Bayesian-Optimized VMD and Attention-Based CNN- BiLSTM for Early Gearbox Fault Diagnosis

आधुनिक दुनिया को शक्ति देने वाली भारी मशीनरी में, बिजली उत्पन्न करने वाले टर्बाइनों से लेकर महाद्वीपों के पार चलती ट्रेनों तक, गियरबॉक्स एक महत्वपूर्ण हृदय की तरह है। यह शक्ति संचारित करता है और गति को समायोजित करता है, निरंतर तनाव, कंपन और प्रभाव को सहन करता है। किसी भी यांत्रिक प्रणाली की तरह, ये घटक हमेशा के लिए नहीं चलते; समय के साथ इनमें घिसावट और दरारें विकसित होती हैं। सबसे खतरनाक विफलताएं अक्सर सूक्ष्म, लगभग अदृश्य दोषों के रूप में शुरू होती—ऐसी दरारें जो एक मिलीमीटर से भी छोटी होती हैं या गियर के दांत पर ऐसे गड्ढे जो मुश्किल से पता चल सकें। यदि इन शुरुआती संकेतों को अनदेखा कर दिया जाता है, तो एक मामूली समस्या एक विनाशकारी ब्रेकडाउन में बदल सकती है, जिससे भारी आर्थिक नुकसान और सुरक्षा संबंधी खतरे पैदा हो सकते हैं। दशकों से, इंजीनियर इन मशीनों की गुनगुनाहट को सुनने की कोशिश करते रहे हैं ताकि इन शुरुआती चेतावनीों को सुना जा सके, लेकिन संकेत अक्सर सामान्य संचालन के शोर में दब जाते हैं। मशीनों के शोर के बीच दोष के धीमे फुसफुसाहट को अलग करना पारंपरिक तरीकों के लिए कठिन होता है, विशेष रूप से तब जब उपकरण की गति और भार लगातार बदल रहे हों।

इसे हल करने के लिए, किकीहार विश्वविद्यालय (Qiqihar University) के शोधकर्ताओं की एक टीम ने एक नया तरीका विकसित किया है, जो उन्नत सिग्नल प्रोसेसिंग को एक प्रकार के आर्टिफिशियल इंटेलिजेंस के साथ जोड़ता है जिसे पैटर्न से सीखने के लिए डिज़ाइन किया गया है। उनका दृष्टिकोण गियरबॉक्स के कंपन डेटा को केवल एक शोर भरे ढेर के रूप में नहीं, बल्कि एक स्तरित संकेत (layered signal) के रूप में देखता है जिसे सावधानीपूर्वक अलग किया जा सकता है। वे पहले एक गणितीय तकनीक का उपयोग करके जटिल कंपन को सरल, स्वच्छ टुकड़ों में तोड़ते हैं, जिससे उन विशिष्ट आवृत्तियों (frequencies) को अलग किया जा सके जहाँ कोई दोष छिपा हो सकता है। हालाँकि, ऐसा मैन्युअल रूप से करना धीमा और अक्सर गलत होता है, इसलिए वे एक स्मार्ट सर्च एल्गोरिदम का उपयोग करते हैं जो इन परतों को अलग करने के लिए सटीक सेटिंग्स को स्वचालित रूप से खोज लेता है, ठीक वैसे ही जैसे रेडियो को बिना किसी स्टेटिक के स्पष्ट स्टेशन खोजने के लिए ट्यून किया जाता है। एक बार सिग्नल साफ हो जाने के बाद, वे इसे एक डीप लर्निंग सिस्टम में फीड करते हैं जो पैटर्न पहचानने की मानवीय मस्तिष्क की क्षमता की नकल करता है। यह सिस्टम डेटा को दो तरीकों से एक साथ देखता है: यह किसी भी क्षण में सिग्नल के आकार का परीक्षण करता है और साथ ही यह भी अध्ययन करता है कि समय के साथ सिग्नल कैसे बदलता है, ताकि दरार या घिसे हुए दांत की विशिष्ट लय (rhythm) को पहचाना जा सके। यह सुनिश्चित करने के लिए कि सिस्टम सबसे महत्वपूर्ण सुरागों पर ध्यान केंद्रित करे, उन्होंने एक ऐसा तंत्र जोड़ा है जो एक स्पॉटलाइट की तरह काम करता है, जो मुख्य विशेषताओं को उजागर करता है और बैकग्राउंड शोर को अनदेखा करता है।

शोधकर्ताओं ने इस नए तरीके का परीक्षण त्सिंगहुआ विश्वविद्यालय द्वारा प्रदान किए गए गियरबॉक्स डेटासेट के एक बड़े संग्रह का उपयोग करके किया। इस डेटासेट में पांच अलग-अलग अवस्थाओं का प्रतिनिधित्व करने वाले हजारों नमूने शामिल थे: एक स्वस्थ गियरबॉक्स, हल्के घिसावट वाले गियर्स, छोटे क्रैक्स वाले गियर्स, और आंतरिक एवं बाहरी रिंगों पर गड्ढे (pitting) वाले गियर्स। ये परीक्षण नौ अलग-अलग कार्य स्थितियों के तहत चलाए गए थे, जो विभिन्न गति और भार का अनुकरण करते हैं ताकि यह सुनिश्चित किया जा सके कि यह विधि वास्तविक दुनिया के परिदृश्यों में काम करे। परिणाम स्पष्ट और सटीक थे। नए सिस्टम ने लगभग 90% मामलों में दोष के प्रकार की सही पहचान की, जो मौजूदा तरीकों की तुलना में एक महत्वपूर्ण सुधार है। जब इसकी तुलना अन्य मॉडलों से की गई जो प्रक्रिया के केवल एक हिस्से का उपयोग करते थे—जैसे कि केवल सिग्नल की सफाई या केवल पैटर्न पहचान—तो पूर्ण प्रणाली बहुत बेहतर प्रदर्शन करती है। अध्ययन ने दिखाया कि सिग्नल अलगाव को ट्यून करने के लिए स्मार्ट सर्च के बिना, सटीकता गिर गई, और मुख्य विशेषताओं पर ध्यान केंद्रित करने के लिए स्पॉटलाइट तंत्र के बिना, सिस्टम कम विश्वसनीय हो गया। यहाँ तक कि जब मशीन की गति बदली, तब भी सिस्टम स्थिर रहा, जिससे सिद्ध हुआ कि यह औद्योगिक वातावरण की अनिश्चित प्रकृति को संभालने में सक्षम है।

यह कार्य विशेष रूप से इसलिए मूल्यवान है क्योंकि यह समस्या के सबसे कठिन हिस्से को कैसे संभालता है: "मामूली" दोषों को। ये शुरुआती चरण के मुद्दे हैं जिन्हें पहचानना सबसे कठिन होता है क्योंकि उनके संकेत बहुत कमजोर होते हैं। शोधकर्ताओं ने पाया कि उनकी विधि एक स्वस्थ मशीन और विशिष्ट दोषों, जैसे कि 0.3 मिलीमीटर लंबाई वाली टूथ रूट क्रैक या 0.1 मिलीमीटर गहराई वाले टूथ वियर के बीच अंतर कर सकती है, भले ही मशीन भारी लोड के तहत चल रही हो। कंपन सिग्नल को इसके मूल घटकों में तोड़कर और फिर उन घटकों के स्थानिक आकार (spatial shape) और समय-आधारित विकास (time-based evolution) दोनों का विश्लेषण करने के लिए एक हाइब्रिड इंटेलिजेंस सिस्टम का उपयोग करके, इस पद्धति ने सफलतापूर्वक उस हस्तक्षेप (interference) को फ़िल्टर कर दिया जो आमतौर पर इन शुरुआती चेतावनीओं को छिपा देता है। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि विश्लेषण का एक एकल प्रकार पर्याप्त हो सकता है; न तो एक साधारण पैटर्न मैचर और न ही एक बुनियादी सिग्नल क्लीनर अकेले अच्छा काम कर सका। इसके बजाय, उच्च सटीकता प्राप्त करने के लिए एडेप्टिव सिग्नल सेपरेशन और एक ड्यूल-फोकस न्यूरल नेटवर्क का संयोजन आवश्यक था।

इस निष्कर्ष के निहितार्थ उन उद्योगों के लिए व्यावहारिक और तत्काल हैं जो घूमती हुई मशीनरी (rotating machinery) पर निर्भर हैं। उच्च विश्वास के साथ दोषों का जल्दी पता लगाने का तरीका प्रदान करके, यह विधि प्रेडिक्टिव मेंटेनेंस (पूर्वानुमानित रखरखाव) की ओर एक मार्ग प्रशस्त करती है, जहाँ मशीनों की सेवा उनके टूटने के बाद के बजाय टूटने से पहले की जाती है। शोधकर्ताओं ने प्रदर्शित किया है कि उनका सिस्टम न केवल एक सैद्धांतिक अभ्यास है बल्कि एक मजबूत उपकरण है जो विभिन्न गति और भार के तहत काम करने में सक्षम है, जो वास्तविक दुनिया के अनुप्रयोग के लिए आवश्यक है। अध्ययन निष्कर्ष निकालता है कि यह एकीकृत दृष्टिकोण महत्वपूर्ण औद्योगिक प्रणालियों की निगरानी के लिए एक विश्वसनीय समाधान प्रदान करता है, जो संभावित रूप से दुर्घटनाओं और डाउनटाइम से बचाकर अरबों डॉलर बचा सकता है। यह रिएक्टिव रिपेयर से प्रोएक्टिव सेफ्टी (सक्रिय सुरक्षा) की ओर एक बदलाव है, जो यह सुनिश्चित करता है कि हमारी अर्थव्यवस्था को चलाने वाली भारी मशीनरी सुचारू रूप से और सुरक्षित रूप से काम करती रहे।