นับเป็นความก้าวหน้าครั้งสำคัญในวงการวินิจฉัยทางกล งานวิจัยใหม่ได้แสดงให้เห็นถึงประสิทธิภาพของการผสมผสานสัญญาณบิสเปกตรัมแบบมอดูเลชัน (MSB) กับโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) สำหรับการวินิจฉัยข้อบกพร่องของเครื่องจักรเฟืองดอกจอกเกลียวแนวทางใหม่นี้สัญญาว่าจะเพิ่มความแม่นยำ ตรวจจับได้เร็วขึ้น และระบบวินิจฉัยอัจฉริยะยิ่งขึ้นสำหรับเกียร์บ็อกซ์ประสิทธิภาพสูงที่ใช้ในการใช้งานในด้านการบินและอวกาศ ยานยนต์ และอุตสาหกรรม

เกลียวเฟืองดอกจอกเฟืองเป็นส่วนประกอบสำคัญในการส่งกำลังที่พบได้ในเครื่องจักรแรงบิดสูง เฮลิคอปเตอร์ ระบบขับเคลื่อนทางทะเล และตัวลดเกียร์อุตสาหกรรมสำหรับงานหนัก เนื่องจากรูปทรงเรขาคณิตที่ซับซ้อนและสภาวะการทำงาน การตรวจจับความผิดปกติของเฟือง เช่น การสึกหรอ การสึกกร่อน และการแตกหักของฟันเฟือง ยังคงเป็นความท้าทายทางเทคนิค เทคนิคการประมวลผลสัญญาณแบบดั้งเดิมมักประสบปัญหาจากการรบกวนของสัญญาณรบกวนและลักษณะความผิดปกติที่ไม่เป็นเชิงเส้น

วิธีการใหม่นี้นำเสนอโครงสร้างการวินิจฉัยความผิดพลาดแบบสองขั้นตอน ขั้นแรก สัญญาณการสั่นสะเทือนที่เกิดจากระบบเกียร์ที่กำลังทำงานจะถูกวิเคราะห์โดยใช้สเปกตรัมแบบไบสเปกตรัมของสัญญาณการมอดูเลชัน (MSB) ซึ่งเป็นเทคนิคการวิเคราะห์สเปกตรัมลำดับสูงที่สามารถจับคุณลักษณะที่ไม่เป็นเชิงเส้นและไม่เป็นแบบเกาส์เซียนของสัญญาณได้อย่างมีประสิทธิภาพ MSB ช่วยเปิดเผยลักษณะความผิดพลาดแบบมอดูเลชันที่ละเอียดอ่อนซึ่งมักจะซ่อนอยู่ในการวิเคราะห์สเปกตรัมความถี่มาตรฐาน

ถัดไป ข้อมูลสัญญาณที่ผ่านการประมวลผลจะถูกแปลงเป็นภาพความถี่เวลาและป้อนเข้าสู่โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ซึ่งเป็นแบบจำลองการเรียนรู้เชิงลึกที่สามารถดึงคุณลักษณะความผิดปกติระดับสูงและจำแนกสภาพของเกียร์ได้โดยอัตโนมัติ แบบจำลอง CNN นี้ได้รับการฝึกฝนให้แยกแยะความแตกต่างระหว่างเกียร์ที่อยู่ในสภาพดี ความผิดปกติเล็กน้อย และความเสียหายรุนแรงภายใต้สภาวะโหลดและความเร็วที่แตกต่างกัน

ผลการทดลองที่ดำเนินการบนแท่นทดสอบเฟืองเฉียงเกลียวที่ออกแบบเอง แสดงให้เห็นว่าวิธีการ MSB CNN สามารถบรรลุความแม่นยำในการจำแนกประเภทได้มากกว่า 97% ซึ่งเหนือกว่าวิธีการแบบดั้งเดิม เช่น การวิเคราะห์แบบ FFT และแม้แต่เทคนิคการเรียนรู้เชิงลึกอื่นๆ ที่อาศัยข้อมูลการสั่นสะเทือนดิบ นอกจากนี้ โมเดลไฮบริดนี้ยังมีความทนทานต่อสัญญาณรบกวนพื้นหลังสูง ทำให้เหมาะสำหรับการใช้งานในอุตสาหกรรมในโลกแห่งความเป็นจริง

การผสานรวมสเปกตรัมคู่ของสัญญาณการมอดูเลชั่นเข้ากับโครงข่ายประสาทเทียมแบบคอนโวลูชั่น (CNN) ไม่เพียงแต่ช่วยเพิ่มประสิทธิภาพในการตรวจจับข้อบกพร่องเท่านั้น แต่ยังช่วยลดการพึ่งพาการสร้างคุณลักษณะด้วยตนเอง ซึ่งโดยปกติแล้วเป็นกระบวนการที่ใช้เวลานานและต้องอาศัยความเชี่ยวชาญ วิธีนี้สามารถปรับขนาดได้และสามารถนำไปใช้กับชิ้นส่วนเครื่องจักรหมุนอื่นๆ เช่น ตลับลูกปืนและอื่นๆ ได้เฟืองดาวเคราะห์.

งานวิจัยนี้ถือเป็นก้าวสำคัญในการพัฒนาระบบวินิจฉัยความผิดพลาดอัจฉริยะสำหรับอุตสาหกรรม 4.0 และสาขาการผลิตอัจฉริยะในวงกว้าง เนื่องจากระบบอัตโนมัติและความน่าเชื่อถือของเครื่องจักรมีความสำคัญมากขึ้นเรื่อยๆ