Механикалық диагностика саласы үшін маңызды жаңалық ретінде жаңа зерттеу ақаулықтарды диагностикалау үшін модуляциялық сигнал биспектрін (MSB) конволюциялық нейрондық желілермен (CNN) біріктірудің тиімділігін көрсетті.спиральды конус тәрізді берілістерБұл инновациялық тәсіл жоғары өнімді беріліс қораптары үшін дәлдікті арттыруға, жылдам анықтауға және ақылды диагностикалық жүйені уәде етеді.аэроғарыштық, автомобильдік және өнеркәсіптік қолданыстар.

Спиральконус тәрізді берілістержоғары моменттік машиналарда, тікұшақтарда, теңіз қозғалтқыш жүйелерінде және ауыр жүк көтергіш өнеркәсіптік редукторларда кездесетін маңызды беріліс компоненттері болып табылады. Күрделі геометриясы мен пайдалану жағдайларына байланысты, шұңқырлардың пайда болуы, тозуы және тістердің сынуы сияқты беріліс ақауларын ерте анықтау техникалық қиындық болып қала береді. Дәстүрлі сигналды өңдеу әдістері көбінесе шу кедергілерімен және сызықтық емес ақаулық сипаттамаларымен күреседі.

Жаңа әдіс екі сатылы ақаулықтарды диагностикалау жүйесін енгізеді. Алдымен жұмыс істейтін беріліс жүйесі шығаратын діріл сигналдары сигналдың сызықтық емес және Гаусс емес ерекшеліктерін тиімді түрде түсіретін жоғары ретті спектрлік талдау әдісі - модуляциялық сигнал биспектрін (MSB) пайдаланып талданады. MSB әдетте стандартты жиілік спектрлерінде жасырылған нәзік модуляцияланған ақаулық сипаттамаларын анықтауға көмектеседі.

Әрі қарай, өңделген сигнал деректері уақыт жиілігінің кескіндеріне түрлендіріледі және жоғары деңгейлі ақаулық белгілерін автоматты түрде алуға және беріліс жағдайларын жіктеуге қабілетті терең оқыту моделі болып табылатын конволюциялық нейрондық желіге (CNN) беріледі. Бұл CNN моделі әртүрлі жүктеме мен жылдамдық жағдайларында сау берілістерді, кішігірім ақауларды және ауыр зақымдарды ажыратуға үйретілген.

Арнайы жасалған спиральды конус тәрізді тісті доңғалақты сынау қондырғысында жүргізілген эксперименттік нәтижелер MSB CNN тәсілінің 97%-дан астам жіктеу дәлдігіне қол жеткізетінін, FFT негізіндегі талдау және тіпті шикі діріл деректеріне негізделген басқа да терең оқыту әдістері сияқты дәстүрлі әдістерден асып түсетінін көрсетеді. Сонымен қатар, бұл гибридті модель фондық шуға беріктігін көрсетеді, бұл оны нақты әлемдегі өнеркәсіптік қолданбаларға жарамды етеді.

Модуляция сигналының биспектрін CNN-мен біріктіру ақауларды тану өнімділігін арттырып қана қоймай, сонымен қатар дәстүрлі түрде уақытты қажет ететін және тәжірибеге тәуелді процесс болып табылатын қолмен ерекшеліктерді жобалауға тәуелділікті азайтады. Әдіс масштабталатын және мойынтіректер мен басқа айналмалы машина компоненттеріне қолданылуы мүмкін.планеталық берілістер.

Бұл зерттеу Industry 4.0 және ақылды өндірістің кең саласы үшін интеллектуалды ақауларды диагностикалау жүйелерін әзірлеудегі алға жылжу болып табылады. Автоматтандыру және машина сенімділігі барған сайын маңызды бола түскен сайын,