مکینیکل تشخیص کے میدان کے لیے ایک اہم پیش رفت میں، ایک نئی تحقیق نے ماڈیولیشن سگنل بائی اسپیکٹرم (MSB) کو کنوولیشنل نیورل نیٹ ورکس (CNN) کے ساتھ ملانے کی تاثیر کو ظاہر کیا ہےسرپل بیول گیئرز. یہ جدید طریقہ کار میں استعمال ہونے والے اعلی کارکردگی والے گیئر باکسز کے لیے بہتر درستگی، تیزی سے پتہ لگانے اور زیادہ ذہین تشخیصی نظام کا وعدہ کرتا ہے۔ایرو اسپیس، آٹوموٹو، اور صنعتی ایپلی کیشنز.

سرپلبیول گیئرزٹرانسمیشن کے اہم اجزاء ہیں جو ہائی ٹارک مشینری، ہیلی کاپٹروں، میرین پروپلشن سسٹمز، اور ہیوی ڈیوٹی انڈسٹریل ریڈوسر میں پائے جاتے ہیں۔ ان کی پیچیدہ جیومیٹری اور آپریشنل حالات کی وجہ سے، گیئر کی خرابیوں کا جلد پتہ لگانا جیسے کہ پٹنگ، پہننا، اور دانت ٹوٹ جانا ایک تکنیکی چیلنج بنی ہوئی ہے۔ روایتی سگنل پروسیسنگ کی تکنیک اکثر شور کی مداخلت اور غیر لکیری غلطی کی خصوصیات کے ساتھ جدوجہد کرتی ہے۔

نیا طریقہ دو مرحلے کی غلطی کی تشخیص کا فریم ورک متعارف کرایا ہے۔ سب سے پہلے آپریٹنگ گیئر سسٹم کی طرف سے پیدا ہونے والے وائبریشن سگنلز کا تجزیہ ماڈیولیشن سگنل بائی اسپیکٹرم (MSB) کے ذریعے کیا جاتا ہے جو کہ ایک اعلیٰ ترتیب والی اسپیکٹرل تجزیہ تکنیک ہے جو سگنل کی غیر لکیری اور غیر گاوسی خصوصیات کو مؤثر طریقے سے پکڑتی ہے۔ MSB ٹھیک ٹھیک ماڈیولڈ فالٹ خصوصیات کو ظاہر کرنے میں مدد کرتا ہے جو عام طور پر معیاری فریکوئنسی سپیکٹرا میں چھپی ہوتی ہیں۔

اس کے بعد، پروسیس شدہ سگنل ڈیٹا کو ٹائم فریکوئنسی امیجز میں تبدیل کیا جاتا ہے اور اسے ایک کنولوشنل نیورل نیٹ ورک (CNN) میں کھلایا جاتا ہے جو ایک گہرا سیکھنے والا ماڈل ہے جو خود بخود اعلیٰ سطحی فالٹ فیچرز کو نکالنے اور گیئر کے حالات کی درجہ بندی کرنے کی صلاحیت رکھتا ہے۔ اس CNN ماڈل کو مختلف بوجھ اور رفتار کے حالات میں صحت مند گیئرز، معمولی خرابیوں اور شدید نقصان کے درمیان فرق کرنے کی تربیت دی گئی ہے۔

تجرباتی نتائج، جو اپنی مرضی کے مطابق ڈیزائن کیے گئے اسپائرل بیول گیئر ٹیسٹ رگ پر کیے گئے ہیں، ظاہر کرتے ہیں کہ MSB CNN اپروچ 97 فیصد سے زیادہ درجہ بندی کی درستگی حاصل کرتا ہے، روایتی طریقوں جیسے FFT پر مبنی تجزیہ اور یہاں تک کہ دیگر گہری سیکھنے کی تکنیکوں کو پیچھے چھوڑتا ہے جو خام وائبریشن ڈیٹا پر انحصار کرتے ہیں۔ مزید برآں، یہ ہائبرڈ ماڈل پس منظر کے شور کی مضبوطی کو ظاہر کرتا ہے، جو اسے حقیقی دنیا کی صنعتی ایپلی کیشنز کے لیے موزوں بناتا ہے۔

CNN کے ساتھ ماڈیولیشن سگنل بائی اسپیکٹرم کا انضمام نہ صرف غلطی کی شناخت کی کارکردگی کو بڑھاتا ہے بلکہ روایتی طور پر ایک وقت طلب اور مہارت پر منحصر عمل مینوئل فیچر انجینئرنگ پر انحصار کو بھی کم کرتا ہے۔ یہ طریقہ توسیع پذیر ہے اور اسے گھومنے والی مشینری کے دیگر اجزاء پر لاگو کیا جا سکتا ہے، جیسے بیرنگ اورسیاروں کے گیئرز.

یہ تحقیق انڈسٹری 4.0 اور سمارٹ مینوفیکچرنگ کے وسیع میدان کے لیے ذہین غلطی کی تشخیص کے نظام کی ترقی میں ایک قدم آگے کی نمائندگی کرتی ہے۔ جیسا کہ آٹومیشن اور مشین کی وشوسنییتا تیزی سے اہم ہوتی جارہی ہے،