تشخیص عیب لقی محوری میل بادامک در مرحله تست گرم انتهای خط تولید به کمک پردازش سیگنال صوتی

در این پژوهش عیب لقی محوری میل بادامک در موتور احتراق داخلی در انتهای خط تولید و در مرحله تست گرم به کمک پردازش سیگنال‌های صوتی تشخیص داده می‌شود. اهمیت انجام این پژوهش کاهش هزینه برای شرکت سازنده و رضایت مشتریان از کیفیت محصول می‌باشد. عیب مذکور در این خط تولید رایج است و کارشناسان تشخیص عیب قادر به شناخت این عیب به کمک روش‌های سنتی نمی‌باشند. در این پژوهش به کمک روش‌های پردازش سیگنال حوزه زمان-فرکانس و شبکه عصبی مصنوعی یک راه حل هوشمند در جهت تشخیص این عیب پیشنهاد شده است. لقی محوری در سطوح مختلف شدت عیب پیاده‌سازی شده و سیگنال‌های صوتی در سه دور کاری مختلف موتور و در حالت بی‌باری، به کمک یک دستگاه ضبط صدا دستی ثبت شده است. موتور‌ها در این خط به مدت هفت ‌دقیقه و سه دور کاری 1700،1300و2500(د.د.د) تست می‌شوند تا از سلامت آنها اطمینان حاصل کنند. استفاده از دستگاه ضبط صدا دستی به علت درخواست شرکت سازنده در جهت استفاده از یک دستگاه قابل حمل و ارزان قیمت بوده است. لازم به ذکر است که داده‌های صوتی ضبط شده به علت شرایط کاری خط دارای نویز بوده و این موضوع باعث پیچیدگی امر عیب‌یابی می‌شود. در جهت پردازش سیگنال و استخراج ویژگی از دو تبدیل موجک پیوسته و طیف نگار مل استفاده شده است. نتایج نشان می‌دهد که طیف‌نگار مل جهت استخراج ویژگی کارآمدتر از روش تبدیل موجک پیوسته است و در دورهای کاری 1700(د.د.د) و 2500(د.د.د) تمام سطوح عیب با دقت میانگین 99% تشخیص داده می‌شود. این مطالعه به حوزه تشخیص غیرمخرب خطا در تولید موتور کمک می‌کند و روشی قابل اعتماد و مقرون به صرفه برای شناسایی نقص‌های لقی محوری میل‌بادامک ارائه می‌دهد. دقت بالای به دست آمده در سرعت‌های عملیاتی خاص نشان می‌دهد که این رویکرد می‌تواند در محیط‌های تولید واقعی پیاده‌سازی شود و احتمالاً منجر به بهبود قابل توجهی در فرآیندهای کنترل کیفیت و قابلیت اطمینان کلی محصول شود. موفقیت این روش، پتانسیل تکنیک‌های پردازش سیگنال صوتی و یادگیری ماشین را در حل چالش‌های پیچیده کنترل کیفیت صنعتی برجسته می‌کند.

diagnosing the clearance fault of the camshaft in the hot test stage at the end of the production line by using of audio signal processing

this research addresses the detection of camshaft axial clearance defects in internal combustion engines during end-of-line hot testing using acoustic signal processing. the study’s importance lies in reducing manufacturing costs and enhancing customer satisfaction through improved product quality. this defect is prevalent in the production line and challenging to identify using conventional methods.the research proposes an intelligent solution for defect detection by combining time-frequency domain signal processing techniques with artificial neural networks. the axial clearance defect was simulated at various severity levels, and acoustic signals were recorded using a handy sound recording device at three different engine speeds (1300, 1700, and 2500 rpm) under no-load conditions. the engines undergo a seven-minute test at these different speeds to ensure proper functionality. the choice of a handy recorder device was based on the manufacturer’s request for a portable and cost-effective solution.it’s noteworthy that the recorded audio data contains noise due to production line conditions, adding complexity to the fault diagnosis process. for signal processing and feature extraction, two methods were employed: continuous wavelet transform (cwt) and mel spectrogram.the results demonstrate that the mel spectrogram is more effective for feature extraction compared to the continuous wavelet transform. at operating speeds of 1700 rpm and 2500 rpm, all defect levels are detected with an average accuracy of 99% by using convolutional neural network.this study contributes to the field of non-invasive fault detection in automotive manufacturing, offering a reliable and cost-effective method for identifying camshaft axial clearance defects. the high accuracy achieved at specific operating speeds suggests that this approach could be implemented in real-world production environments, potentially leading to significant improvements in quality control processes and overall product reliability.the success of this method highlights the potential of acoustic signal processing and machine learning techniques in solving complex industrial quality control challenges.