Механикалык диагностика жаатындагы маанилүү өнүгүү катары, жаңы изилдөө модуляциялык сигналдын биспектрин (MSB) конволюциялык нейрон тармактары (CNN) менен айкалыштыруунун бузулууларды аныктоо үчүн натыйжалуулугун көрсөттү.спираль конус тиштүү дөңгөлөктөрБул инновациялык ыкма колдонулган жогорку өндүрүмдүү редукторлор үчүн тактыкты жогорулатууну, тезирээк аныктоону жана акылдуураак диагностикалык системаны убада кылат.аэрокосмостук, автомобиль жана өнөр жай колдонмолору.

Спиральконус тиштүү дөңгөлөктөржогорку моменттүү машиналарда, тик учактарда, деңиз кыймылдаткыч системаларында жана оор жүк ташуучу өнөр жай редукторлорунда кездешүүчү маанилүү трансмиссиялык компоненттер болуп саналат. Алардын татаал геометриясы жана иштөө шарттарынан улам, чуңкурлардын пайда болушу, эскириши жана тиштин сынышы сыяктуу тиштүү дөңгөлөктөрдүн бузулууларын эрте аныктоо техникалык кыйынчылык бойдон калууда. Салттуу сигналдарды иштетүү ыкмалары көбүнчө ызы-чуунун тоскоолдуктары жана сызыктуу эмес бузулуу мүнөздөмөлөрү менен күрөшөт.

Жаңы ыкма эки баскычтуу каталарды аныктоо алкагын киргизет. Алгач, иштөөчү тиштүү система тарабынан түзүлгөн титирөө сигналдары сигналдын сызыктуу эмес жана Гаусс эмес өзгөчөлүктөрүн натыйжалуу чагылдырган жогорку деңгээлдеги спектрдик анализ ыкмасы болгон модуляциялык сигналдын биспектрин (MSB) колдонуу менен талданат. MSB стандарттуу жыштык спектрлеринде адатта жашырылган тымызын модуляцияланган ката мүнөздөмөлөрүн аныктоого жардам берет.

Андан кийин, иштетилген сигнал маалыматтары убакыт жыштыгынын сүрөттөрүнө айландырылат жана жогорку деңгээлдеги бузулуу белгилерин автоматтык түрдө чыгарып алууга жана тиштүү дөңгөлөктүн абалын классификациялоого жөндөмдүү терең үйрөнүү модели болгон конволюциялык нейрон тармагына (CNN) берилет. Бул CNN модели ар кандай жүктөө жана ылдамдык шарттарында дени сак тиштүү дөңгөлөктөрдү, анча чоң эмес бузулууларды жана олуттуу бузулууларды айырмалоого үйрөтүлгөн.

Спираль конус тиштүү сыноо жабдыгында жүргүзүлгөн эксперименталдык жыйынтыктар MSB CNN ыкмасы 97% дан ашык классификация тактыгына жетишип, FFT негизиндеги анализ жана ал тургай чийки титирөө маалыматтарына негизделген башка терең үйрөнүү ыкмалары сыяктуу салттуу ыкмалардан ашып түшөрүн көрсөтүп турат. Андан тышкары, бул гибриддик модель фондук ызы-чууга күчтүү туруктуулукту көрсөтөт, бул аны реалдуу дүйнөдөгү өнөр жай колдонмолоруна ылайыктуу кылат.

Модуляция сигналынын биспектрин CNN менен интеграциялоо каталарды таануу көрсөткүчтөрүн жакшыртып гана тим болбостон, салттуу түрдө убакытты талап кылган жана тажрыйбага көз каранды болгон процесс болгон кол менен жасалган өзгөчөлүктөрдү долбоорлоого болгон көз карандылыкты азайтат. Бул ыкма масштабдуу жана подшипниктер сыяктуу башка айлануучу машина компоненттерине колдонулушу мүмкүн.планетардык тиштүү дөңгөлөктөр.

Бул изилдөө Industry 4.0 жана акылдуу өндүрүштүн кеңири тармагы үчүн акылдуу каталарды аныктоо системаларын иштеп чыгууда алдыга кадам таштады. Автоматташтыруу жана машинанын ишенимдүүлүгү барган сайын маанилүү болуп бара жаткандыктан,