મિકેનિકલ ડાયગ્નોસ્ટિક્સના ક્ષેત્ર માટે એક મહત્વપૂર્ણ વિકાસમાં, એક નવા અભ્યાસમાં ફોલ્ટ નિદાન માટે મોડ્યુલેશન સિગ્નલ બાયસ્પેક્ટ્રમ (MSB) ને કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (CNN) સાથે જોડવાની અસરકારકતા દર્શાવવામાં આવી છે.સર્પાકાર બેવલ ગિયર્સ. આ નવીન અભિગમ ઉચ્ચ પ્રદર્શન ગિયરબોક્સ માટે વધુ ચોકસાઈ, ઝડપી શોધ અને વધુ બુદ્ધિશાળી ડાયગ્નોસ્ટિક સિસ્ટમનું વચન આપે છેએરોસ્પેસ, ઓટોમોટિવ અને ઔદ્યોગિક એપ્લિકેશનો.

સર્પાકારબેવલ ગિયર્સઉચ્ચ ટોર્ક મશીનરી, હેલિકોપ્ટર, મરીન પ્રોપલ્શન સિસ્ટમ્સ અને હેવી ડ્યુટી ઔદ્યોગિક રીડ્યુસર્સમાં જોવા મળતા મહત્વપૂર્ણ ટ્રાન્સમિશન ઘટકો છે. તેમની જટિલ ભૂમિતિ અને કાર્યકારી પરિસ્થિતિઓને કારણે, ખાડા, ઘસારો અને દાંત તૂટવા જેવા ગિયર ખામીઓનું વહેલું નિદાન એક તકનીકી પડકાર રહે છે. પરંપરાગત સિગ્નલ પ્રોસેસિંગ તકનીકો ઘણીવાર અવાજ હસ્તક્ષેપ અને બિન-રેખીય ખામી લાક્ષણિકતાઓ સાથે સંઘર્ષ કરે છે.

નવી પદ્ધતિ બે તબક્કાના ફોલ્ટ નિદાન માળખાનો પરિચય આપે છે. સૌપ્રથમ ઓપરેટિંગ ગિયર સિસ્ટમ દ્વારા ઉત્પન્ન થતા વાઇબ્રેશન સિગ્નલોનું વિશ્લેષણ મોડ્યુલેશન સિગ્નલ બાયસ્પેક્ટ્રમ (MSB) નો ઉપયોગ કરીને કરવામાં આવે છે, જે એક ઉચ્ચ ક્રમનું સ્પેક્ટ્રલ વિશ્લેષણ તકનીક છે જે સિગ્નલના બિન-રેખીય અને બિન-ગૌસીયન લક્ષણોને અસરકારક રીતે કેપ્ચર કરે છે. MSB સૂક્ષ્મ મોડ્યુલેટેડ ફોલ્ટ લાક્ષણિકતાઓને જાહેર કરવામાં મદદ કરે છે જે સામાન્ય રીતે પ્રમાણભૂત આવર્તન સ્પેક્ટ્રામાં છુપાયેલી હોય છે.

આગળ, પ્રોસેસ્ડ સિગ્નલ ડેટાને ટાઇમ ફ્રીક્વન્સી ઇમેજમાં રૂપાંતરિત કરવામાં આવે છે અને કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (CNN) માં ફીડ કરવામાં આવે છે, જે એક ડીપ લર્નિંગ મોડેલ છે જે આપમેળે ઉચ્ચ સ્તરની ફોલ્ટ સુવિધાઓ કાઢવા અને ગિયર સ્થિતિઓનું વર્ગીકરણ કરવા સક્ષમ છે. આ CNN મોડેલને વિવિધ લોડ અને ગતિ પરિસ્થિતિઓમાં સ્વસ્થ ગિયર્સ, નાના ખામીઓ અને ગંભીર નુકસાન વચ્ચે તફાવત કરવા માટે તાલીમ આપવામાં આવી છે.

કસ્ટમ ડિઝાઇન કરેલા સર્પાકાર બેવલ ગિયર ટેસ્ટ રિગ પર હાથ ધરવામાં આવેલા પ્રાયોગિક પરિણામો દર્શાવે છે કે MSB CNN અભિગમ 97% થી વધુ વર્ગીકરણ ચોકસાઈ પ્રાપ્ત કરે છે, જે FFT આધારિત વિશ્લેષણ જેવી પરંપરાગત પદ્ધતિઓ અને કાચા વાઇબ્રેશન ડેટા પર આધાર રાખતી અન્ય ડીપ લર્નિંગ તકનીકોને પણ પાછળ છોડી દે છે. વધુમાં, આ હાઇબ્રિડ મોડેલ પૃષ્ઠભૂમિ અવાજ માટે મજબૂત મજબૂતાઈ દર્શાવે છે, જે તેને વાસ્તવિક દુનિયાના ઔદ્યોગિક એપ્લિકેશનો માટે યોગ્ય બનાવે છે.

CNN સાથે મોડ્યુલેશન સિગ્નલ બાયસ્પેક્ટ્રમનું એકીકરણ માત્ર ફોલ્ટ ઓળખ કામગીરીમાં વધારો કરતું નથી પરંતુ પરંપરાગત રીતે સમય માંગી લેતી અને કુશળતા આધારિત પ્રક્રિયા મેન્યુઅલ ફીચર એન્જિનિયરિંગ પરની નિર્ભરતાને પણ ઘટાડે છે. આ પદ્ધતિ સ્કેલેબલ છે અને તેને અન્ય ફરતી મશીનરી ઘટકો, જેમ કે બેરિંગ્સ અને પર લાગુ કરી શકાય છે.ગ્રહોના ગિયર્સ.

આ સંશોધન ઇન્ડસ્ટ્રી 4.0 અને સ્માર્ટ મેન્યુફેક્ચરિંગના વ્યાપક ક્ષેત્ર માટે બુદ્ધિશાળી ફોલ્ટ નિદાન પ્રણાલીઓના વિકાસમાં એક પગલું આગળ દર્શાવે છે. જેમ જેમ ઓટોમેશન અને મશીન વિશ્વસનીયતા વધુને વધુ મહત્વપૂર્ણ બનતી જાય છે,