A Lightweight Multi-Scale Frequency-Aware Network for Noise-Robust Rolling Bearing Fault Diagnosis

एक कारखाने के फर्श की कल्पना एक विशाल, गूंजते हुए ऑर्केस्ट्रा के रूप में करें। इस ऑर्केस्ट्रा के भीतर, सबसे महत्वपूर्ण संगीतकार रोलिंग बेयरिंग हैं—छोटे, मेहनती पहिये जो विंड टर्बाइन और इलेक्ट्रिक मोटर जैसी विशाल मशीनों को सुचारू रूप से घुमाते रहते हैं। लेकिन किसी भी संगीतकार की तरह, यदि बेयरिंग पर एक छोटा सा खरोंच या चिप आ जाए, तो वह थोड़ा बेसुरा स्वर बजाना शुरू कर देता है। ये "स्वर" वास्तव में मशीन के कंपन में होने वाली तीव्र, लयबद्ध झटके (bumps) हैं। यदि हम इन झटकों को जल्दी सुन सकें, तो हम मशीन के पूरी तरह से टूटने से पहले उसे ठीक कर सकते हैं, जिससे पैसा बचता है और आपदाओं को रोका जा सकता है।

समस्या यह है कि कारखाने का फर्श अविश्वसनीय रूप से शोर भरा होता है। वहां मोटरों की दहाड़, गियरों की खड़खड़ाहट और बिजली की गूंज होती है, जो विफल होते बेयरिंग के सूक्ष्म "झटकों" को दबा देती है। यह एक रॉक कॉन्सर्ट के बीच में किसी व्यक्ति के फुसफुसाते हुए रहस्य को सुनने की कोशिश करने जैसा है। दशकों से, वैज्ञानिकों ने कंप्यूटर प्रोग्राम (आर्टिफिशियल इंटेलिजेंस) बनाने की कोशिश की है जो इन कंपनों को सुन सकें और खराबी का पता लगा सकें। हालाँकि, इनमें से अधिकांश प्रोग्राम विशाल, भारी-मस्तिष्क वाले दिग्गजों की तरह हैं: उन्हें चलाने के लिए भारी-भरकम कंप्यूटरों की आवश्यकता होती है और पृष्ठभूमि का शोर बहुत अधिक होने पर वे भ्रमित हो जाते हैं। वे सूक्ष्म विवरणों को अनदेखा कर देते हैं या अराजकता से धोखा खा जाते हैं, जिससे गलत निदान होता है।

यहीं पर यूलियांग ली और चेंगगांग झांग का एक नया अध्ययन काम आता है। उन्होंने केवल एक बड़ा, भारी दिमाग नहीं बनाया; उन्होंने एक स्मार्ट, हल्का दिमाग बनाया। उन्होंने FSMSN (फ्रीक्वेंसी-सेंसिटिव मल्टी-स्केल नेटवर्क) नामक एक प्रणाली बनाई जो एक बहुत ही विशिष्ट प्रकार के ईयरप्लग्स (कान के प्लग) वाले जासूस की तरह कार्य करती है। पूरे शोर भरे कॉन्सर्ट को सुनने के बजाय, यह जासूस जानता है कि मशीन के भौतिक विज्ञान (physics) के आधार पर वह गुप्त फुसफुसाहट वास्तव में कहाँ से आनी चाहिए। सिग्नल को उन विशिष्ट "फुसफुसाहट क्षेत्रों" को बढ़ाने और बाकी शोर को दबाने के लिए रीवेट (reweight) करके, यह प्रणाली तब भी विफल होते बेयरिंग का पता लगा सकती है जब कारखाना चिल्ला रहा हो। शोधकर्ताओं ने इसे मशीन कंपनों के दो प्रसिद्ध डेटासेट्स पर परखा और पाया कि उनकी यह हल्की प्रणाली न केवल चलाने में तेज़ और सस्ती है, बल्कि शोर को अनदेखा करने में वर्तमान सर्वोत्तम तरीकों की तुलना में काफी बेहतर है।

जासूस का टूलकिट: FSMSN कैसे काम करता है

यह समझने के लिए कि यह नई प्रणाली कैसे काम करती है, कल्पना करें कि आप भारी बारिश के दौरान कीचड़ भरे मैदान में पदचिह्नों के एक विशिष्ट पैटर्न को खोजने की कोशिश कर रहे हैं। बारिश (शोर) विवरणों को धो रही है, और कीचड़ हर जगह है।

1. स्नैपशॉट (STFT)
सबसे पहले, सिस्टम एक कच्चे कंपन सिग्नल को लेता है—जो समय के साथ ध्वनि की एक टेढ़ी-मेढ़ी रेखा है—और उसे स्पेक्ट्रोग्राम नामक एक चित्र में बदल देता है। इसे कीचड़ भरे मैदान की फोटो लेने जैसा समझें, लेकिन कीचड़ के बजाय, आप ध्वनि आवृत्तियों (frequencies) का एक मानचित्र देखते हैं। क्षैज़ अक्ष (horizontal axis) समय है, और ऊर्ध्वाधर अक्ष (vertical axis) पिच (आवृत्ति) है। इस चित्र में, एक स्वस्थ बेयरिंग एक शांत, सपाट झील की तरह दिखता है, जबकि एक टूटा हुआ बेयरिंग ऊर्जा के छोटे विस्फोटों की तरह दिखाई देता है, जैसे पानी पर बारिश की बूंदें गिर रही हों।

2. मल्टी-स्केल फ्लैशलाइट (FSMSDC)
पहली चुनौती यह है कि ये "बारिश की बूंदों" जैसे विस्फोट नुकसान की गंभीरता के आधार पर अलग-अलग दिख सकते हैं। कुछ तीखे और पतले होते हैं; अन्य चौड़े और धुंधले होते हैं। एक मानक कैमरा लेंस (एक सामान्य कंप्यूटर फ़िल्टर) या तो केवल पतली रेखाओं को देखने में अच्छा हो सकता है या केवल चौड़े धब्बों को देखने में, लेकिन दोनों में नहीं।
शोधकर्ताओं ने FSMSDC नामक एक विशेष मॉड्यूल बनाया है जो एक ऐसी फ्लैशलाइट की तरह काम करता है जिसमें एक साथ चार अलग-अलग लेंस होते हैं। यह एक छोटे 3x3 लेंस, एक मध्यम 5x5 लेंस, एक बड़े 7x7 लेंस और यहाँ तक कि एक खींचे हुए लेंस के माध्यम से प्रकाश डालता है। यह सिस्टम को दोष के पैटर्न को पकड़ने की अनुमति देता, चाहे वे चित्र में कितने भी "चौड़े" या "पतले" क्यों न दिखें। यह अलग-अलग आकार के पदचिह्नों को खोजने वाले जासूसों की एक टीम रखने जैसा है, जिससे यह सुनिश्चित होता है कि कुछ भी छूट न जाए।

3. भौतिकी-आधारित ईयरप्लग्स (PFACA)
यह सबसे चतुर हिस्सा है। एक शोर वाले कारखाने में, टूटे हुए बेयरिंग के "पदचिह्न" अक्सर कीचड़ (शोर) के पहाड़ के नीचे दबे होते हैं। एक सामान्य AI पूरे चित्र को देख सकता है और भ्रमित हो सकता है, यह अनुमान लगाने की कोशिश कर सकता है कि कौन सा हिस्सा महत्वपूर्ण है।
शोधकर्ताओं ने अपने सिस्टम को भौतिकी पर आधारित एक 'चीट शीट' दी। उन्होंने सटीक गणना की कि टूटे हुए बेयरिंग की "फुसफुसाहट" फ्रीक्वेंसी मैप पर कहाँ होनी चाहिए। ये विशिष्ट आवृत्तियाँ हैं जिन्हें BPFI, BPFO, BSF, और FTF कहा जाता है (जो "बॉल पास फ्रीक्वेंसी इनर रेस" जैसी चीजों को दर्शाते हैं)। ये कोई रैंडम अनुमान नहीं हैं; ये बेयरिंग के आकार और बनावट से प्राप्त गणितीय तथ्य हैं।
सिस्टम PFACA नामक एक मॉड्यूल का उपयोग इस ज्ञान को एक "सॉफ्ट प्रायर" (soft prior) के रूप में डालने के लिए करता है। कल्पना करें कि आप फ्रीक्वेंसी मैप के उन विशिष्ट पंक्तियों पर एक चमकता हुआ हाइलाइटर रख रहे हैं जहाँ दोष होना ही चाहिए। सिस्टम फिर डेटा को रीवेट (reweight) करता है, उन विशिष्ट फ्रीक्वेंसी पंक्तियों की आवाज़ बढ़ाता है और शोर वाली पंक्तियों की आवाज़ कम कर देता है। महत्वपूर्ण बात यह है कि यह हाइलाइटर यह परवाह नहीं करता कि वह विशिष्ट दोष कौन सा है (इनर रेस या आउटर रेस); यह बस इतना जानता है कि इन विशिष्ट फ्रीक्वेंसी बैंड्स में कुछ दोष ऊर्जा होगी। यह एक ऐसे फिल्टर की तरह कार्य करता है जो तेज़, अप्रासंगिक शोर को रोकता है और शांत, महत्वपूर्ण सिग्नल को बढ़ाता है।

परिणाम: शोर में भी हल्का, तेज़ और स्पष्ट

शोधकर्ताओं ने अपने सिस्टम का परीक्षण दस अन्य लोकप्रिय AI मॉडलों के विरुद्ध किया, जिनमें ResNet और Transformers जैसे भारी मॉडल भी शामिल थे, और इसके लिए CWRU और पडेबॉर्न यूनिवर्सिटी के डेटासेट्स का उपयोग किया गया।

• क्लीन रूम टेस्ट: जब डेटा साफ था (कोई शोर नहीं जोड़ा गया), तो नए सिस्टम ने 97.18% सटीकता प्राप्त की। यह पिछले सर्वश्रेष्ठ मॉडल (DRS) से बेहतर था, जिसने 95.94% प्राप्त किया था।
• हेवी मेटल टेस्ट: असली जादू तब हुआ जब उन्होंने शोर जोड़ा। उन्होंने शोर के स्तर को -4 dB (जो बहुत तेज़ और अराजक है) तक बढ़ाकर एक कारखाने के फर्श का अनुकरण किया।
  • पुराना सर्वश्रेष्ठ मॉडल (DRS) गिरकर 81.23% सटीकता पर आ गया।
  • नया FSMSN सिस्टम 85.92% पर मजबूत बना रहा।
  • यह 4.69 प्रतिशत अंक का अंतर है, जो AI की दुनिया में एक बहुत बड़ा अंतर है।

अध्ययन ने यह भी दिखाया कि यह सिस्टम अविश्वसनीय रूप से कुशल है। जबकि अन्य मॉडलों में लाखों पैरामीटर (AI के "मस्तिष्क कोशिकाएं") हो सकते हैं, इसमें केवल 0.38 मिलियन हैं। यह इतना हल्का है कि इसे एक साधारण उपभोक्ता-ग्रेड ग्राफिक्स कार्ड पर चलाया जा सकता है और इसे बिना सुपरकंप्यूटर की आवश्यकता के सीधे मशीन (एज डिप्लॉयमेंट) पर स्थापित किया जा सकता है।

यह अध्ययन क्या खारिज करता है

शोधकर्ताओं ने यह साबित करने के लिए सावधानी बरती कि उनकी सफलता केवल एक भाग्यशाली दुर्घटना या एक सरल ट्रिक नहीं थी। उन्होंने यह सुनिश्चित करने के लिए कई "क्या होगा अगर" प्रयोग चलाए कि उनके "भौतिकी-आधारित ईयरप्लग्स" वास्तव में काम कर रहे थे:

• यह केवल कम आवृत्तियों (low frequencies) के बारे में नहीं है: उन्होंने परीक्षण किया कि क्या होता है यदि वे "हाइलाइटर" को गलत आवृत्तियों पर ले जाते (इसे 20% तक खिसका दिया) या यदि वे इसे एक रैंडम अनुमान बनाते। दोनों मामलों में, सटीकता काफी कम हो गई। यह साबित करता है कि सिस्टम केवल किसी भी कम ध्वनि को नहीं बढ़ा रहा है; इसे काम करने के लिए विशेष रूप से सही भौतिक आवृत्तियों की आवश्यकता है।
• यह केवल एक जेनेरिक नॉइज़ रिड्यूसर नहीं है: उन्होंने अन्य अटेंशन मैकेनिज्म (जैसे SE और CBAM) के साथ तुलना की जो भौतिकी को जाने बिना यह समझने की कोशिश करते हैं कि क्या महत्वपूर्ण है। वे जेनेरिक तरीके शोर वाली स्थितियों में मुकाबला करने में विफल रहे, जिससे पता चलता है कि इस विशिष्ट कार्य के लिए "खेल के नियमों" (भौतिकी) को जानना आवश्यक है।
• यह अनदेखी मशीनों पर भी काम करता है: उन्होंने एक ऐसे डेटासेट पर परीक्षण किया जिसमें ऐसे बेयरिंग थे जिन्हें उसने पहले कभी नहीं देखा था (पडेबॉर्न डेटासेट)। भले ही विशिष्ट बेयरिंग अलग थे, फिर भी सिस्टम ने अच्छा प्रदर्शन किया (85.27%), जो साबित करता है कि भौतिकी-आधारित दृष्टिकोण नई स्थितियों में भी अच्छी तरह से काम करता है।

निष्कर्ष

यह पेपर एक बहुत ही वास्तविक औद्योगिक समस्या के लिए एक व्यावहारिक समाधान प्रस्तुत करता है। एक मल्टी-स्केल "फ्लैशलाइट" के साथ, जो क्षति के विभिन्न आकारों को देखती है, और एक "भौतिकी-आधारित ईयरप्लग" के साथ, जो जानता है कि कहाँ सुनना है और तदनुसार सिग्नल को रीवेट करता है, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो वर्तमान में उपलब्ध किसी भी चीज़ की तुलना में हल्का, तेज़ और शोर के प्रति अधिक मजबूत है। यह सुझाव देता है कि औद्योगिक निगरानी के लिए, कठिन भौतिकी ज्ञान को लचीले AI लर्निंग के साथ मिलाना एक सफल रणनीति है। यह सिस्टम कारखाने के फर्श पर तैनात होने के लिए तैयार है, जो विफल होती मशीन की फुसफुसाहट को सुनने का एक तरीका प्रदान करता है, भले ही कारखाना चिल्ला रहा हो।