Mexaniki diaqnostika sahəsində əhəmiyyətli bir inkişaf olaraq, yeni bir araşdırma, modulyasiya siqnal bispektrini (MSB) konvolyusiya neyron şəbəkələri (CNN) ilə birləşdirməyin nasazlıq diaqnozu üçün effektivliyini nümayiş etdirdi.spiral əyri dişlilərBu innovativ yanaşma, istifadə edilən yüksək performanslı ötürücü qutular üçün daha yüksək dəqiqlik, daha sürətli aşkarlama və daha ağıllı diaqnostika sistemi vəd edir.aerokosmik, avtomobil və sənaye tətbiqləri.

Spiralkonik dişliləryüksək fırlanma momenti olan maşınlarda, helikopterlərdə, dəniz mühərrik sistemlərində və ağır sənaye reduktorlarında rast gəlinən vacib ötürücü komponentlərdir. Mürəkkəb həndəsə və istismar şərtlərinə görə, dişli çarxlarının çuxurlanması, aşınması və diş qırılması kimi nasazlıqlarının erkən aşkarlanması texniki bir çətinlik olaraq qalır. Ənənəvi siqnal emalı üsulları tez-tez səs-küy müdaxiləsi və qeyri-xətti nasazlıq xüsusiyyətləri ilə mübarizə aparır.

Yeni metod iki mərhələli nasazlıq diaqnozu çərçivəsini təqdim edir. Əvvəlcə işləyən dişli sistemi tərəfindən yaradılan vibrasiya siqnalları, siqnalın qeyri-xətti və qeyri-Qauss xüsusiyyətlərini effektiv şəkildə əks etdirən daha yüksək dərəcəli spektral analiz texnikası olan modulyasiya siqnal bispektrumundan (MSB) istifadə edərək təhlil edilir. MSB, adətən standart tezlik spektrlərində gizlənən incə modulyasiya edilmiş nasazlıq xüsusiyyətlərini aşkar etməyə kömək edir.

Daha sonra, işlənmiş siqnal məlumatları zaman tezliyi görüntülərinə çevrilir və yüksək səviyyəli nasazlıq xüsusiyyətlərini avtomatik olaraq çıxarmağa və dişli vəziyyətlərini təsnif etməyə qadir olan dərin öyrənmə modeli olan konvolyusion neyron şəbəkəsinə (CNN) ötürülür. Bu CNN modeli müxtəlif yük və sürət şəraitində sağlam dişlilər, kiçik nasazlıqlar və ciddi zədələr arasında fərq qoymaq üçün öyrədilir.

Xüsusi hazırlanmış spiral əyri dişli sınaq qurğusunda aparılan eksperimental nəticələr göstərir ki, MSB CNN yanaşması FFT əsaslı analiz və hətta xam vibrasiya məlumatlarına əsaslanan digər dərin öyrənmə üsulları kimi ənənəvi metodlardan daha yaxşı nəticə verərək 97%-dən çox təsnifat dəqiqliyinə nail olur. Bundan əlavə, bu hibrid model fon səs-küyünə qarşı güclü davamlılıq nümayiş etdirir və bu da onu real dünya sənaye tətbiqləri üçün uyğun edir.

Modulyasiya siqnal bispektrumunun CNN ilə inteqrasiyası yalnız nasazlığın tanınması performansını artırmaqla yanaşı, həm də ənənəvi olaraq vaxt aparan və təcrübədən asılı olan əl ilə işləyən xüsusiyyət mühəndisliyinə olan etibarı azaldır. Metod miqyaslana bilər və yataklar və digər fırlanan maşın komponentlərinə tətbiq oluna bilər.planetar dişlilər.

Bu tədqiqat, Sənaye 4.0 və daha geniş ağıllı istehsalın sahəsi üçün ağıllı nasazlıq diaqnozu sistemlərinin inkişafında irəliyə doğru bir addımdır. Avtomatlaşdırma və maşın etibarlılığı getdikcə daha vacib hala gəldikcə,