Jaunā pētījumā, kas ir nozīmīgs sasniegums mehāniskās diagnostikas jomā, ir pierādīta modulācijas signāla bispektra (MSB) apvienošanas ar konvolucionālajiem neironu tīkliem (CNN) efektivitāte defektu diagnostikā.spirālveida konusveida zobratiŠī inovatīvā pieeja sola uzlabotu precizitāti, ātrāku noteikšanu un viedāku diagnostikas sistēmu augstas veiktspējas pārnesumkārbām, ko izmantokosmosa, automobiļu un rūpniecības lietojumprogrammas.

Spirālekonusveida zobratiir kritiski svarīgas transmisijas sastāvdaļas, kas atrodamas mašīnās ar lielu griezes momentu, helikopteros, kuģu dzinējsistēmās un lieljaudas rūpnieciskajos reduktoros. To sarežģītās ģeometrijas un ekspluatācijas apstākļu dēļ zobratu defektu, piemēram, bedrīšu, nodiluma un zobu lūzuma, agrīna noteikšana joprojām ir tehnisks izaicinājums. Tradicionālās signālu apstrādes metodes bieži vien cīnās ar trokšņa traucējumiem un nelineārām defektu raksturlielumiem.

Jaunā metode ievieš divpakāpju defektu diagnostikas sistēmu. Vispirms, izmantojot modulācijas signāla bispektru (MSB) — augstākas kārtas spektrālās analīzes metodi, kas efektīvi uztver signāla nelineārās un ne-Gausa raksturlielumus, tiek analizēti darba mehānisma radītie vibrācijas signāli. MSB palīdz atklāt smalkas modulētas defektu īpašības, kas parasti ir paslēptas standarta frekvenču spektros.

Pēc tam apstrādātie signāla dati tiek pārveidoti laika frekvences attēlos un padoti konvolucionālajam neironu tīklam (CNN) — dziļās mācīšanās modelim, kas spēj automātiski iegūt augsta līmeņa defektu pazīmes un klasificēt pārnesumu stāvokļus. Šis CNN modelis ir apmācīts atšķirt veselus pārnesumus, nelielus defektus un nopietnus bojājumus dažādos slodzes un ātruma apstākļos.

Eksperimentālie rezultāti, kas veikti uz īpaši izstrādātas spirālveida konusveida zobratu testa iekārtas, liecina, ka MSB CNN pieeja sasniedz vairāk nekā 97% klasifikācijas precizitāti, pārspējot tradicionālās metodes, piemēram, uz FFT balstītu analīzi un pat citas dziļās mācīšanās metodes, kas balstās uz neapstrādātiem vibrācijas datiem. Turklāt šim hibrīdajam modelim ir spēcīga noturība pret fona troksni, padarot to piemērotu reāliem rūpnieciskiem lietojumiem.

Modulācijas signāla bispektra integrācija ar CNN ne tikai uzlabo kļūdu atpazīšanas veiktspēju, bet arī samazina manuālas elementu inženierijas izmantošanu, kas tradicionāli ir laikietilpīgs un zināšanu ziņā atkarīgs process. Metode ir mērogojama un to var pielietot arī citām rotējošām mašīnu sastāvdaļām, piemēram, gultņiem unplanētu pārnesumi.

Šis pētījums ir solis uz priekšu intelektuālu kļūmju diagnostikas sistēmu izstrādē 4.0 rūpniecībai un plašākai viedās ražošanas jomai. Tā kā automatizācija un mašīnu uzticamība kļūst arvien svarīgāka,