशल्यावर अवलंबून असते. ही पद्धत स्केलेबल आहे आणि इतर फिरत्या यंत्रसामग्री घटकांवर लागू केली जाऊ शकते, जसे की बेअरिंग्ज आणिप्लॅनेटरी गिअर्स.

हे संशोधन इंडस्ट्री ४.० आणि स्मार्ट मॅन्युफॅक्चरिंगच्या विस्तृत क्षेत्रासाठी बुद्धिमान दोष निदान प्रणालींच्या विकासात एक पाऊल पुढे टाकते. ऑटोमेशन आणि मशीन विश्वासार्हता वाढत्या प्रमाणात महत्त्वपूर्ण होत असताना,