მექანიკური დიაგნოსტიკის სფეროსთვის მნიშვნელოვან განვითარებად ახალმა კვლევამ აჩვენა მოდულაციური სიგნალის ბისპექტურის (MSB) კონვოლუციურ ნეირონულ ქსელებთან (CNN) შერწყმის ეფექტურობა...სპირალური კონუსური მექანიზმებიეს ინოვაციური მიდგომა გვპირდება გაუმჯობესებულ სიზუსტეს, უფრო სწრაფ აღმოჩენას და უფრო ინტელექტუალურ დიაგნოსტიკურ სისტემას მაღალი ხარისხის გადაცემათა კოლოფებისთვის, რომლებიც გამოიყენებააერონავტიკის, საავტომობილო და სამრეწველო გამოყენებისთვის.

სპირალიკონუსური მექანიზმებიწარმოადგენს კრიტიკულ ტრანსმისიის კომპონენტებს, რომლებიც გვხვდება მაღალი ბრუნვის მომენტის მქონე მანქანებში, ვერტმფრენებში, საზღვაო ძრავის სისტემებსა და მძიმე სამრეწველო რედუქტორებში. მათი რთული გეომეტრიისა და ექსპლუატაციის პირობების გამო, გადაცემათა კოლოფის ისეთი გაუმართაობების ადრეული გამოვლენა, როგორიცაა ორმოები, ცვეთა და კბილების გატეხვა, ტექნიკურ გამოწვევად რჩება. სიგნალის დამუშავების ტრადიციული ტექნიკა ხშირად ებრძვის ხმაურის ჩარევას და არაწრფივ გაუმართაობის მახასიათებლებს.

ახალი მეთოდი ორეტაპიან ხარვეზის დიაგნოსტიკის ჩარჩოს წარმოადგენს. პირველ რიგში, მოქმედი მექანიზმის მიერ გენერირებული ვიბრაციის სიგნალები გაანალიზებულია მოდულაციის სიგნალის ბისპექტურის (MSB) გამოყენებით, რაც უფრო მაღალი რიგის სპექტრული ანალიზის ტექნიკაა, რომელიც ეფექტურად აღბეჭდავს სიგნალის არაწრფივ და არაგაუსისეულ მახასიათებლებს. MSB ხელს უწყობს მოდულირებული ხარვეზის დახვეწილი მახასიათებლების გამოვლენას, რომლებიც, როგორც წესი, სტანდარტული სიხშირის სპექტრებშია დამალული.

შემდეგ, დამუშავებული სიგნალის მონაცემები გარდაიქმნება დროის სიხშირის სურათებად და მიეწოდება კონვოლუციურ ნერვულ ქსელს (CNN), ღრმა სწავლების მოდელს, რომელსაც შეუძლია ავტომატურად ამოიღოს მაღალი დონის ხარვეზების მახასიათებლები და კლასიფიცირება გაუკეთოს გადაცემათა კოლოფის პირობებს. ეს CNN მოდელი გაწვრთნილია ისე, რომ განასხვავოს ნორმალური გადაცემათა კოლოფი, მცირე ხარვეზები და მძიმე დაზიანება სხვადასხვა დატვირთვისა და სიჩქარის პირობებში.

ექსპერიმენტული შედეგები, რომლებიც ჩატარდა სპეციალურად შექმნილ სპირალურ კონუსურ მექანიზმზე, აჩვენებს, რომ MSB CNN მიდგომა აღწევს 97%-ზე მეტ კლასიფიკაციის სიზუსტეს, რაც აღემატება ტრადიციულ მეთოდებს, როგორიცაა FFT-ზე დაფუძნებული ანალიზი და სხვა ღრმა სწავლების ტექნიკაც კი, რომლებიც ეყრდნობა ვიბრაციის ნედლ მონაცემებს. გარდა ამისა, ეს ჰიბრიდული მოდელი ავლენს ფონური ხმაურის მიმართ ძლიერ მდგრადობას, რაც მას რეალურ სამყაროში სამრეწველო გამოყენებისთვის შესაფერისს ხდის.

მოდულაციის სიგნალის ბისპექტურის CNN-თან ინტეგრაცია არა მხოლოდ აუმჯობესებს ხარვეზების ამოცნობის მუშაობას, არამედ ამცირებს ხელით მახასიათებლების ინჟინერიაზე დამოკიდებულებას, რაც ტრადიციულად დროის ხარჯვადი და ექსპერტიზაზე დამოკიდებული პროცესია. მეთოდი მასშტაბირებადია და შეიძლება გამოყენებულ იქნას სხვა მბრუნავი მანქანების კომპონენტებზე, როგორიცაა საკისრები დაპლანეტარული მექანიზმები.

ეს კვლევა წარმოადგენს წინ გადადგმულ ნაბიჯს ინტელექტუალური ხარვეზების დიაგნოსტიკის სისტემების შემუშავებაში ინდუსტრია 4.0-ისა და ჭკვიანი წარმოების უფრო ფართო სფეროსთვის. რადგან ავტომატიზაცია და დანადგარების საიმედოობა სულ უფრო მნიშვნელოვანი ხდება,