در یک پیشرفت قابل توجه در حوزه تشخیص مکانیکی، یک مطالعه جدید اثربخشی ترکیب سیگنال مدولاسیون دوطیفی (MSB) با شبکه‌های عصبی کانولوشن (CNN) را برای تشخیص عیب نشان داده است.چرخ دنده های مخروطی مارپیچیاین رویکرد نوآورانه، نویدبخش دقت بیشتر، تشخیص سریع‌تر و یک سیستم تشخیصی هوشمندتر برای گیربکس‌های با عملکرد بالا است که در ... استفاده می‌شوند.هوافضا، خودرو و کاربردهای صنعتی.

مارپیچچرخ دنده های مخروطیاجزای انتقال قدرت حیاتی هستند که در ماشین‌آلات با گشتاور بالا، هلیکوپترها، سیستم‌های رانش دریایی و گیربکس‌های صنعتی سنگین یافت می‌شوند. با توجه به هندسه پیچیده و شرایط عملیاتی آنها، تشخیص زودهنگام عیوب چرخ‌دنده‌ها مانند حفره‌دار شدن، سایش و شکستگی دندانه همچنان یک چالش فنی است. تکنیک‌های پردازش سیگنال سنتی اغلب با تداخل نویز و ویژگی‌های عیوب غیرخطی دست و پنجه نرم می‌کنند.

این روش جدید یک چارچوب تشخیص عیب دو مرحله‌ای را معرفی می‌کند. ابتدا سیگنال‌های ارتعاشی تولید شده توسط سیستم دنده در حال کار با استفاده از دوطیف سیگنال مدولاسیون (MSB) تجزیه و تحلیل می‌شوند. MSB یک تکنیک تجزیه و تحلیل طیفی مرتبه بالاتر است که به طور موثر ویژگی‌های غیرخطی و غیر گاوسی سیگنال را ثبت می‌کند. MSB به آشکار کردن ویژگی‌های ظریف عیب مدوله شده که معمولاً در طیف‌های فرکانسی استاندارد پنهان هستند، کمک می‌کند.

در مرحله بعد، داده‌های سیگنال پردازش‌شده به تصاویر فرکانس زمانی تبدیل شده و به یک شبکه عصبی کانولوشن (CNN) که یک مدل یادگیری عمیق است و قادر به استخراج خودکار ویژگی‌های خطای سطح بالا و طبقه‌بندی شرایط چرخ‌دنده است، داده می‌شوند. این مدل CNN برای تمایز بین چرخ‌دنده‌های سالم، خطاهای جزئی و آسیب‌های شدید در شرایط مختلف بار و سرعت آموزش دیده است.

نتایج تجربی که بر روی یک دستگاه تست چرخ‌دنده مخروطی مارپیچی سفارشی انجام شده است، نشان می‌دهد که رویکرد MSB CNN به دقت طبقه‌بندی بیش از 97٪ دست می‌یابد و از روش‌های سنتی مانند تحلیل مبتنی بر FFT و حتی سایر تکنیک‌های یادگیری عمیق که به داده‌های ارتعاش خام متکی هستند، پیشی می‌گیرد. علاوه بر این، این مدل ترکیبی در برابر نویز پس‌زمینه مقاومت بالایی از خود نشان می‌دهد و آن را برای کاربردهای صنعتی دنیای واقعی مناسب می‌سازد.

ادغام دوطیف سیگنال مدولاسیون با CNN نه تنها عملکرد تشخیص خطا را افزایش می‌دهد، بلکه اتکا به مهندسی دستی ویژگی‌ها را که به طور سنتی یک فرآیند زمان‌بر و وابسته به تخصص است، کاهش می‌دهد. این روش مقیاس‌پذیر است و می‌تواند برای سایر اجزای ماشین‌آلات دوار، مانند یاتاقان‌ها و ... اعمال شود.چرخ دنده های سیاره ای.

این تحقیق گامی رو به جلو در توسعه سیستم‌های تشخیص خطای هوشمند برای صنعت ۴.۰ و حوزه وسیع‌تر تولید هوشمند است. از آنجایی که اتوماسیون و قابلیت اطمینان ماشین‌آلات به طور فزاینده‌ای حیاتی می‌شوند،