यांत्रिक निदानशास्त्राच्या क्षेत्रातील एका महत्त्वपूर्ण घडामोडीमध्ये, एका नवीन अभ्यासाने दोष निदानासाठी मॉड्युलेशन सिग्नल बायस्पेक्ट्रम (MSB) आणि कन्व्होल्यूशनल न्यूरल नेटवर्क्स (CNN) यांच्या संयोजनाची परिणामकारकता सिद्ध केली आहे.सर्पिल बेव्हल गिअर्सहा नाविन्यपूर्ण दृष्टिकोन, वापरल्या जाणाऱ्या उच्च कार्यक्षमता असलेल्या गिअरबॉक्सेससाठी वाढीव अचूकता, जलद शोध आणि अधिक बुद्धिमान निदान प्रणालीचे आश्वासन देतो.एरोस्पेस, ऑटोमोटिव्ह आणि औद्योगिक अनुप्रयोग.

सर्पिलबेव्हल गिअर्सगिअर हे उच्च टॉर्क यंत्रसामग्री, हेलिकॉप्टर, सागरी प्रणोदन प्रणाली आणि अवजड औद्योगिक रिड्यूसरमध्ये आढळणारे महत्त्वपूर्ण ट्रान्समिशन घटक आहेत. त्यांच्या जटिल भूमिती आणि कार्यान्वयन परिस्थितीमुळे, गिअरमधील पिटिंग, झीज आणि दात तुटणे यांसारख्या दोषांचे लवकर निदान करणे हे एक तांत्रिक आव्हान आहे. पारंपारिक सिग्नल प्रोसेसिंग तंत्रांना अनेकदा नॉईजचा व्यत्यय आणि दोषांच्या अरेखीय वैशिष्ट्यांमुळे अडचणी येतात.

नवीन पद्धत दोन-टप्प्यांची दोष निदान चौकट सादर करते. प्रथम, कार्यरत गिअर प्रणालीद्वारे निर्माण होणाऱ्या कंपन संकेतांचे विश्लेषण मॉड्युलेशन सिग्नल बायस्पेक्ट्रम (MSB) वापरून केले जाते. हे एक उच्च-स्तरीय स्पेक्ट्रल विश्लेषण तंत्र आहे जे संकेताची अरेखीय आणि नॉन-गॉसियन वैशिष्ट्ये प्रभावीपणे टिपते. MSB सूक्ष्म मॉड्युलेटेड दोष वैशिष्ट्ये उघड करण्यास मदत करते, जी सामान्यतः मानक फ्रिक्वेन्सी स्पेक्ट्रामध्ये लपलेली असतात.

पुढे, प्रक्रिया केलेल्या सिग्नल डेटाचे टाइम फ्रिक्वेन्सी इमेजेसमध्ये रूपांतर केले जाते आणि ते कन्व्होल्यूशनल न्यूरल नेटवर्क (CNN) या डीप लर्निंग मॉडेलमध्ये दिले जाते, जे दोषांची उच्च-स्तरीय वैशिष्ट्ये आपोआप काढण्यास आणि गिअरच्या स्थितीचे वर्गीकरण करण्यास सक्षम आहे. हे CNN मॉडेल वेगवेगळ्या लोड आणि वेगाच्या परिस्थितीत सुस्थितीत असलेले गिअर, किरकोळ दोष आणि गंभीर नुकसान यांच्यात फरक करण्यासाठी प्रशिक्षित केले जाते.

खास तयार केलेल्या स्पायरल बेव्हल गिअर टेस्ट रिगवर केलेल्या प्रायोगिक निकालांनुसार, MSB CNN पद्धत ९७% पेक्षा जास्त वर्गीकरण अचूकता मिळवते आणि FFT आधारित विश्लेषण यांसारख्या पारंपरिक पद्धतींना, तसेच मूळ कंपन डेटावर अवलंबून असलेल्या इतर डीप लर्निंग तंत्रांनाही मागे टाकते. शिवाय, हे हायब्रीड मॉडेल पार्श्वभूमीतील गोंगाटालाही उत्तम प्रकारे तोंड देते, ज्यामुळे ते प्रत्यक्ष औद्योगिक वापरासाठी योग्य ठरते.

CNN सोबत मॉड्युलेशन सिग्नल बायस्पेक्ट्रमचे एकत्रीकरण केल्याने केवळ दोष ओळखण्याची कार्यक्षमताच वाढत नाही, तर पारंपरिकरित्या वेळखाऊ आणि कौशल्यावर अवलंबून असलेली प्रक्रिया असलेल्या मॅन्युअल फीचर इंजिनिअरिंगवरील अवलंबित्वही कमी होते. ही पद्धत विस्तारक्षम आहे आणि बेअरिंग्जसारख्या फिरणाऱ्या यंत्रांच्या इतर घटकांनाही लागू केली जाऊ शकते.ग्रहीय गियर्स.

हे संशोधन इंडस्ट्री ४.० आणि स्मार्ट मॅन्युफॅक्चरिंगच्या व्यापक क्षेत्रासाठी बुद्धिमान दोष निदान प्रणालींच्या विकासातील एक पुढचे पाऊल आहे. स्वचालन आणि यंत्रांची विश्वसनीयता अधिकाधिक महत्त्वपूर्ण होत असल्याने,