Dalam perkembangan signifikan di bidang diagnostik mekanik, sebuah studi baru telah menunjukkan efektivitas penggabungan bispektrum sinyal modulasi (MSB) dengan jaringan saraf konvolusional (CNN) untuk diagnosis kerusakan padaroda gigi bevel spiralPendekatan inovatif ini menjanjikan peningkatan akurasi, deteksi yang lebih cepat, dan sistem diagnostik yang lebih cerdas untuk gearbox performa tinggi yang digunakan padaaplikasi kedirgantaraan, otomotif, dan industri.

Spiralroda gigi bevelRoda gigi merupakan komponen transmisi penting yang ditemukan pada mesin torsi tinggi, helikopter, sistem propulsi kapal, dan reduktor industri tugas berat. Karena geometri dan kondisi operasionalnya yang kompleks, deteksi dini kerusakan roda gigi seperti pengikisan, keausan, dan patahan gigi tetap menjadi tantangan teknis. Teknik pemrosesan sinyal tradisional seringkali kesulitan mengatasi interferensi kebisingan dan karakteristik kerusakan non-linier.

Metode baru ini memperkenalkan kerangka kerja diagnosis kesalahan dua tahap. Pertama, sinyal getaran yang dihasilkan oleh sistem roda gigi operasi dianalisis menggunakan bispektrum sinyal modulasi (MSB), teknik analisis spektral tingkat tinggi yang secara efektif menangkap fitur non-linier dan non-Gaussian dari sinyal tersebut. MSB membantu mengungkap karakteristik kesalahan termodulasi yang halus yang biasanya tersembunyi dalam spektrum frekuensi standar.

Selanjutnya, data sinyal yang telah diproses diubah menjadi citra frekuensi waktu dan dimasukkan ke dalam jaringan saraf konvolusional (CNN), sebuah model pembelajaran mendalam yang mampu secara otomatis mengekstrak fitur kerusakan tingkat tinggi dan mengklasifikasikan kondisi roda gigi. Model CNN ini dilatih untuk membedakan antara roda gigi yang sehat, kerusakan kecil, dan kerusakan parah di berbagai kondisi beban dan kecepatan.

Hasil eksperimen, yang dilakukan pada alat uji roda gigi bevel spiral yang dirancang khusus, menunjukkan bahwa pendekatan MSB CNN mencapai akurasi klasifikasi lebih dari 97%, mengungguli metode tradisional seperti analisis berbasis FFT dan bahkan teknik pembelajaran mendalam lainnya yang bergantung pada data getaran mentah. Selain itu, model hibrida ini menunjukkan ketahanan yang kuat terhadap kebisingan latar belakang, sehingga cocok untuk aplikasi industri di dunia nyata.

Integrasi bispektrum sinyal modulasi dengan CNN tidak hanya meningkatkan kinerja pengenalan kesalahan tetapi juga mengurangi ketergantungan pada rekayasa fitur manual yang secara tradisional merupakan proses yang memakan waktu dan bergantung pada keahlian. Metode ini dapat diskalakan dan dapat diterapkan pada komponen mesin berputar lainnya, seperti bantalan danroda gigi planet.

Penelitian ini merupakan langkah maju dalam pengembangan sistem diagnosis kesalahan cerdas untuk Industri 4.0 dan bidang manufaktur cerdas yang lebih luas. Seiring dengan semakin pentingnya otomatisasi dan keandalan mesin,