Operating-Condition-Decoupled Sparse Order-Domain Gear Fault Monitoring for Range-Extended Hybrid Agricultural Machinery in Hilly and Mountainous Areas

पहाड़ियों और पर्वतों के ऊबड़-खाबड़, असमान इलाकों में, भारी मशीनरी को एक अनूठी चुनौती का सामना करना पड़ता है: जमीन कभी समतल नहीं होती, और काम कभी स्थिर नहीं होता। जब एक ट्रैक्टर या हार्वेस्टर किसी ढलान पर चढ़ता है या घनी मिट्टी में हल चलाता है, तो उसके इंजन और ट्रांसमिशन को लगातार तालमेल बिठाना पड़ता है, जिससे उसके घूमने वाले हिस्सों की गति में भारी उतार-चढ़ाव आता है। उन इंजीनियरों के लिए जिन्हें इन मशीनों को टूट-फूट या क्षति के शुरुआती संकेतों को पहचानने के लिए सुनना होता है, यह परिवर्तनशीलता एक बड़ी बाधा है। खराबी को सुनने के पारंपरिक तरीके उन विशिष्ट, स्थिर ध्वनियों को खोजने पर निर्भर करते हैं जो टूटे हुए गियर या घिसे हुए बेयरिंग का संकेत देती हैं। हालांकि, जब मशीन की गति बदलती है, तो वे ध्वनियाँ अपनी पिच (pitch) बदल लेती हैं और धुंधली हो जाती हैं, जिससे यह बताना मुश्किल हो जाता है कि कोई अजीब आवाज गंभीर खराबी का संकेत है या केवल एक खड़ी पहाड़ी के प्रति एक सामान्य प्रतिक्रिया है। यह अनिश्चितता गलत अलार्म (false alarms) की ओर ले जाती है, जहाँ एक स्वस्थ मशीन को खराब बताया जाता है, या वास्तविक समस्याओं का पता नहीं चल पाता, जिससे वे खेत में विफल होने तक अनसुनी रह जाती हैं।

इसे हल करने के लिए, हेनान यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी और लॉन्गमेन लेबोरेटरी के शोधकर्ताओं ने इन कठिन परिदृश्यों के लिए डिज़ाइन की गई हाइब्रिड कृषि मशीनों के गियर के स्वास्थ्य की निगरानी करने का एक नया तरीका विकसित किया है। मशीन की आवाजों को वास्तविक समय में सुनने के बजाय, उन्होंने एक ऐसी विधि बनाई जो कंपन डेटा (vibration data) को एक ऐसे प्रारूप में बदल देती है जो मशीन के तेज या धीमे होने पर भी स्थिर रहता है। आभासी पहाड़ियों पर संचालन के हजारों घंटों का अनुकरण करके, उन्होंने एक प्रणाली को प्रशिक्षित किया जो बदलते ढलानों और भार के कारण होने वाले शोर को अनदेखा कर सके, और केवल उन विशिष्ट पैटर्न पर ध्यान केंद्रित कर सके जो एक गियर के क्षतिग्रस्त होने का संकेत देते हैं। उनका दृष्टिकोण सफलतापूर्वक स्वस्थ गियर और दोषपूर्ण गियर के बीच अंतर करने में सफल रहा, भले ही मशीन उन स्थितियों में काम कर रही हो जिन्हें उसने पहले कभी नहीं देखा था, जो हाइब्रिड कृषि उपकरणों को दुनिया के सबसे चुनौतीपूर्ण खेतों में सुरक्षित और कुशलता से चलाने की दिशा में एक आशाजनक मार्ग प्रदान करता है।

इस कार्य का मूल आधार एक विशिष्ट प्रकार के वाहन को संबोधित करता है: रेंज-एक्सटेंडेड हाइब्रिड कृषि मशीन। ये शक्तिशाली ट्रैक्टर और हार्वेस्टर हैं जो बिजली उत्पन्न करने के लिए एक छोटे इंजन का उपयोग करते हैं, जो फिर बैटरी को चार्ज करती है या पहियों को घुमाने के लिए सीधे एक इलेक्ट्रिक मोटर को शक्ति प्रदान करती है। यह डिज़ाइन उन्हें उच्च शक्ति और कम उत्सर्जन के साथ काम करने की अनुमति देता है, लेकिन यह जटिल कंपन भी पेश करता है। इंजन शुरू और बंद होता है, बैटरी चार्ज और डिस्चार्ज होती है, और इलेक्ट्रिक मोटर मोड बदलती है, और यह सब तब होता है जब मशीन ढलानों पर चढ़ती है और भारी भार खींचती है। एक पारंपरिक डीजल ट्रैक्टर में, कंपन के पैटर्न अपेक्षाकृत अनुमानित होते हैं। इन हाइब्रिड मशीनों में, कंपन इंजन की लय, इलेक्ट्रिक मोटर की गूंज, गियर के रगड़ने की आवाज और असमान जमीन के झटकों का एक अराजक मिश्रण होता है। जब इन हाइब्रिड मशीनों के ट्रांसमिशन के भीतर एक गियर विफल होने लगता है, तो उसके चेतावनी संकेत अक्सर इस अराजक बैकग्राउंड शोर के नीचे दब जाते हैं।

शोधकर्ताओं ने इन मशीनों के पहाड़ी इलाकों में व्यवहार करने के तरीके का एक विस्तृत कंप्यूटर सिमुलेशन बनाने से शुरुआत की। वे केवल वास्तविक दुनिया के डेटा पर निर्भर नहीं थे, क्योंकि महंगी कृषि मशीनों पर वास्तव में टूटे हुए गियर्स के पर्याप्त उदाहरण एकत्र करना कठिन और खतरनाक है। इसके बजाय, उन्होंने एक आभासी वातावरण बनाया जो उच्च सटीकता के साथ वास्तविक दुनिया की नकल करता है। उन्होंने सिमुलेशन को लंबे ड्राइविंग चक्रों को उत्पन्न करने के लिए प्रोग्राम किया जिसमें जुताई, सामान ढोना और मिश्रित पहाड़ी मार्गों पर नेविगेट करना शामिल था। सिमुलेशन ने मशीन के कंपन को बदलने वाले प्रत्येक कारक को ध्यान में रखा: ढलान का तीखापन, मिट्टी का प्रतिरोध, वाहन की गति, बैटरी का चार्ज स्तर और रेंज-एक्सटेंडर इंजन की स्थिति। महत्वपूर्ण रूप से, उन्होंने एक "युग्मित" (paired) रणनीति का उपयोग किया। प्रत्येक एकल सिम्युलेटेड ड्राइव के लिए, उन्होंने कंपन डेटा के दो संस्करण तैयार किए: एक जो पूरी तरह से स्वस्थ मशीन का प्रतिनिधित्व करता है और दूसरा जो उसी मशीन का प्रतिनिधित्व करता है जिसमें एक विशिष्ट गियर दोष है। दोनों संस्करणों ने बिल्कुल एक ही पहाड़ी, एक ही भार और एक ही गति परिवर्तन का अनुभव किया। एकमात्र अंतर दोष की उपस्थिति थी। इसने यह सुनिश्चित किया कि जब कंप्यूटर उनके बीच अंतर करना सीख रहा था, तो वह केवल एक खड़ी पहाड़ी और एक समतल सड़क के बीच के अंतर को नहीं, बल्कि स्वयं दोष को पहचानना सीख रहा था।

एक बार जब उन्होंने 2,000 ऐसे युग्मित नमूने उत्पन्न कर लिए, तो शोधकर्ताओं के सामने कच्चे कंपन संकेतों से उपयोगी जानकारी निकालने का कार्य आया। एक मानक विश्लेषण में, इंजीनियर कंपन की आवृत्ति (frequency) को देखते हैं, जो ध्वनि की पिच सुनने जैसा है। हालांकि, चूंकि मशीन की गति लगातार बदल रही थी, गियर दोष की पिच ऊपर-नीचे होती रही, जिससे इसकी ऊर्जा एक विस्तृत श्रृंखला में फैल गई और इसे पहचानना कठिन हो गया। टीम ने इस समस्या को ठीक करने के लिए 'कंप्यूटेड ऑर्डर ट्रैकिंग' (computed order tracking) नामक तकनीक का उपयोग किया। समय के समान अंतराल पर कंपन को मापने के बजाय, उन्होंने इसे ड्राइव शाफ्ट के रोटेशन के समान कोणों पर मापा। कल्पना कीजिए एक घूमते हुए पहिये की: यदि आप हर बार फोटो लेते हैं जब पहिया एक निश्चित मात्रा में घूमता है, तो रिम पर दरार की तस्वीर हमेशा एक ही स्थान पर होगी, भले ही पहिया तेज़ या धीमा घूम रहा हो। इस तर्क को कंपन डेटा पर लागू करके, शोधकर्ताओं ने बदलते, विचलित होते संकेतों को एक स्थिर मानचित्र में बदल दिया जहाँ दोष हमेशा एक ही स्थान पर दिखाई देता है, चाहे मशीन कितनी भी तेज चल रही हो।

अब डेटा को इस स्थिर मानचित्र में व्यवस्थित करने के बाद, अगला कदम उन विशिष्ट विशेषताओं को खोजना था जो मायने रखती हैं। शोधकर्ताओं ने इस मानचित्र के विभिन्न हिस्सों से दर्जनों माप निकाले, ऊर्जा के शिखर (peaks), औसत स्तरों में परिवर्तन और अपने परिवेश के सापेक्ष संकेतों की ताकत की तलाश की। इसने संभावित सुरागों की एक विशाल सूची बना दी, जिनमें से कई केवल शोर या बैटरी या इंजन के कारण होने वाले अप्रासंगिक विवरण थे। इस अव्यवस्था को दूर करने के लिए, उन्होंने एक गणितीय उपकरण का उपयोग किया जो स्वचालित रूप से केवल सबसे महत्वपूर्ण सुरागों का चयन करता है और बाकी को हटा देता है। 'स्पार्स फीचर सिलेक्शन' (sparse feature selection) के रूप में जानी जाने वाली यह प्रक्रिया, मशीन के संचालन के बैकग्राउंड शोर को हटाने वाले एक फिल्टर की तरह काम करती है, जिससे संकेतों का एक छोटा, सटीक सेट पीछे रह जाता है जो गियर दोष से मजबूती से जुड़ा हुआ है और बैटरी चार्ज या पहाड़ी के ढलान से पूरी तरह से असंबंधित है।

अंत में, शोधकर्ताओं ने अपने सिस्टम का परीक्षण किया कि क्या यह वास्तव में दोषों की पहचान कर सकता है। उन्होंने अपने सिम्युलेटेड डेटा को ट्रेनिंग सेट और टेस्ट सेट में विभाजित किया, कंप्यूटर को एक समूह से सीखने और फिर दूसरे के स्वास्थ्य की भविष्यवाणी करने के लिए कहा। उन्होंने अपने नए तरीके की तुलना कई पुराने, मानक तरीकों से की। परिणाम स्पष्ट थे: नए दृष्टिकोण ने, जिसने स्थिर कोण-आधारित मानचित्र और स्मार्ट फीचर फिल्टर को जोड़ा था, पारंपरिक तरीकों को काफी पीछे छोड़ दिया। बार-बार किए गए परीक्षणों में, सिस्टम ने लगभग 94 प्रतिशत की सटीकता के साथ गियर की स्थिति को सही ढंग से पहचाना। यह उल्लेखनीय रूप से बेहतर था क्योंकि मानक फ्रीक्वेंसी-आधारित तरीके, जो परिवर्तनशील गति के साथ तालमेल बिठाने में संघर्ष करते हैं, असफल रहे। शायद इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने उन स्थितियों में भी मजबूती दिखाई जो उसने पहले कभी नहीं देखी थीं। जब शोधकर्ताओं ने इसे उन गति, भार या ढलानों वाले डेटा पर परखा जो प्रशिक्षण डेटा की सीमा से बाहर थे, तो नए तरीके ने उच्च सटीकता बनाए रखी, जबकि पुराने तरीकों का प्रदर्शन तेजी से गिर गया।

अध्ययन ने यह भी खुलासा किया कि सिस्टम जिन विशिष्ट विशेषताओं पर भरोसा करता है, वे वास्तव में गियर से संबंधित थे न कि मशीन के अन्य सिस्टम से। चयनित संकेतक कंपन मानचित्र के उन विशिष्ट क्षेत्रों में केंद्रित थे जो ड्राइव शाफ्ट के रोटेशन के अनुरूप हैं, और वे बैटरी के चार्ज स्तर या इंजन के ऑन-ऑफ चक्रों से लगभग पूरी तरह से असंबंधित थे। इसने पुष्टि की कि विधि सफलतापूर्वक जटिल हाइब्रिड पावरट्रेन से यांत्रिक दोष को अलग करने में सफल रही। शोधकर्ताओं ने पाया कि एक बार डेटा को ठीक से तैयार कर लेने के बाद एक सरल प्रकार का कंप्यूटर क्लासिफायर भी उच्च सटीकता प्राप्त कर सकता है, जो यह सुझाव देता है कि वास्तविक सफलता अंतिम निर्णय लेने वाले उपकरण की जटिलता में नहीं, बल्कि इस बात में थी कि डेटा को कैसे व्यवस्थित और साफ किया गया।

यद्यपि परिणाम उत्साहजनक हैं, लेखक सावधानीपूर्वक नोट करते हैं कि ये निष्कर्ष एक सिमुलेशन से आए हैं। आभासी वातावरण, हालांकि विस्तृत है, वास्तविक खेत की अस्त-व्यस्त वास्तविकता की पूरी तरह से नकल नहीं कर सकता, जहाँ सेंसर अलग तरह से लगे हो सकते हैं, या जहाँ ट्रांसमिशन पथ जंग या गंदगी से प्रभावित हो सकता है जिसे कंप्यूटर मॉडल ने अनुमानित नहीं किया होगा। यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि दृष्टिकोण सैद्धांतिक रूप से ठोस है और पहाड़ी खेती की अत्यधिक परिवर्तनशीलता को संभालने में सक्षम है। अगला कदम, जैसा कि शोधकर्ता बताते हैं, आवश्यक सेंसरों से लैस एक वास्तविक मशीन बनाना है और सिस्टम का खेत में परीक्षण करना है। यदि यह विधि वास्तविक दुनिया में भी कायम रहती है, तो यह किसानों को उनके महंगे हाइब्रिड उपकरणों की निगरानी करने का एक विश्वसनीय तरीका प्रदान कर सकती है, जिससे अप्रत्याशित ब्रेकडाउन को रोका जा सके और यह सुनिश्चित किया जा सके कि ये उन्नत मशीनें आधुनिक कृषि को परिभाषित करने वाले कठिन, ढलानी खेतों में काम करना जारी रख सकें।