У значајном развоју за област механичке дијагностике, нова студија је показала ефикасност комбиновања биспектра модулационог сигнала (MSB) са конволуционим неуронским мрежама (CNN) за дијагнозу квароваспирални конусни зупчанициОвај иновативни приступ обећава побољшану тачност, брже откривање и интелигентнији дијагностички систем за високоперформансне мењаче који се користе уваздухопловне, аутомобилске и индустријске примене.

Спиралаконусни зупчаницису критичне компоненте преносника које се налазе у машинама са високим обртним моментом, хеликоптерима, бродским погонским системима и тешким индустријским редукторима. Због њихове сложене геометрије и радних услова, рано откривање кварова зупчаника као што су тачкаста корозија, хабање и ломљење зубаца остаје технички изазов. Традиционалне технике обраде сигнала често се боре са сметњама шума и нелинеарним карактеристикама кварова.

Нова метода уводи двостепени оквир за дијагнозу квара. Прво, вибрациони сигнали које генерише систем радног зупчаника анализирају се коришћењем биспектра модулационог сигнала (MSB), технике спектралне анализе вишег реда која ефикасно хвата нелинеарне и негаусове карактеристике сигнала. MSB помаже у откривању суптилних модулисаних карактеристика квара које су обично скривене у стандардним фреквентним спектрима.

Затим се обрађени подаци сигнала трансформишу у временске фреквентне слике и уносе у конволуциону неуронску мрежу (CNN), модел дубоког учења способан да аутоматски издвоји карактеристике кварова високог нивоа и класификује стања зупчаника. Овај CNN модел је обучен да разликује исправне зупчанике, мање кварове и озбиљна оштећења при различитим условима оптерећења и брзине.

Експериментални резултати, спроведени на посебно дизајнираној платформи за испитивање спиралних конусних зупчаника, показују да MSB CNN приступ постиже преко 97% тачности класификације, надмашујући традиционалне методе као што је FFT анализа, па чак и друге технике дубоког учења које се ослањају на сирове податке о вибрацијама. Штавише, овај хибридни модел показује снажну отпорност на позадинску буку, што га чини погодним за индустријске примене у стварном свету.

Интеграција биспектра модулационог сигнала са CNN не само да побољшава перформансе препознавања грешака, већ и смањује ослањање на ручно пројектовање карактеристика, што је традиционално дуготрајан и стручно захтеван процес. Метода је скалабилна и може се применити на друге компоненте ротирајућих машина, као што су лежајеви ипланетарни зупчаници.

Ово истраживање представља корак напред у развоју интелигентних система за дијагностику кварова за Индустрију 4.0 и шире подручје паметне производње. Како аутоматизација и поузданост машина постају све важније,