Ing perkembangan sing signifikan kanggo bidang diagnostik mekanik, panliten anyar wis nduduhake efektifitas nggabungake modulasi sinyal bispektrum (MSB) karo jaringan saraf konvolusional (CNN) kanggo diagnosis kesalahangir bevel spiralPendekatan inovatif iki janji bakal ningkatake akurasi, deteksi sing luwih cepet, lan sistem diagnostik sing luwih cerdas kanggo girboks kinerja dhuwur sing digunakake ingaplikasi aerospace, otomotif, lan industri.

Spiralgir miringminangka komponen transmisi penting sing ditemokake ing mesin torsi dhuwur, helikopter, sistem propulsi laut, lan reduksi industri tugas berat. Amarga geometri lan kondisi operasional sing kompleks, deteksi awal kesalahan gir kayata pitting, wear, lan patah untu tetep dadi tantangan teknis. Teknik pangolahan sinyal tradisional asring berjuang karo gangguan gangguan lan karakteristik kesalahan non linear.

Metode anyar iki ngenalake kerangka diagnosis kesalahan rong tahap. Kapisan, sinyal getaran sing diasilake dening sistem gir operasi dianalisis nggunakake modulasi sinyal bispektrum (MSB) teknik analisis spektral tingkat sing luwih dhuwur sing kanthi efektif nangkep fitur non linier lan non Gaussian saka sinyal kasebut. MSB mbantu mbukak karakteristik kesalahan termodulasi sing alus sing biasane didhelikake ing spektrum frekuensi standar.

Sabanjure, data sinyal sing wis diproses diowahi dadi gambar frekuensi wektu lan dilebokake menyang jaringan saraf konvolusional (CNN) model pembelajaran jero sing bisa kanthi otomatis ngekstrak fitur kesalahan tingkat dhuwur lan nglasifikasikake kondisi gir. Model CNN iki dilatih kanggo mbedakake antarane gir sing sehat, kesalahan cilik, lan kerusakan parah ing macem-macem kondisi beban lan kecepatan.

Asil eksperimen, sing ditindakake ing rig uji gir bevel spiral sing dirancang khusus, nuduhake yen pendekatan MSB CNN entuk akurasi klasifikasi luwih saka 97%, ngluwihi metode tradisional kayata analisis adhedhasar FFT lan teknik pembelajaran jero liyane sing gumantung ing data getaran mentah. Kajaba iku, model hibrida iki nuduhake kekuwatan sing kuwat kanggo gangguan latar mburi, saengga cocog kanggo aplikasi industri ing jagad nyata.

Integrasi bispektrum sinyal modulasi karo CNN ora mung ningkatake kinerja pangenalan kesalahan nanging uga nyuda ketergantungan marang rekayasa fitur manual sing sacara tradisional mbutuhake wektu lan gumantung keahlian. Metode iki bisa diskalakake lan bisa diterapake ing komponen mesin puteran liyane, kayata bantalan langir planet.

Riset iki minangka langkah maju ing pangembangan sistem diagnosis kesalahan cerdas kanggo Industri 4.0 lan bidang manufaktur cerdas sing luwih jembar. Amarga otomatisasi lan keandalan mesin dadi saya penting,