စက်ပိုင်းဆိုင်ရာရောဂါရှာဖွေရေးနယ်ပယ်အတွက် သိသာထင်ရှားသော ဖွံ့ဖြိုးတိုးတက်မှုတစ်ခုအနေဖြင့်၊ ချို့ယွင်းချက်ရောဂါရှာဖွေရေးအတွက် modulation signal bispectrum (MSB) နှင့် convolutional neural networks (CNN) တို့ကို ပေါင်းစပ်ခြင်း၏ ထိရောက်မှုကို လေ့လာမှုအသစ်တစ်ခုက သရုပ်ပြခဲ့သည်။လိမ်ကောက်ဘီးဗယ်ဂီယာများဤဆန်းသစ်သောချဉ်းကပ်မှုသည် အသုံးပြုသော မြင့်မားသောစွမ်းဆောင်ရည်ရှိသောဂီယာဘောက်စ်များအတွက် ပိုမိုကောင်းမွန်သောတိကျမှု၊ ပိုမိုမြန်ဆန်သောထောက်လှမ်းမှုနှင့် ပိုမိုထက်မြက်သောရောဂါရှာဖွေရေးစနစ်ကို ကတိပြုပါသည်။အာကာသ၊ မော်တော်ကားနှင့် စက်မှုလုပ်ငန်းဆိုင်ရာ အသုံးချမှုများ။

ခရုပတ်ဘီဗဲလ်ဂီယာများမြင့်မားသော torque စက်ယန္တရားများ၊ ရဟတ်ယာဉ်များ၊ ရေကြောင်းတွန်းကန်စနစ်များနှင့် လေးလံသော လုပ်ငန်းသုံး reducers များတွင် တွေ့ရှိရသော အရေးကြီးသော ဂီယာအစိတ်အပိုင်းများဖြစ်သည်။ ၎င်းတို့၏ ရှုပ်ထွေးသော geometry နှင့် လည်ပတ်မှုအခြေအနေများကြောင့် pitting၊ wear နှင့် tooth breakage ကဲ့သို့သော ဂီယာချို့ယွင်းချက်များကို စောစီးစွာ ရှာဖွေတွေ့ရှိခြင်းသည် နည်းပညာဆိုင်ရာစိန်ခေါ်မှုတစ်ခုအဖြစ် ရှိနေဆဲဖြစ်သည်။ ရိုးရာ signal processing နည်းပညာများသည် မကြာခဏ noise interference နှင့် non linear fault လက္ခဏာများနှင့် ရုန်းကန်ရသည်။

နည်းလမ်းအသစ်သည် အဆင့်နှစ်ဆင့်ချို့ယွင်းမှုရောဂါရှာဖွေခြင်းဆိုင်ရာ မူဘောင်ကို မိတ်ဆက်ပေးသည်။ ပထမဦးစွာ လည်ပတ်မှုဂီယာစနစ်မှ ထုတ်လုပ်သော တုန်ခါမှုအချက်ပြမှုများကို modulation signal bispectrum (MSB) ဟုခေါ်သော အဆင့်မြင့် spectral analysis နည်းပညာကို အသုံးပြု၍ ခွဲခြမ်းစိတ်ဖြာပြီး အချက်ပြမှု၏ non linear နှင့် non Gaussian အင်္ဂါရပ်များကို ထိရောက်စွာဖမ်းယူပေးသည်။ MSB သည် standard frequency spectra များတွင် ဖုံးကွယ်ထားသော သိမ်မွေ့သော modulated fault လက္ခဏာများကို ဖော်ထုတ်ရန် ကူညီပေးသည်။

ထို့နောက်၊ စီမံဆောင်ရွက်ထားသော အချက်ပြဒေတာကို အချိန်ကြိမ်နှုန်းပုံရိပ်များအဖြစ်သို့ ပြောင်းလဲပြီး convolutional neural network (CNN) ထဲသို့ ထည့်သွင်းပြီး မြင့်မားသောအဆင့်ချို့ယွင်းမှုအင်္ဂါရပ်များကို အလိုအလျောက်ထုတ်ယူနိုင်ပြီး ဂီယာအခြေအနေများကို အမျိုးအစားခွဲခြားနိုင်သော deep learning မော်ဒယ်ဖြစ်သည်။ ဤ CNN မော်ဒယ်ကို မတူညီသော ဝန်နှင့် မြန်နှုန်းအခြေအနေများတွင် ကျန်းမာသောဂီယာများ၊ အသေးစားချို့ယွင်းမှုများနှင့် ပြင်းထန်သောပျက်စီးဆုံးရှုံးမှုများကို ခွဲခြားရန် လေ့ကျင့်ထားသည်။

စိတ်ကြိုက်ဒီဇိုင်းထုတ်ထားသော spiral bevel gear စမ်းသပ်ကိရိယာပေါ်တွင် ပြုလုပ်ခဲ့သော စမ်းသပ်မှုရလဒ်များအရ MSB CNN ချဉ်းကပ်မှုသည် 97% ကျော်သော အမျိုးအစားခွဲခြားမှုတိကျမှုကို ရရှိပြီး FFT-based analysis နှင့် raw vibration data ကို အားကိုးသော အခြား deep learning နည်းပညာများကဲ့သို့သော ရိုးရာနည်းလမ်းများထက် သာလွန်ကောင်းမွန်ကြောင်း ပြသထားသည်။ ထို့အပြင် ဤ hybrid မော်ဒယ်သည် နောက်ခံဆူညံသံများအပေါ် ခိုင်မာမှုအားကောင်းပြီး လက်တွေ့ကမ္ဘာစက်မှုလုပ်ငန်းအသုံးချမှုများအတွက် သင့်လျော်စေသည်။

CNN နှင့် modulation signal bispectrum ပေါင်းစပ်ခြင်းသည် fault recognition စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးရုံသာမက ရိုးရာအစဉ်အလာအရ အချိန်ကုန်ပြီး ကျွမ်းကျင်မှုအပေါ် မူတည်သည့် manual feature engineering ပေါ်တွင် မှီခိုမှုကိုလည်း လျှော့ချပေးပါသည်။ ဤနည်းလမ်းသည် ချဲ့ထွင်နိုင်ပြီး bearings ကဲ့သို့သော အခြားလည်ပတ်နေသော စက်ပစ္စည်းအစိတ်အပိုင်းများတွင် အသုံးချနိုင်ပါသည်။ဂြိုဟ်ဂီယာများ.

ဤသုတေသနသည် စက်မှုလုပ်ငန်း ၄.၀ နှင့် ပိုမိုကျယ်ပြန့်သော စမတ်ထုတ်လုပ်မှုနယ်ပယ်အတွက် ဉာဏ်ရည်ထက်မြက်သော ချို့ယွင်းချက်ရောဂါရှာဖွေရေးစနစ်များ ဖွံ့ဖြိုးတိုးတက်ရေးတွင် ခြေလှမ်းတစ်ရပ်ကို ကိုယ်စားပြုပါသည်။ အလိုအလျောက်စနစ်နှင့် စက်ယုံကြည်စိတ်ချရမှုသည် ပိုမိုအရေးပါလာသည်နှင့်အမျှ၊