Մեխանիկական ախտորոշման ոլորտի համար նշանակալի զարգացման շրջանակներում նոր ուսումնասիրությունը ցույց է տվել մոդուլյացիոն ազդանշանի երկսպեկտրի (MSB) և կոնվոլյուցիոն նեյրոնային ցանցերի (CNN) համակցման արդյունավետությունը՝ խափանումների ախտորոշման համար։պարուրաձև կոնաձև ատամնանիվներԱյս նորարարական մոտեցումը խոստանում է բարելավված ճշգրտություն, ավելի արագ հայտնաբերում և ավելի խելացի ախտորոշիչ համակարգ՝ օգտագործվող բարձր արդյունավետությամբ փոխանցման տուփերի համար։ավիատիեզերական, ավտոմոբիլային և արդյունաբերական կիրառություններ։

Սպիրալկոնաձև ատամնանիվներբարձր պտտող մոմենտի մեքենաներում, ուղղաթիռներում, ծովային շարժիչային համակարգերում և ծանր արդյունաբերական ռեդուկտորներում հանդիպող կարևոր փոխանցման բաղադրիչներ են: Իրենց բարդ երկրաչափության և շահագործման պայմանների պատճառով, փոխանցման տուփի խափանումների, ինչպիսիք են փոսերի առաջացումը, մաշվածությունը և ատամների կոտրվածքը, վաղ հայտնաբերումը մնում է տեխնիկական մարտահրավեր: Ավանդական ազդանշանների մշակման տեխնիկաները հաճախ դժվարանում են աղմուկի խանգարման և ոչ գծային խափանումների բնութագրերի հետ:

Նոր մեթոդը ներկայացնում է երկփուլային խափանումների ախտորոշման շրջանակ: Նախ, գործող մեխանիզմի համակարգի կողմից առաջացած տատանման ազդանշանները վերլուծվում են մոդուլյացիոն ազդանշանի երկսպեկտրի (MSB) միջոցով, որը բարձր կարգի սպեկտրալ վերլուծության տեխնիկա է, որը արդյունավետորեն որսում է ազդանշանի ոչ գծային և ոչ գաուսյան առանձնահատկությունները: MSB-ն օգնում է բացահայտել մոդուլացված խափանումների նուրբ բնութագրերը, որոնք սովորաբար թաքնված են ստանդարտ հաճախականության սպեկտրներում:

Հաջորդը, մշակված ազդանշանային տվյալները վերածվում են ժամանակային հաճախականության պատկերների և մատակարարվում են կոնվոլյուցիոն նեյրոնային ցանցի (CNN) մեջ, որը խորը ուսուցման մոդել է, որը կարող է ավտոմատ կերպով արդյունահանել բարձր մակարդակի խափանումների հատկանիշներ և դասակարգել փոխանցման պայմանները: Այս CNN մոդելը մարզված է տարբերակելու առողջ փոխանցման մեխանիզմները, աննշան խափանումները և լուրջ վնասները տարբեր բեռի և արագության պայմաններում:

Հատուկ նախագծված պարուրաձև կոնաձև ատամնանիվների փորձարկման սարքի վրա կատարված փորձարարական արդյունքները ցույց են տալիս, որ MSB CNN մոտեցումը հասնում է ավելի քան 97% դասակարգման ճշգրտության՝ գերազանցելով ավանդական մեթոդներին, ինչպիսիք են FFT-ի վրա հիմնված վերլուծությունը և նույնիսկ այլ խորը ուսուցման տեխնիկաները, որոնք հիմնված են թրթռման հում տվյալների վրա: Ավելին, այս հիբրիդային մոդելը ցուցաբերում է ուժեղ կայունություն ֆոնային աղմուկի նկատմամբ, ինչը այն հարմար է դարձնում իրական աշխարհի արդյունաբերական կիրառությունների համար:

Մոդուլյացիոն ազդանշանի երկսպեկտրի ինտեգրումը CNN-ի հետ ոչ միայն բարելավում է սխալների ճանաչման արդյունավետությունը, այլև նվազեցնում է ձեռքով կատարվող հատկանիշների մշակման վրա կախվածությունը, որը ավանդաբար ժամանակատար և փորձագիտությունից կախված գործընթաց է։ Մեթոդը մասշտաբային է և կարող է կիրառվել այլ պտտվող մեքենաների բաղադրիչների վրա, ինչպիսիք են կրողները և այլն։մոլորակային ատամնանիվներ.

Այս հետազոտությունը առաջընթաց քայլ է Արդյունաբերություն 4.0-ի և խելացի արտադրության ավելի լայն ոլորտի համար ինտելեկտուալ խափանումների ախտորոշման համակարգերի մշակման գործում: Քանի որ ավտոմատացումը և մեքենաների հուսալիությունը դառնում են ավելի ու ավելի կարևոր,