Adaptive Wavelet Threshold Attention and Explainable Lightweight CNN for Strongly Time-Varying Fault Diagnosis and Feature Extraction Mechanism of Rotating Machinery

औद्योगिक दुनिया में, एक कारखाने की गूँज अक्सर स्वास्थ्य की ध्वनि होती है, लेकिन यह विफलता की भाषा भी है। विशाल गियरबॉक्स और घूमते हुए मोटरों के भीतर, सूक्ष्म दरारें और घिसे हुए दांत लंबे समय तक चिल्लाने से बहुत पहले फुसफुसाने लगते हैं। इंजीनियरों के लिए, चुनौती हमेशा मशीन के शोर के ऊपर इन फुसफुसाहटों को सुनने की रही है। जब कोई मशीन एक स्थिर गति पर चलती है, तो दोष की ध्वनि पूर्वानुमानित होती है, जैसे कि एक स्थिर ढोल की थाप। लेकिन वास्तविक दुनिया में, मशीनें शायद ही कभी स्थिर रहती हैं। वे तेज होती हैं, धीमी होती हैं, और भार (लोड) लगातार बदलती रहती हैं। यह निरंतर बदलाव दोष की ध्वनि को अस्त-व्यस्त कर देता है, जिससे वह पृष्ठभूमि के शोर में खो जाती है और धुंधली पड़ जाती है। इन मशीनों को सुनने के पारंपरिक उपकरण यहाँ संघर्ष करते हैं; वे स्थिर स्थितियों के लिए बनाए गए हैं और जब लय बदलती है तो भ्रमित हो जाते हैं, या वे इतने भारी और जटिल होते हैं कि उन्हें वास्तविक समय में सुनने के लिए मशीनों पर स्थापित नहीं किया जा सकता।

शोधकर्ता तेंगजी जिया और पेंगफेई पांग ने एक नया तरीका विकसित किया है जो सटीक भी है और सरल भी। उन्होंने एक डिजिटल प्रणाली बनाई है जिसे एक अत्यधिक ट्यून किए गए कान की तरह काम करने के लिए डिज़ाइन किया गया है जो मशीन की बदलती गति के अनुकूल खुद को ढाल सकती है और कारखाने के फर्श के शोर को फ़िल्टर कर सकती है। उनका दृष्टिकोण, जो उनके हालिया कार्य में वर्णित है, एक विशिष्ट प्रकार के कृत्रिम बुद्धिमत्ता (AI) पर केंद्रित है जो इतने हल्के कंप्यूटरों पर चलने के लिए पर्याप्त है जो छोटे, एम्बेडेड कंप्यूटरों पर चल सकें, लेकिन बेयरिंग और गियर में छिपे दोषों को खोजने के लिए पर्याप्त शक्तिशाली है। ध्वनि तरंगों के खिंचने और दबने को समझने वाली पद्धति को एक स्मार्ट फ़िल्टरिंग सिस्टम के साथ जोड़कर, जो ठीक जानता है कि शोर को कब अनदेखा करना है, उनकी प्रणाली उन समस्याओं का पता लगा सकती है जिन्हें अन्य विधियाँ चूक जाती हैं, भले ही मशीन कठिन और बदलती परिस्थितियों में चल रही हो।

उनका मुख्य कार्य उस समस्या को संबोधित करता है जिससे दोष निदान (fault diagnosis) लंबे समय से जूझ रहा है: जिस तरह से मशीन के तेज होने या धीमा होने पर दोष बदल जाते हैं। जब किसी बेयरिंग या गियर को नुकसान पहुँचता है, तो वह एक विशिष्ट कंपन पैटर्न बनाता है। हालाँकि, यदि मशीन की गति स्थिर नहीं है, तो उस कंपन की आवृत्ति (फ्रीक्वेंसी) बदल जाती है, ठीक वैसे ही जैसे एम्बुलेंसलेंस के पास से गुजरते समय सायरन की पिच बदल जाती है। पुराने कंप्यूटर मॉडल अक्सर इन ध्वनियों को खोजने के लिए निश्चित सेटिंग्स का उपयोग करते हैं, जिसका अर्थ है कि वे केवल इसलिए दोष को मिस कर सकते हैं क्योंकि मशीन की गति उस सेटिंग से थोड़ी भटक गई है जिसकी मॉडल को अपेक्षा थी। इसे हल करने के लिए, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो निश्चित सेटिंग्स पर निर्भर नहीं करती है। इसके बजाय, यह 'वेवलेट' नामक एक गणितीय उपकरण का उपयोग करती है, जो जटिल संकेतों को उनके हिस्सों में तोड़ने में उत्कृष्ट है, लेकिन उन्होंने इसे "अनुकूलनशील" (adaptive) बनाया है। इसका अर्थ यह है कि प्रणाली वास्तविक समय में दोष की बदलती पिच को ट्रैक करने के लिए अपनी आंतरिक सेटिंग्स को सीख और समायोजित कर सकती है, जिससे यह सुनिश्चित होता है कि मशीन की गति में भारी उतार-चढ़ाव के बावजूद यह सिग्नल को कभी खो न दे।

इस प्रणाली को वास्तविक दुनिया के लिए व्यावहारिक बनाने के लिए, टीम को एक और बाधा को पार करना था: जटिलता। कई उन्नत नैदानिक उपकरण विशाल सुपरकंप्यूटरों की तरह होते हैं; वे शक्तिशाली हैं लेकिन उन्हें सीधे कारखाने की मशीन पर रखने के लिए बहुत अधिक ऊर्जा और स्थान की आवश्यकता होती है। शोधकर्ताओं ने अपने समाधान को "हल्का" (lightweight) बनाने के लिए डिज़ाइन किया, जिसका अर्थ है कि यह बहुत कम कंप्यूटेशनल संसाधनों का उपयोग करता है। उन्होंने इसे एक एकल प्रसंस्करण परत (processing layer) तक सीमित करके हासिल किया। कई परतों वाले जटिल गणनाओं के ढेर लगाने के बजाय, जो कभी-कभी दोष के सूक्ष्म विवरणों को धुंधला कर सकते हैं, उनका मॉडल एक सीधा और सुव्यवस्थित मार्ग उपयोग करता है। यह डिज़ाइन सिस्टम को डेटा को तेजी से और कुशलता से संसाधित करने की अनुमति देता है, जिससे यह दूर स्थित सर्वर पर काम करने के बजाय औद्योगिक मशीनरी को नियंत्रित करने वाले 'एज डिवाइसेस' पर स्थापित करने के लिए उपयुक्त बन जाता है।

उनकी सफलता का एक महत्वपूर्ण हिस्सा यह है कि उनका सिस्टम शोर को कैसे संभालता है। एक शोर वाले कारखाने में, एक छोटी सी दरार का संकेत फर्श के कंपन या पास के मोटरों की गूँज में दब सकता है। शोधकर्ताओं ने अपने सिस्टम में एक विशेष मॉड्यूल जोड़ा है जो एक गतिशील द्वारपाल (gatekeeper) की तरह कार्य करता है। यह मॉड्यूल लगातार आने वाली ध्वनि का विश्लेषण करता है, औसत शोर स्तर और सिग्नल के उतार-चढ़ाव की गणना करता है। इस गणना के आधार पर, यह एक गतिशील सीमा (threshold) निर्धारित करता है। यदि कोई ध्वनि स्पाइक केवल यादृच्छिक शोर है, तो द्वारपाल उसे अनदेखा कर देता है। लेकिन यदि कोई स्पाइक दोष के पैटर्न से मेल खाता है, तो सिस्टम उसे बढ़ा देता है, जिससे कमजोर सिग्नल पृष्ठभूमि के शोर के विरुद्ध स्पष्ट रूप से उभर आता है। यह प्रक्रिया स्वचालित और निरंतर होती है, जिससे सिस्टम वास्तविक दोष संकेतों को बढ़ाने और हस्तक्षेप को दबाने में सक्षम होता है, एक ऐसी क्षमता जो उनके परीक्षणों में अत्यंत महत्वपूर्ण साबित हुई।

टीम ने अपने नए सिस्टम का परीक्षण दो चुनौतीपूर्ण डेटासेट्स पर किया जो वास्तविक औद्योगिक वातावरण की नकल करते हैं। पहले में एक बेयरिंग प्लेटफॉर्म शामिल था जहाँ गति लगातार बदल रही थी, और दूसरे में एक गियरबॉक्स शामिल था जिसे बदलते भार और गति के अधीन रखा गया था। इन परीक्षणों में, सिस्टम को कई अन्य उन्नत विधियों के विरुद्ध खड़ा किया गया, जिनमें गहरे शिक्षण (deep learning) वाले मॉडल भी शामिल थे जो बहुत बड़े और अधिक जटिल हैं। परिणाम आश्चर्यजनक थे। ऐसी स्थितियों में जहाँ शोर इतना अधिक था कि वह आमतौर पर दोष को छिपा देता, नए सिस्टम ने उच्च स्तर की सटीकता बनाए रखी, गियरबॉक्स डेटा पर 93.75 प्रतिशत मामलों में दोष के प्रकार की सही पहचान की और बेयरिंग डेटा पर इससे भी अधिक। इसके विपरीत, कई अन्य विधियों का प्रदर्शन शोर बढ़ने के साथ काफी गिर गया। नया सिस्टम अविश्वसनीय रूप से तेज़ भी साबित हुआ, जिसे डेटा का विश्लेषण करने में अपने प्रतिस्पर्धियों की तुलना में बहुत कम समय लगा, जो ब्रेकडाउन होने से पहले समस्याओं को पकड़ने के लिए आवश्यक है।

जो इस खोज को विशेष रूप से मजबूत बनाता है वह केवल उच्च सटीकता के आंकड़े नहीं हैं, बल्कि यह सांख्यिकीय प्रमाण है कि सुधार वास्तविक है और कोई इत्तेफाक नहीं है। शोधकर्ताओं ने अपने सिस्टम की तुलना अन्य प्रणालियों से करने के लिए कठोर सांख्यिकीय परीक्षण चलाए, और परिणामों ने दिखाया कि प्रदर्शन में अंतर महत्वपूर्ण था, विशेष रूप से सबसे शोर वाली स्थितियों में। उन्होंने अपने मॉडल के "ब्लैक बॉक्स" के भीतर भी देखा कि यह कैसे काम करता है। उन्होंने पाया कि 'एडेप्टिव वेवलेट लेयर' ने दोषों की बदलती आवृत्तियों को ट्रैक करना सफलतापूर्वक सीख लिया, और शोर-फ़िल्टरिंग मॉड्यूल ने सिग्नल को प्रभावी ढंगत: साफ किया, जिससे सिस्टम वास्तविक समस्या पर ध्यान केंद्रित कर सका। यह आंतरिक स्पष्टता इंजीनियरों को विश्वास दिलाती है कि सिस्टम केवल अनुमान नहीं लगा रहा है, बल्कि वास्तव में उन भौतिक नियमों का पालन कर रहा है जिनसे ये मशीनें कंपन करती हैं।

शोधकर्ताओं ने यह भी प्रदर्शित किया कि उनके सिस्टम को छोटे, कम शक्ति वाले उपकरणों पर तैनात किया जा सकता है, जो औद्योगिक अनुप्रयोगों के लिए एक बड़ा कदम है। मॉडल को सरल और कुशल रखकर, उन्होंने यह सुनिश्चित किया कि इसे चलाने के लिए महंगे हार्डवेयर की आवश्यकता नहीं है। इसका अर्थ है कि कारखाने संभावित रूप से इन नैदानिक उपकरणों को सीधे अपनी मशीनों पर स्थापित कर सकते हैं, जिससे भारी बुनियादी ढांचे की आवश्यकता के बिना निरंतर, वास्तविक समय की स्वास्थ्य जांच संभव हो सकेगी। अत्यधिक समय-परिवर्तनीय स्थितियों (जहाँ गति और भार लगातार बदलते रहते हैं) को संभालने की उनकी क्षमता उस अंतर को भरती है जिसे कई मौजूदा प्रौद्योगिकियाँ खाली छोड़ देती हैं, जो सबसे गतिशील और कठिन परिचालन वातावरणों में उपकरण की निगरानी का एक विश्वसनीय तरीका प्रदान करती है।

अंततः, यह कार्य मशीन के स्वास्थ्य के प्रति हमारे दृष्टिकोण में एक बदलाव का प्रतिनिधित्व करता है। यह इस विचार से दूर जाता है कि हमें जटिल समस्याओं को हल करने के लिए विशाल, जटिल मॉडलों की आवश्यकता है। इसके बजाय, यह दिखाता है कि एक सावधानीपूर्वक डिज़ाइन किया गया, सुव्यवस्थित सिस्टम जो सिग्नल के भौतिक विज्ञान को समझता है, भारी और अधिक कठोर मॉडलों से बेहतर प्रदर्शन कर सकता है। बदलती आवृत्तियों को ट्रैक करने की क्षमता को एक स्मार्ट, अनुकूलनशील शोर फिल्टर के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो संवेदनशील और लचीला दोनों है। उन उद्योगों के लिए जो घूमती हुई मशीनरी के निरंतर संचालन पर निर्भर हैं, यह आश्वासन का एक नया स्तर प्रदान करता है: विफलता के सबसे सूक्ष्म चेतावनी संकेतों को सुनने का एक तरीका, भले ही मशीन अपने सबसे अराजक रूप में चल रही हो, जिससे यह सुनिश्चित होता है कि रखरखाव एक छोटी सी समस्या के विनाशकारी विफलता बनने से पहले हो सके।