Sa isang mahalagang pag-unlad para sa larangan ng mekanikal na diagnostics, isang bagong pag-aaral ang nagpakita ng bisa ng pagsasama-sama ng modulation signal bispectrum (MSB) at convolutional neural networks (CNN) para sa fault diagnosis ng...mga spiral bevel gearNangangako ang makabagong pamamaraang ito ng pinahusay na katumpakan, mas mabilis na pagtuklas, at mas matalinong sistema ng pagsusuri para sa mga gearbox na may mataas na pagganap na ginagamit samga aplikasyon sa aerospace, automotive, at industriyal.

Paikotmga gear na bevelay mga kritikal na bahagi ng transmisyon na matatagpuan sa mga makinarya na may mataas na torque, mga helikopter, mga sistema ng propulsyon sa dagat, at mga heavy duty industrial reducers. Dahil sa kanilang kumplikadong geometry at mga kondisyon sa pagpapatakbo, ang maagang pagtuklas ng mga depekto sa gear tulad ng pitting, pagkasira, at pagkabali ng ngipin ay nananatiling isang teknikal na hamon. Ang mga tradisyonal na pamamaraan sa pagproseso ng signal ay kadalasang nahihirapan sa noise interference at mga katangian ng non linear fault.

Ang bagong pamamaraan ay nagpapakilala ng isang two-stage fault diagnosis framework. Una, ang mga vibration signal na nalilikha ng operating gear system ay sinusuri gamit ang modulation signal bispectrum (MSB), isang higher order spectral analysis technique na epektibong kumukuha ng mga non-linear at non-Gaussian features ng signal. Ang MSB ay tumutulong na ibunyag ang mga banayad na modulated fault characteristics na karaniwang nakatago sa standard frequency spectra.

Susunod, ang naprosesong datos ng signal ay binabago sa mga imahe ng time frequency at ipinapasok sa isang convolutional neural network (CNN) isang deep learning model na may kakayahang awtomatikong kumuha ng mga high level fault features at uriin ang mga kondisyon ng gear. Ang modelong CNN na ito ay sinanay upang makilala ang pagkakaiba sa pagitan ng malulusog na gears, maliliit na faults, at matinding pinsala sa iba't ibang kondisyon ng load at bilis.

Ang mga resulta ng eksperimento, na isinagawa sa isang pasadyang dinisenyong spiral bevel gear test rig, ay nagpapakita na ang pamamaraan ng MSB CNN ay nakakamit ng mahigit 97% na katumpakan ng klasipikasyon, na mas mahusay kaysa sa mga tradisyonal na pamamaraan tulad ng pagsusuri batay sa FFT at maging sa iba pang mga pamamaraan ng deep learning na umaasa sa hilaw na datos ng vibration. Bukod dito, ang hybrid model na ito ay nagpapakita ng matibay na katatagan sa ingay sa background, na ginagawa itong angkop para sa mga aplikasyon sa industriya sa totoong mundo.

Ang pagsasama ng modulation signal bispectrum sa CNN ay hindi lamang nagpapahusay sa pagganap ng pagkilala sa mga pagkakamali kundi binabawasan din ang pag-asa sa manu-manong feature engineering na tradisyonal na isang prosesong matagal at umaasa sa kadalubhasaan. Ang pamamaraan ay maaaring i-scalable at maaaring ilapat sa iba pang mga bahagi ng umiikot na makinarya, tulad ng mga bearings atmga planetary gear.

Ang pananaliksik na ito ay kumakatawan sa isang hakbang pasulong sa pagbuo ng mga intelligent fault diagnosis system para sa Industry 4.0 at sa mas malawak na larangan ng smart manufacturing. Habang ang automation at machine reliability ay nagiging lalong mahalaga,