Во значаен развој во областа на механичката дијагностика, нова студија ја покажа ефикасноста на комбинирањето на биспектрумот на модулацискиот сигнал (MSB) со конволуционите невронски мрежи (CNN) за дијагностицирање на грешки наспирални конусни запчанициОвој иновативен пристап ветува подобрена точност, побрзо откривање и поинтелигентен дијагностички систем за менувачи со високи перформанси што се користат вовоздухопловна, автомобилска и индустриска примена.

Спиралаконусни запчаницисе критични компоненти на преносот што се наоѓаат во машини со висок вртежен момент, хеликоптери, поморски погонски системи и тешки индустриски редуктори. Поради нивната сложена геометрија и работни услови, раното откривање на дефекти на запчаниците како што се вдлабнатини, абење и кршење на запците останува технички предизвик. Традиционалните техники за обработка на сигнали честопати се борат со пречки во бучавата и нелинеарните карактеристики на дефектите.

Новиот метод воведува рамка за дијагностицирање на грешки во две фази. Прво, вибрационите сигнали генерирани од оперативниот систем на запчаници се анализираат со помош на биспектрум на модулациски сигнал (MSB), техника на спектрална анализа од повисок ред која ефикасно ги опфаќа нелинеарните и негаусовите карактеристики на сигналот. MSB помага да се откријат суптилните модулирани карактеристики на грешките кои обично се скриени во стандардните фреквенциски спектри.

Потоа, обработените податоци од сигналот се трансформираат во слики од временска фреквенција и се внесуваат во конволуциона невронска мрежа (CNN), модел за длабинско учење способен автоматски да извлекува карактеристики на грешки на високо ниво и да ги класифицира состојбите на запчаниците. Овој CNN модел е трениран да прави разлика помеѓу здрави запчаници, помали грешки и сериозни оштетувања при различни услови на оптоварување и брзина.

Експерименталните резултати, спроведени на специјално дизајнирана тест платформа со спирален конусен запчаник, покажуваат дека пристапот MSB CNN постигнува точност на класификација од над 97%, надминувајќи ги традиционалните методи како што се анализата базирана на FFT, па дури и други техники на длабоко учење кои се потпираат на сурови податоци за вибрации. Покрај тоа, овој хибриден модел покажува силна робусност на позадинскиот шум, што го прави погоден за индустриски апликации во реалниот свет.

Интеграцијата на биспектрумот на модулацискиот сигнал со CNN не само што ги подобрува перформансите за препознавање на грешки, туку и ја намалува зависноста од рачно инженерство на карактеристики, што традиционално е процес што одзема многу време и зависи од експертиза. Методот е скалабилен и може да се примени на други компоненти на ротирачки машини, како што се лежишта и...планетарни запчаници.

Ова истражување претставува чекор напред во развојот на интелигентни системи за дијагностицирање на грешки за Индустрија 4.0 и пошироката област на паметно производство. Бидејќи автоматизацијата и сигурноста на машините стануваат сè поважни,