Smartphone-Based Vibration Monitoring for Drill Bit Wear Classification Using Lightweight CNN Fusion Strategies

विनिर्माण की दुनिया में, धातु को काटने वाले उपकरण आधुनिक जीवन के गुमनाम नायक हैं। कार के इंजन ब्लॉक से लेकर किसी चिकित्सा उपकरण के सटीक घटकों तक, ये उपकरण भौतिक दुनिया को आकार देते हैं। हालाँकि, वे नाजुक भी होते हैं। जैसे ही एक ड्रिल बिट स्टील को काटता है, वह धीरे-धीरे घिसता जाता है, कुंद और कम प्रभावी होता जाता है। यदि कोई कार्यकर्ता इस घिसावट पर ध्यान नहीं देता है, तो अंतिम उत्पाद दोषपूर्ण हो सकता है, या उपकरण टूट सकता है, जिससे भारी देरी हो सकती है। दशकों से, कारखाने इन मशीनों से मजबूती से जुड़े महंगे, विशेष सेंसरों पर निर्भर रहे हैं जो इन उपकरणों के कंपन को सुनने के लिए लगाए जाते हैं। ये सेंसर अत्यधिक ट्यून किए गए कानों की तरह काम करते हैं, जो ध्वनि में उन सूक्ष्म परिवर्तनों को सुनते हैं जो एक थके हुए औजार का संकेत देते हैं। लेकिन ये प्रणालियाँ भारी, महंगी हैं और इनके लिए एक तकनीशियन द्वारा इन्हें पूरी तरह से सेट करने की आवश्यकता होती है, जिससे इन्हें छोटे वर्कशॉप या पुरानी मशीनों में उपयोग करना कठिन हो जाता है जहाँ तीव्र, लचीली निगरानी की आवश्यकता होती है।

इंजीनियरिंग में एक बढ़ता हुआ प्रश्न यह है कि क्या हर किसी की जेब में मौजूद उपकरण इन औद्योगिक सेंसरों का काम कर सकता है। आधुनिक स्मार्टफोन में छोटे मोशन डिटेक्टर होते हैं, जिन्हें मूल रूप से फोन को कैसे पकड़ा या हिलाया जाता है, इसे महसूस करने के लिए डिज़ाइन किया गया है, जो मशीन के कंपन को भी महसूस कर सकते हैं। चुनौती यह है कि फोन के ये सेंसर फैक्ट्री फ्लोर के कठोर, उच्च-गति वाले वातावरण के लिए नहीं बने हैं। वे औद्योगिक उपकरणों की तुलना में बहुत धीमी गति से डेटा कैप्चर करते हैं और अक्सर उन्हें मशीन से मजबूती से जोड़ने के बजाय मेज पर ढीले ढंग से रखा जाता है। यह अध्ययन एक साहसी विचार का अन्वेषण करता है: क्या एक मानक स्मार्टफोन, जो वर्कबेंच पर स्वतंत्र रूप से रखा है, अभी भी एक ड्रिल बिट के घिसने की "आवाज" सुन सकता है, भले ही वह सिग्नल जिसे वह सुन रहा है, वास्तविक चीज़ का एक विकृत, कम-गति वाला संस्करण हो?

शोधकर्ताओं ने एक वास्तविक वर्कशॉप सेटिंग में इस संभावना का परीक्षण करने का निर्णय लिया। उन्होंने फोन को मशीन से नहीं जोड़ा और न ही इसके लिए कोई विशेष माउंट बनाया। इसके बजाय, उन्होंने एक भारी-ड्यूटी ड्रिलिंग मशीन की धातु की मेज पर, वर्कपीस के ठीक बगल में, एक व्यावसायिक स्मार्टफोन को सीधे रखा। उन्होंने फोन के अंतर्निहित मोशन सेंसर का उपयोग करके उन कंपनों को रिकॉर्ड किया जब मशीन स्टील में छेद कर रही थी। यह सुनिश्चित करने के लिए कि वे उपकरण की स्थिति को सटीक रूप से माप रहे हैं, उन्होंने मशीन को समय-समय पर रोका और माइक्रोस्कोप के नीचे ड्रिल बिट्स का निरीक्षण किया, यह देखने के लिए स्पष्ट तस्वीरें लीं कि काटने वाला किनारा वास्तव में कितना घिस गया था। इस दृश्य निरीक्षण ने 'ग्राउंड ट्रुथ' के रूप में कार्य किया, जिससे उन्हें यह सटीक रूप से पता चल सका कि कौन से रिकॉर्डिंग एक स्वस्थ उपकरण के थे और कौन से एक घिसे हुए उपकरण के थे।

टीम के सामने एक बड़ी बाधा थी: फोन का सेंसर काटने वाले उपकरण के तीव्र कंपनों की तुलना में बहुत धीमी गति से डेटा रिकॉर्ड कर रहा था। इंजीनियरिंग के शब्दों में, फोन उन उच्च-आवृत्ति (high-frequency) ध्वनियों को मिस कर रहा था जो आमतौर पर घिसावट का संकेत देती हैं। शोधकर्ताओं ने परिकल्पना की कि क्योंकि फोन इन कंपनों को इतनी धीमी गति से सैंपल कर रहा था, इसलिए गायब उच्च-आवृत्ति वाली ध्वनियाँ उन निचली आवृत्तियों में वापस आ सकती हैं जिन्हें फोन सुन सकता है, जिससे एक अनूठा, भले ही विकृत, पैटर्न बन सकता है। इन अजीब संकेतों को समझने के लिए, उन्होंने उन्हें कच्चे साउंड वेव्स (raw sound waves) के रूप में सुनने की कोशिश नहीं की। इसके बजाय, उन्होंने कंपन डेटा को छवियों (images) में बदल दिया। उन्होंने फोन द्वारा महसूस किए जा सकने वाले तीन दिशाओं—ऊपर और नीचे, अगल-बगल, और आगे और पीछे—के कंपन रिकॉर्ड को लिया और उन्हें एक छोटे ग्रिड पर मैप किया, उन्हें लाल, हरा और नीला रंग देकर एक छोटी, तीन-रंगीन तस्वीर बनाई। इस तस्वीर में, छवि की बनावट (texture) उपकरण के कंपन का प्रतिनिधित्व करती थी।

इन छवियों के निर्माण के साथ, शोधकर्ताओं ने एक प्रकार के आर्टिफिशियल इंटेलिजेंस, जिसे 'लाइटवेट न्यूरल नेटवर्क' कहा जाता है, को उन्हें देखने के लिए प्रशिक्षित किया। वे यह देखना चाहते थे कि क्या कंप्यूटर इन कंपन चित्रों की बनावट को देखकर एक स्वस्थ ड्रिल और एक घिसे हुए ड्रिल के बीच अंतर करना सीख सकता है। उन्होंने तीन दिशाओं से जानकारी को संयोजित करने के विभिन्न तरीकों का परीक्षण किया। एक विधि ने तीनों रंगों को तुरंत आपस में मिला दिया, जबकि दूसरी विधि ने कंप्यूटर को परिणाम मिलाने से पहले प्रत्येक रंग का स्वतंत्र रूप से विश्लेषण करने दिया। उन्होंने इन उन्नत कंप्यूटर विज़न विधियों की तुलना पुराने, सरल गणितीय उपकरणों से भी की ताकि देख सकें कि कौन सा दृष्टिकोण सबसे अच्छा काम करता है।

परिणामों ने दिखाया कि स्मार्टफोन दृष्टिकोण वास्तव में व्यवहार्य था, लेकिन डेटा को संयोजित करने का तरीका बहुत मायने रखता था। जब लक्ष्य केवल यह बताना था कि मशीन वर्तमान में ड्रिल कर रही है या केवल स्थिर है, तो वह विधि सबसे अच्छी रही जिसने तीनों दिशाओं को तुरंत आपस में मिला दिया था। कंप्यूटर सक्रिय कटिंग के व्यस्त कंपन और एक रुकी हुई मशीन की शांति के बीच अंतर को जल्दी से पहचान सकता था। हालाँकि, जब कार्य अधिक कठिन हो गया—एक थोड़े घिसे हुए उपकरण और एक अत्यधिक घिसे हुए उपकरण के बीच अंतर करना—तो रणनीति बदल गई। सबसे सफल दृष्टिकोण यह था कि कंप्यूटर को अंतिम निर्णय लेने से पहले प्रत्येक दिशा के कंपन का स्वतंत्र रूप से विश्लेषण करने दिया जाए। इस विधि ने सिस्टम को सबसे महत्वपूर्ण संकेतों पर ध्यान केंद्रित करने की अनुमति दी, जो ड्रिल के थ्रस्ट (thrust) की दिशा से आए थे, जबकि अन्य दिशाओं से आने वाले शोर वाले, कम सहायक संकेतों को अनदेखा कर दिया।

अध्ययन ने यह भी परीक्षण किया कि ये सिस्टम कितनी अच्छी तरह काम करेंगे यदि फोन को झटका लगे या वह अपनी जगह से हिल जाए, जो एक वर्कशॉप की वास्तविक स्थिति को दर्शाता है। उन्होंने उन परिदृश्यों का अनुकरण किया जहाँ फोन के सेंसर पर अचानक प्रभाव पड़ सकता है या जहाँ फोन थोड़ा फिसल सकता है, जिससे उसका कोण बदल जाता है। परिणामों से पता चला कि प्रत्येक दिशा का अलग-अलग विश्लेषण करने वाली विधि बहुत अधिक लचीली (resilient) थी। यदि फोन को झटका लगा या वह झुक गया, तो सिस्टम अभी भी सही निदान करने के लिए अप्रभावित दिशाओं से प्राप्त स्वच्छ डेटा पर भरोसा कर सकता था। इसके विपरीत, वह विधि जिसने सब कुछ तुरंत मिला दिया था, संघर्ष करती थी जब एक दिशा का डेटा खराब हो जाता था, जिससे त्रुटियां बढ़ जाती थीं।

अंततः, यह शोध सुझाव देता है कि एक मानक स्मार्टफोन, जिसे मशीन की मेज पर ढीले ढंग से रखा गया है, ड्रिल के घिसावट की निगरानी के लिए एक आश्चर्यजनक रूप से प्रभावी उपकरण के रूप में काम कर सकता है। अध्ययन में पाया गया कि कंपन डेटा को छवियों में बदलकर और एक विशिष्ट प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके, महंगे उपकरणों या सटीक माउंटिंग के बिना भी, ड्रिल बिट की स्थिति को उच्च सटीकता के साथ वर्गीकृत करना संभव है। सर्वोत्तम परिणाम एक ऐसे सिस्टम से मिले जिसने कंपन की विभिन्न दिशाओं को अलग-अलग सुरागों के रूप में माना, और सावधानीपूर्वक विश्लेषण के बाद ही उन्हें संयोजित किया। यह दृष्टिकोण उन झटकों और बदलावों के प्रति मजबूत साबित हुआ जो वास्तव में एक फैक्ट्री में होने की संभावना होती है। हालांकि अध्ययन स्वीकार करता है कि यह एक 'प्रूफ ऑफ कॉन्सेप्ट' है और विभिन्न मशीनों एवं फोनों पर अधिक परीक्षण की आवश्यकता है, यह एक नए द्वार खोलता है। यह सुझाव देता है कि फैक्ट्री सुरक्षा और दक्षता का भविष्य हमेशा महंगे, विशेष हार्डवेयर की आवश्यकता नहीं रखेगा, बल्कि यह हमारी जेबों में पहले से मौजूद शक्तिशाली, सर्वव्यापी सेंसरों पर निर्भर हो सकता है।