In 'n beduidende ontwikkeling vir die veld van meganiese diagnostiek, het 'n nuwe studie die doeltreffendheid gedemonstreer van die kombinasie van modulasieseinbispektrum (MSB) met konvolusionele neurale netwerke (CNN) vir die foutdiagnose vanspiraalvormige kegelratteHierdie innoverende benadering belowe verbeterde akkuraatheid, vinniger opsporing en 'n meer intelligente diagnostiese stelsel vir hoëprestasie-ratkaste wat gebruik word inlugvaart-, motor- en industriële toepassings.

Spiraalkeëlratteis kritieke transmissiekomponente wat in hoëwringkragmasjinerie, helikopters, mariene aandrywingstelsels en swaar industriële reduksies gevind word. As gevolg van hul komplekse geometrie en bedryfstoestande, bly vroeë opsporing van ratfoute soos putvorming, slytasie en tandbreuk 'n tegniese uitdaging. Tradisionele seinverwerkingstegnieke sukkel dikwels met geraasinterferensie en nie-lineêre fouteienskappe.

Die nuwe metode stel 'n tweestadium-foutdiagnose-raamwerk bekend. Eerstens word die vibrasieseine wat deur die bedryfstelsel gegenereer word, geanaliseer met behulp van modulasiesein-bispektrum (MSB), 'n hoër-orde spektrale analisetegniek wat die nie-lineêre en nie-Gaussiese kenmerke van die sein effektief vasvang. MSB help om subtiele gemoduleerde foutkenmerke te openbaar wat tipies in standaardfrekwensiespektra versteek is.

Vervolgens word die verwerkte seindata omskep in tydfrekwensiebeelde en ingevoer in 'n konvolusionele neurale netwerk (CNN), 'n diep leermodel wat outomaties hoëvlak-foutkenmerke kan onttrek en rattoestande kan klassifiseer. Hierdie CNN-model is opgelei om te onderskei tussen gesonde ratte, geringe foute en ernstige skade oor verskillende las- en spoedtoestande.

Die eksperimentele resultate, uitgevoer op 'n pasgemaakte spiraalvormige keëlrat-toetsinstallasie, toon dat die MSB CNN-benadering meer as 97% klassifikasie-akkuraatheid behaal, wat tradisionele metodes soos FFT-gebaseerde analise en selfs ander diep leertegnieke wat op rou vibrasiedata staatmaak, oortref. Boonop toon hierdie hibriede model sterk robuustheid teenoor agtergrondgeraas, wat dit geskik maak vir werklike industriële toepassings.

Die integrasie van modulasiesein-bispektrum met CNN verbeter nie net foutherkenningsprestasie nie, maar verminder ook die afhanklikheid van handmatige kenmerkingenieurswese, wat tradisioneel 'n tydrowende en kundigheidsafhanklike proses is. Die metode is skaalbaar en kan toegepas word op ander roterende masjineriekomponente, soos laers enplanetêre ratte.

Hierdie navorsing verteenwoordig 'n stap vorentoe in die ontwikkeling van intelligente foutdiagnosestelsels vir Industrie 4.0 en die breër veld van slim vervaardiging. Namate outomatisering en masjienbetroubaarheid toenemend belangrik word,