En signifa evoluo por la kampo de mekanika diagnozo, nova studo montris la efikecon de kombinado de modulada signala bispektro (MSB) kun konvoluciaj neŭralaj retoj (CNN) por la erardiagnozo despiralaj konusaj dentradojĈi tiu noviga aliro promesas plibonigitan precizecon, pli rapidan detekton kaj pli inteligentan diagnozan sistemon por alt-efikecaj rapidumujoj uzataj enaerspacaj, aŭtomobilaj kaj industriaj aplikoj.

Spiralokonusaj dentradojestas kritikaj transmisiaj komponantoj troveblaj en maŝinoj kun alta tordmomanto, helikopteroj, maraj propulssistemoj kaj pezaj industriaj reduktiloj. Pro ilia kompleksa geometrio kaj funkciaj kondiĉoj, frua detekto de dentradaj difektoj kiel kaviĝoj, eluziĝo kaj dentorompo restas teknika defio. Tradiciaj signal-prilaboraj teknikoj ofte luktas kun bruinterfero kaj nelinearaj difektaj karakterizaĵoj.

La nova metodo enkondukas duŝtupan kadron por diagnozi erarojn. Unue, la vibraj signaloj generitaj de la funkciiga ilarsistemo estas analizitaj uzante moduladan signalan bispektron (MSB), pli altnivelan spektran analizan teknikon, kiu efike kaptas la nelinearajn kaj ne-gaŭsajn trajtojn de la signalo. MSB helpas malkaŝi subtilajn modulitajn erarajn karakterizaĵojn, kiuj estas tipe kaŝitaj en normaj frekvencaj spektroj.

Poste, la prilaboritaj signaldatumoj estas transformitaj en tempofrekvencajn bildojn kaj enigitaj en konvolucian neŭronan reton (CNN), profundan lernan modelon kapablan aŭtomate eltiri altnivelajn difektajn trajtojn kaj klasifiki ilarkondiĉojn. Ĉi tiu CNN-modelo estas trejnita por diferencigi inter sanaj ilaroj, negravaj difektoj kaj severaj difektoj laŭ malsamaj ŝarĝo- kaj rapidkondiĉoj.

La eksperimentaj rezultoj, faritaj sur speciale desegnita spirala konusa dentrado-testplatformo, montras, ke la MSB CNN-metodo atingas pli ol 97% da klasifikprecizeco, superante tradiciajn metodojn kiel FFT-bazitan analizon kaj eĉ aliajn profundajn lernado-teknikojn, kiuj dependas de krudaj vibradaj datumoj. Krome, ĉi tiu hibrida modelo montras fortan fortikecon al fona bruo, igante ĝin taŭga por realmondaj industriaj aplikoj.

La integriĝo de modulada signala duspektro kun CNN ne nur plibonigas la rendimenton de erarrekono, sed ankaŭ reduktas la dependecon de mana trajta inĝenierado, tradicie tempopostula kaj kompetenteco-dependa procezo. La metodo estas skalebla kaj aplikebla al aliaj rotaciantaj maŝinaj komponantoj, kiel ekzemple pendaĵoj kajplanedaj ilaroj.

Ĉi tiu esplorado reprezentas paŝon antaŭen en la disvolviĝo de inteligentaj sistemoj por diagnozi erarojn por Industrio 4.0 kaj la pli vasta kampo de inteligenta fabrikado. Ĉar aŭtomatigo kaj maŝina fidindeco fariĝas pli kaj pli gravaj,