മെക്കാനിക്കൽ ഡയഗ്നോസ്റ്റിക്സ് മേഖലയിലെ ഒരു സുപ്രധാന സംഭവവികാസത്തിൽ, മോഡുലേഷൻ സിഗ്നൽ ബൈസ്പെക്ട്രം (MSB) കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുമായി (CNN) സംയോജിപ്പിക്കുന്നതിന്റെ ഫലപ്രാപ്തി ഒരു പുതിയ പഠനം തെളിയിച്ചിട്ടുണ്ട്, ഇത് തകരാറുകളുടെ രോഗനിർണയത്തിനായിസ്പൈറൽ ബെവൽ ഗിയറുകൾ. ഈ നൂതന സമീപനം മെച്ചപ്പെട്ട കൃത്യത, വേഗത്തിലുള്ള കണ്ടെത്തൽ, ഉയർന്ന പ്രകടനമുള്ള ഗിയർബോക്‌സുകൾക്ക് കൂടുതൽ ബുദ്ധിപരമായ ഡയഗ്നോസ്റ്റിക് സിസ്റ്റം എന്നിവ വാഗ്ദാനം ചെയ്യുന്നു.എയ്‌റോസ്‌പേസ്, ഓട്ടോമോട്ടീവ്, വ്യാവസായിക ആപ്ലിക്കേഷനുകൾ.

സർപ്പിളംബെവൽ ഗിയറുകൾഉയർന്ന ടോർക്ക് യന്ത്രങ്ങൾ, ഹെലികോപ്റ്ററുകൾ, മറൈൻ പ്രൊപ്പൽഷൻ സിസ്റ്റങ്ങൾ, ഹെവി ഡ്യൂട്ടി ഇൻഡസ്ട്രിയൽ റിഡ്യൂസറുകൾ എന്നിവയിൽ കാണപ്പെടുന്ന നിർണായക ട്രാൻസ്മിഷൻ ഘടകങ്ങളാണ് ഇവ. സങ്കീർണ്ണമായ ജ്യാമിതിയും പ്രവർത്തന സാഹചര്യങ്ങളും കാരണം, കുഴിക്കൽ, തേയ്മാനം, പല്ല് പൊട്ടൽ തുടങ്ങിയ ഗിയർ തകരാറുകൾ നേരത്തേ കണ്ടെത്തുന്നത് ഒരു സാങ്കേതിക വെല്ലുവിളിയായി തുടരുന്നു. പരമ്പരാഗത സിഗ്നൽ പ്രോസസ്സിംഗ് ടെക്നിക്കുകൾ പലപ്പോഴും ശബ്ദ ഇടപെടലും രേഖീയമല്ലാത്ത തെറ്റ് സ്വഭാവസവിശേഷതകളും നേരിടുന്നു.

പുതിയ രീതി രണ്ട് ഘട്ടങ്ങളുള്ള ഫോൾട്ട് ഡയഗ്നോസിസ് ഫ്രെയിംവർക്ക് അവതരിപ്പിക്കുന്നു. ആദ്യം ഓപ്പറേറ്റിംഗ് ഗിയർ സിസ്റ്റം സൃഷ്ടിക്കുന്ന വൈബ്രേഷൻ സിഗ്നലുകൾ മോഡുലേഷൻ സിഗ്നൽ ബൈസ്പെക്ട്രം (MSB) ഉപയോഗിച്ച് വിശകലനം ചെയ്യുന്നു, ഇത് സിഗ്നലിന്റെ നോൺ ലീനിയർ, നോൺ ഗൗഷ്യൻ സവിശേഷതകൾ ഫലപ്രദമായി പിടിച്ചെടുക്കുന്ന ഒരു ഉയർന്ന ഓർഡർ സ്പെക്ട്രൽ വിശകലന സാങ്കേതികതയാണ്. സ്റ്റാൻഡേർഡ് ഫ്രീക്വൻസി സ്പെക്ട്രയിൽ സാധാരണയായി മറഞ്ഞിരിക്കുന്ന സൂക്ഷ്മമായ മോഡുലേറ്റഡ് ഫോൾട്ട് സവിശേഷതകൾ വെളിപ്പെടുത്താൻ MSB സഹായിക്കുന്നു.

അടുത്തതായി, പ്രോസസ്സ് ചെയ്ത സിഗ്നൽ ഡാറ്റ ടൈം ഫ്രീക്വൻസി ഇമേജുകളായി രൂപാന്തരപ്പെടുകയും ഉയർന്ന തലത്തിലുള്ള ഫോൾട്ട് സവിശേഷതകൾ സ്വയമേവ വേർതിരിച്ചെടുക്കാനും ഗിയർ അവസ്ഥകളെ തരംതിരിക്കാനും കഴിവുള്ള ഒരു ആഴത്തിലുള്ള പഠന മാതൃകയായ കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് (CNN) ഫീഡ് ചെയ്യുകയും ചെയ്യുന്നു. വ്യത്യസ്ത ലോഡ്, സ്പീഡ് സാഹചര്യങ്ങളിൽ ആരോഗ്യകരമായ ഗിയറുകൾ, ചെറിയ ഫോൾട്ടുകൾ, ഗുരുതരമായ കേടുപാടുകൾ എന്നിവ തമ്മിൽ വേർതിരിച്ചറിയാൻ ഈ CNN മോഡലിന് പരിശീലനം നൽകിയിട്ടുണ്ട്.

ഒരു കസ്റ്റം ഡിസൈൻ ചെയ്ത സ്പൈറൽ ബെവൽ ഗിയർ ടെസ്റ്റ് റിഗിൽ നടത്തിയ പരീക്ഷണ ഫലങ്ങൾ കാണിക്കുന്നത്, MSB CNN സമീപനം 97%-ത്തിലധികം വർഗ്ഗീകരണ കൃത്യത കൈവരിക്കുന്നുവെന്നും, FFT അധിഷ്ഠിത വിശകലനം പോലുള്ള പരമ്പരാഗത രീതികളെയും അസംസ്കൃത വൈബ്രേഷൻ ഡാറ്റയെ ആശ്രയിക്കുന്ന മറ്റ് ആഴത്തിലുള്ള പഠന സാങ്കേതിക വിദ്യകളെയും പോലും മറികടക്കുന്നുവെന്നും കാണിക്കുന്നു. മാത്രമല്ല, ഈ ഹൈബ്രിഡ് മോഡൽ പശ്ചാത്തല ശബ്ദത്തിന് ശക്തമായ കരുത്ത് പ്രകടിപ്പിക്കുന്നു, ഇത് യഥാർത്ഥ ലോകത്തിലെ വ്യാവസായിക ആപ്ലിക്കേഷനുകൾക്ക് അനുയോജ്യമാക്കുന്നു.

മോഡുലേഷൻ സിഗ്നൽ ബൈസ്പെക്ട്രത്തെ CNN-മായി സംയോജിപ്പിക്കുന്നത് ഫോൾട്ട് റെക്കഗ്നിഷൻ പ്രകടനം മെച്ചപ്പെടുത്തുക മാത്രമല്ല, പരമ്പരാഗതമായി സമയമെടുക്കുന്നതും വൈദഗ്ധ്യത്തെ ആശ്രയിക്കുന്നതുമായ ഒരു പ്രക്രിയയായ മാനുവൽ ഫീച്ചർ എഞ്ചിനീയറിംഗിനെ ആശ്രയിക്കുന്നത് കുറയ്ക്കുകയും ചെയ്യുന്നു. ഈ രീതി അളക്കാവുന്നതാണ്, കൂടാതെ ബെയറിംഗുകൾ പോലുള്ള മറ്റ് കറങ്ങുന്ന യന്ത്ര ഘടകങ്ങളിലും ഇത് പ്രയോഗിക്കാൻ കഴിയും.ഗ്രഹ ഗിയറുകൾ.

ഇൻഡസ്ട്രി 4.0 യ്ക്കും സ്മാർട്ട് മാനുഫാക്ചറിംഗിന്റെ വിശാലമായ മേഖലയ്ക്കുമുള്ള ഇന്റലിജന്റ് ഫോൾട്ട് ഡയഗ്നോസിസ് സിസ്റ്റങ്ങളുടെ വികസനത്തിൽ ഈ ഗവേഷണം ഒരു ചുവടുവയ്പ്പിനെ പ്രതിനിധീകരിക്കുന്നു. ഓട്ടോമേഷനും മെഷീൻ വിശ്വാസ്യതയും കൂടുതൽ പ്രധാനമായിക്കൊണ്ടിരിക്കുകയാണ്,