যান্ত্রিক রোগনির্ণয় ক্ষেত্রে একটি গুরুত্বপূর্ণ অগ্রগতি হিসেবে, একটি নতুন গবেষণায় ত্রুটি নির্ণয়ের জন্য মডুলেশন সিগন্যাল বাইস্পেকট্রাম (MSB) এবং কনভল্যুশনাল নিউরাল নেটওয়ার্ক (CNN)-এর সমন্বয়ের কার্যকারিতা প্রদর্শন করা হয়েছে।সর্পিল বেভেল গিয়ারএই উদ্ভাবনী পদ্ধতিটি উচ্চ কর্মক্ষমতা সম্পন্ন গিয়ারবক্সের জন্য উন্নত নির্ভুলতা, দ্রুততর শনাক্তকরণ এবং আরও বুদ্ধিমান ডায়াগনস্টিক সিস্টেমের প্রতিশ্রুতি দেয়।মহাকাশ, স্বয়ংচালিত এবং শিল্প ক্ষেত্রে এর প্রয়োগ রয়েছে।

সর্পিলবেভেল গিয়ারগিয়ার হলো উচ্চ টর্কের যন্ত্রপাতি, হেলিকপ্টার, সামুদ্রিক প্রোপালশন সিস্টেম এবং ভারী শিল্প রিডিউসারে ব্যবহৃত অত্যন্ত গুরুত্বপূর্ণ ট্রান্সমিশন উপাদান। এদের জটিল জ্যামিতিক গঠন এবং পরিচালনগত অবস্থার কারণে, গিয়ারের ত্রুটি, যেমন—পিটিং, ক্ষয় এবং দাঁত ভেঙে যাওয়ার মতো সমস্যাগুলো আগেভাগে শনাক্ত করা একটি প্রযুক্তিগত চ্যালেঞ্জ হিসেবেই রয়ে গেছে। প্রচলিত সিগন্যাল প্রসেসিং কৌশলগুলো প্রায়শই নয়েজের হস্তক্ষেপ এবং ত্রুটির অরৈখিক বৈশিষ্ট্যের কারণে সমস্যার সম্মুখীন হয়।

নতুন পদ্ধতিটি একটি দ্বি-পর্যায়ের ত্রুটি নির্ণয় কাঠামো প্রবর্তন করে। প্রথমে, চলমান গিয়ার সিস্টেম দ্বারা উৎপন্ন কম্পন সংকেতগুলোকে মডুলেশন সিগন্যাল বাইস্পেকট্রাম (MSB) ব্যবহার করে বিশ্লেষণ করা হয়। এটি একটি উচ্চতর স্পেকট্রাল বিশ্লেষণ কৌশল যা কার্যকরভাবে সংকেতের অরৈখিক এবং নন-গাউসিয়ান বৈশিষ্ট্যগুলোকে ধারণ করে। MSB সূক্ষ্ম মডুলেটেড ত্রুটির বৈশিষ্ট্যগুলো প্রকাশ করতে সাহায্য করে, যা সাধারণত প্রচলিত ফ্রিকোয়েন্সি স্পেকট্রামে লুকানো থাকে।

এরপর, প্রক্রিয়াজাত সিগন্যাল ডেটাকে টাইম ফ্রিকোয়েন্সি ইমেজে রূপান্তরিত করে একটি কনভল্যুশনাল নিউরাল নেটওয়ার্ক (CNN)-এ পাঠানো হয়। এই ডিপ লার্নিং মডেলটি স্বয়ংক্রিয়ভাবে উচ্চ-স্তরের ত্রুটির বৈশিষ্ট্য বের করতে এবং গিয়ারের অবস্থা শ্রেণিবদ্ধ করতে সক্ষম। এই CNN মডেলটিকে বিভিন্ন লোড এবং গতির পরিস্থিতিতে সুস্থ গিয়ার, ছোটখাটো ত্রুটি এবং গুরুতর ক্ষতির মধ্যে পার্থক্য করতে প্রশিক্ষণ দেওয়া হয়।

বিশেষভাবে ডিজাইন করা একটি স্পাইরাল বেভেল গিয়ার টেস্ট রিগে পরিচালিত পরীক্ষামূলক ফলাফল থেকে দেখা যায় যে, MSB CNN পদ্ধতিটি ৯৭%-এর বেশি ক্লাসিফিকেশন নির্ভুলতা অর্জন করে, যা FFT ভিত্তিক বিশ্লেষণের মতো প্রচলিত পদ্ধতি এবং এমনকি কাঁচা কম্পন ডেটার উপর নির্ভরশীল অন্যান্য ডিপ লার্নিং কৌশলগুলোকেও ছাড়িয়ে যায়। অধিকন্তু, এই হাইব্রিড মডেলটি পারিপার্শ্বিক কোলাহলের বিরুদ্ধে শক্তিশালী দৃঢ়তা প্রদর্শন করে, যা এটিকে বাস্তব জগতের শিল্পক্ষেত্রে প্রয়োগের জন্য উপযুক্ত করে তোলে।

CNN-এর সাথে মডুলেশন সিগন্যাল বাইস্পেকট্রামের সমন্বয় কেবল ত্রুটি শনাক্তকরণের কার্যক্ষমতাই বৃদ্ধি করে না, বরং ম্যানুয়াল ফিচার ইঞ্জিনিয়ারিংয়ের উপর নির্ভরতাও কমায়, যা ঐতিহ্যগতভাবে একটি সময়সাপেক্ষ এবং বিশেষজ্ঞ-নির্ভর প্রক্রিয়া। এই পদ্ধতিটি পরিবর্ধনযোগ্য এবং বিয়ারিংয়ের মতো অন্যান্য ঘূর্ণায়মান যন্ত্রাংশেও প্রয়োগ করা যেতে পারে।প্ল্যানেটারি গিয়ার.

এই গবেষণাটি ইন্ডাস্ট্রি ৪.০ এবং স্মার্ট ম্যানুফ্যাকচারিং-এর বৃহত্তর ক্ষেত্রের জন্য বুদ্ধিমান ত্রুটি নির্ণয় ব্যবস্থার উন্নয়নে একটি অগ্রবর্তী পদক্ষেপ। যেহেতু অটোমেশন এবং মেশিনের নির্ভরযোগ্যতা ক্রমশ অত্যাবশ্যক হয়ে উঠছে,