మెకానికల్ డయాగ్నోస్టిక్స్ రంగంలో ఒక ముఖ్యమైన పరిణామంగా, లోపాలను గుర్తించడానికి మాడ్యులేషన్ సిగ్నల్ బైస్పెక్ట్రమ్ (MSB)ను కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లతో (CNN) కలపడం యొక్క ప్రభావాన్ని ఒక కొత్త అధ్యయనం నిరూపించింది.స్పైరల్ బెవెల్ గేర్లుఈ వినూత్న విధానం, అధిక పనితీరు గల గేర్‌బాక్స్‌లలో ఉపయోగించే వాటికి మెరుగైన కచ్చితత్వం, వేగవంతమైన గుర్తింపు మరియు మరింత తెలివైన డయాగ్నస్టిక్ వ్యవస్థను అందిస్తుందని వాగ్దానం చేస్తుంది.ఏరోస్పేస్, ఆటోమోటివ్ మరియు పారిశ్రామిక అనువర్తనాలు.

సర్పిలంబెవెల్ గేర్లుఅధిక టార్క్ యంత్రాలు, హెలికాప్టర్లు, సముద్ర చోదక వ్యవస్థలు మరియు భారీ పారిశ్రామిక రిడ్యూసర్‌లలో ట్రాన్స్‌మిషన్ భాగాలు కీలకమైనవిగా కనిపిస్తాయి. వాటి సంక్లిష్టమైన జ్యామితి మరియు కార్యాచరణ పరిస్థితుల కారణంగా, పిట్టింగ్, అరుగుదల మరియు పళ్ల విరగడం వంటి గేర్ లోపాలను ముందుగానే గుర్తించడం ఒక సాంకేతిక సవాలుగా మిగిలిపోయింది. సాంప్రదాయ సిగ్నల్ ప్రాసెసింగ్ పద్ధతులు తరచుగా నాయిస్ జోక్యం మరియు నాన్-లీనియర్ ఫాల్ట్ లక్షణాలతో ఇబ్బంది పడతాయి.

ఈ కొత్త పద్ధతి రెండు దశల లోప నిర్ధారణ ఫ్రేమ్‌వర్క్‌ను పరిచయం చేస్తుంది. మొదట, పనిచేస్తున్న గేర్ సిస్టమ్ ద్వారా ఉత్పత్తి చేయబడిన కంపన సంకేతాలు మాడ్యులేషన్ సిగ్నల్ బైస్పెక్ట్రమ్ (MSB) ఉపయోగించి విశ్లేషించబడతాయి. ఇది ఒక ఉన్నత శ్రేణి స్పెక్ట్రల్ విశ్లేషణ సాంకేతికత, ఇది సంకేతం యొక్క నాన్-లీనియర్ మరియు నాన్-గాసియన్ లక్షణాలను సమర్థవంతంగా సంగ్రహిస్తుంది. సాధారణ ఫ్రీక్వెన్సీ స్పెక్ట్రాలలో సాధారణంగా దాగి ఉండే సూక్ష్మమైన మాడ్యులేటెడ్ లోప లక్షణాలను బహిర్గతం చేయడానికి MSB సహాయపడుతుంది.

తరువాత, ప్రాసెస్ చేయబడిన సిగ్నల్ డేటా టైమ్ ఫ్రీక్వెన్సీ ఇమేజ్‌లుగా మార్చబడి, ఉన్నత స్థాయి లోప లక్షణాలను స్వయంచాలకంగా సంగ్రహించి, గేర్ పరిస్థితులను వర్గీకరించగల సామర్థ్యం ఉన్న డీప్ లెర్నింగ్ మోడల్ అయిన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (CNN)కి పంపబడుతుంది. ఈ CNN మోడల్ వివిధ లోడ్ మరియు వేగ పరిస్థితులలో ఆరోగ్యకరమైన గేర్లు, చిన్న లోపాలు మరియు తీవ్రమైన నష్టం మధ్య తేడాను గుర్తించడానికి శిక్షణ పొందుతుంది.

ప్రత్యేకంగా రూపొందించిన స్పైరల్ బెవెల్ గేర్ టెస్ట్ రిగ్‌పై నిర్వహించిన ప్రయోగాత్మక ఫలితాలు, MSB CNN విధానం 97% కంటే ఎక్కువ వర్గీకరణ కచ్చితత్వాన్ని సాధించిందని చూపిస్తున్నాయి. ఇది FFT ఆధారిత విశ్లేషణ వంటి సాంప్రదాయ పద్ధతులను, మరియు ముడి కంపన డేటాపై ఆధారపడే ఇతర డీప్ లెర్నింగ్ టెక్నిక్‌లను కూడా అధిగమించింది. అంతేకాకుండా, ఈ హైబ్రిడ్ మోడల్ బ్యాక్‌గ్రౌండ్ నాయిస్‌కు బలమైన దృఢత్వాన్ని ప్రదర్శిస్తుంది, ఇది నిజ ప్రపంచ పారిశ్రామిక అనువర్తనాలకు అనుకూలంగా ఉంటుంది.

CNNతో మాడ్యులేషన్ సిగ్నల్ బైస్పెక్ట్రమ్‌ను అనుసంధానించడం వల్ల లోపాలను గుర్తించే పనితీరు మెరుగుపడటమే కాకుండా, సాంప్రదాయకంగా సమయం తీసుకునే మరియు నైపుణ్యంపై ఆధారపడే మాన్యువల్ ఫీచర్ ఇంజనీరింగ్‌పై ఆధారపడటం కూడా తగ్గుతుంది. ఈ పద్ధతిని విస్తరించవచ్చు మరియు బేరింగ్‌లు వంటి ఇతర తిరిగే యంత్ర భాగాలకు కూడా దీనిని వర్తింపజేయవచ్చు.ప్లానెటరీ గేర్లు.

ఈ పరిశోధన ఇండస్ట్రీ 4.0 మరియు స్మార్ట్ మాన్యుఫ్యాక్చరింగ్ అనే విస్తృత రంగం కోసం తెలివైన లోప నిర్ధారణ వ్యవస్థల అభివృద్ధిలో ఒక ముందడుగును సూచిస్తుంది. ఆటోమేషన్ మరియు యంత్ర విశ్వసనీయత నానాటికీ అత్యంత కీలకమవుతున్నందున,