Katika maendeleo makubwa kwa uwanja wa uchunguzi wa mitambo, utafiti mpya umeonyesha ufanisi wa kuchanganya bispectrum ya ishara ya moduli (MSB) na mitandao ya neva ya convolutional (CNN) kwa ajili ya utambuzi wa hitilafu yagia za bevel za ondMbinu hii bunifu inaahidi usahihi ulioboreshwa, ugunduzi wa haraka, na mfumo wa utambuzi wa akili zaidi kwa visanduku vya gia vyenye utendaji wa hali ya juu vinavyotumika katikamatumizi ya anga, magari, na viwanda.

Ondgia za bevelni vipengele muhimu vya upitishaji vinavyopatikana katika mashine za torque ya juu, helikopta, mifumo ya uendeshaji wa baharini, na vipunguzaji vizito vya viwandani. Kutokana na jiometri yao tata na hali ya uendeshaji, ugunduzi wa mapema wa hitilafu za gia kama vile mashimo, uchakavu, na kuvunjika kwa meno bado ni changamoto ya kiufundi. Mbinu za kitamaduni za usindikaji wa mawimbi mara nyingi hupambana na kuingiliwa kwa kelele na sifa zisizo za mstari wa hitilafu.

Mbinu mpya inaleta mfumo wa utambuzi wa hitilafu wa hatua mbili. Kwanza, ishara za mtetemo zinazozalishwa na mfumo wa gia ya uendeshaji huchambuliwa kwa kutumia bispectrum ya ishara ya moduli (MSB) mbinu ya uchambuzi wa spektra ya kiwango cha juu ambayo inakamata kwa ufanisi sifa zisizo za mstari na zisizo za Gaussian za ishara. MSB husaidia kufichua sifa ndogo za hitilafu zilizobadilishwa ambazo kwa kawaida hufichwa katika spektra ya masafa ya kawaida.

Kisha, data ya ishara iliyosindikwa hubadilishwa kuwa picha za masafa ya muda na kuingizwa kwenye mtandao wa neva wa convolutional (CNN) modeli ya kujifunza kwa kina inayoweza kutoa kiotomatiki vipengele vya hitilafu vya kiwango cha juu na kuainisha hali ya gia. modeli hii ya CNN imefunzwa kutofautisha kati ya gia zenye afya, hitilafu ndogo, na uharibifu mkubwa katika hali tofauti za mzigo na kasi.

Matokeo ya majaribio, yaliyofanywa kwenye kifaa maalum cha majaribio cha gia ya bevel iliyotengenezwa maalum, yanaonyesha kuwa mbinu ya MSB CNN inafikia usahihi wa uainishaji wa zaidi ya 97%, ikizidi mbinu za kitamaduni kama vile uchambuzi unaotegemea FFT na hata mbinu zingine za kujifunza kwa kina ambazo hutegemea data mbichi ya mtetemo. Zaidi ya hayo, modeli hii mseto inaonyesha uthabiti mkubwa kwa kelele za mandharinyuma, na kuifanya iweze kufaa kwa matumizi halisi ya viwanda.

Ujumuishaji wa spektramu mbili za ishara za moduli na CNN sio tu kwamba huongeza utendaji wa utambuzi wa makosa lakini pia hupunguza utegemezi wa uhandisi wa vipengele vya mwongozo ambao kwa kawaida huchukua muda mwingi na hutegemea utaalamu. Mbinu hii inaweza kupanuliwa na inaweza kutumika kwa vipengele vingine vya mashine vinavyozunguka, kama vile fani nagia za sayari.

Utafiti huu unawakilisha hatua mbele katika maendeleo ya mifumo ya utambuzi wa makosa ya akili kwa Viwanda 4.0 na uwanja mpana wa utengenezaji mahiri. Kadri otomatiki na uaminifu wa mashine unavyozidi kuwa muhimu,