Yn in wichtige ûntwikkeling foar it mêd fan meganyske diagnostyk hat in nije stúdzje de effektiviteit oantoand fan it kombinearjen fan modulaasjesignaalbispektrum (MSB) mei konvolúsjonele neurale netwurken (CNN) foar de foutdiagnose fanspiraalfoarmige kegeltandwielenDizze ynnovative oanpak belooft ferbettere krektens, fluggere deteksje en in yntelliginter diagnostysk systeem foar hege prestaasjes fersnellingsbakken dy't brûkt wurde ynloftfeart, auto's en yndustriële tapassingen.

Spiraalkegeltandwielenbinne krityske oerdrachtkomponinten dy't fûn wurde yn masines mei hege koppel, helikopters, marine-oandriuwingssystemen en swiere yndustriële reduksjegearders. Fanwegen har komplekse geometry en operasjonele omstannichheden bliuwt it betiid opspoaren fan fersnellingsbakfouten lykas pitting, wear en toskbrekken in technyske útdaging. Tradisjonele sinjaalferwurkingstechniken hawwe faak muoite mei lûdsynterferinsje en net-lineaire flaterkarakteristiken.

De nije metoade yntrodusearret in twa-faze ramt foar foutdiagnose. Earst wurde de trillingssignalen generearre troch it bestjoeringssysteem analysearre mei modulaasjesignaalbispectrum (MSB), in spektrale analysetechnyk fan hegere oarder dy't effektyf de net-lineêre en net-Gaussyske skaaimerken fan it sinjaal fêstleit. MSB helpt subtile modulearre foutkarakteristiken te iepenbierjen dy't typysk ferburgen binne yn standertfrekwinsjespektra.

Folgjende wurde de ferwurke sinjaalgegevens omset yn tiidfrekwinsjeôfbyldings en ynfierd yn in konvolúsjoneel neuraal netwurk (CNN), in djip learmodel dat automatysk hege-nivo flaterfunksjes kin ekstrahearje en gearkondysjes kin klassifisearje. Dit CNN-model is oplaat om ûnderskied te meitsjen tusken sûne gears, lytse flaters en swiere skea by ferskate lading- en snelheidsomstannichheden.

De eksperimintele resultaten, útfierd op in oanpast ûntworpen spiraalfoarmige kegeltandwieltestrig, litte sjen dat de MSB CNN-oanpak in klassifikaasjenauwkeurigens fan mear as 97% berikt, en better presteart as tradisjonele metoaden lykas FFT-basearre analyze en sels oare djippe leartechniken dy't fertrouwe op rau trillingsgegevens. Boppedat toant dit hybride model in sterke robuustheid tsjin eftergrûnlûd, wêrtroch it geskikt is foar yndustriële tapassingen yn 'e echte wrâld.

De yntegraasje fan modulaasjesignaalbispektrum mei CNN ferbetteret net allinich de prestaasjes fan foutherkenning, mar ferminderet ek de ôfhinklikens fan hânmjittige funksje-engineering, tradisjoneel in tiidslinend en ekspertize-ôfhinklik proses. De metoade is skalberber en kin tapast wurde op oare rotearjende masinekomponinten, lykas lagers enplanetêre gears.

Dit ûndersyk fertsjintwurdiget in stap foarút yn 'e ûntwikkeling fan yntelliginte systemen foar foutdiagnose foar Yndustry 4.0 en it bredere fjild fan tûke produksje. Om't automatisearring en masinebetrouberens hieltyd wichtiger wurde,