இயந்திர நோயறிதல் துறையில் ஒரு குறிப்பிடத்தக்க முன்னேற்றத்தில், ஒரு புதிய ஆய்வு, மாடுலேஷன் சிக்னல் பைஸ்பெக்ட்ரம் (MSB) ஐ கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளுடன் (CNN) இணைப்பதன் செயல்திறனை நிரூபித்துள்ளது, இது தவறு கண்டறிதலுக்கானது.சுழல் சாய்வுப் பற்சக்கரங்கள்இந்த புதுமையான அணுகுமுறை மேம்பட்ட துல்லியம், வேகமான கண்டறிதல் மற்றும் பயன்படுத்தப்படும் உயர் செயல்திறன் கொண்ட கியர்பாக்ஸுக்கு மிகவும் புத்திசாலித்தனமான நோயறிதல் அமைப்பை உறுதியளிக்கிறது.விண்வெளி, வாகன மற்றும் தொழில்துறை பயன்பாடுகள்.

சுழல்சாய்வுப் பற்சக்கரங்கள்அதிக முறுக்குவிசை கொண்ட இயந்திரங்கள், ஹெலிகாப்டர்கள், கடல்சார் உந்துவிசை அமைப்புகள் மற்றும் கனரக தொழில்துறை குறைப்பான்களில் காணப்படும் முக்கியமான பரிமாற்ற கூறுகள். அவற்றின் சிக்கலான வடிவியல் மற்றும் செயல்பாட்டு நிலைமைகள் காரணமாக, குழி, தேய்மானம் மற்றும் பல் உடைப்பு போன்ற கியர் பிழைகளை முன்கூட்டியே கண்டறிவது ஒரு தொழில்நுட்ப சவாலாகவே உள்ளது. பாரம்பரிய சமிக்ஞை செயலாக்க நுட்பங்கள் பெரும்பாலும் இரைச்சல் குறுக்கீடு மற்றும் நேரியல் அல்லாத பிழை பண்புகளுடன் போராடுகின்றன.

இந்தப் புதிய முறை இரண்டு நிலை தவறு கண்டறிதல் கட்டமைப்பை அறிமுகப்படுத்துகிறது. முதலில் இயக்க கியர் அமைப்பால் உருவாக்கப்படும் அதிர்வு சமிக்ஞைகள், சிக்னலின் நேரியல் அல்லாத மற்றும் காஸியன் அல்லாத அம்சங்களை திறம்படப் பிடிக்கும் உயர் வரிசை நிறமாலை பகுப்பாய்வு நுட்பமான மாடுலேஷன் சிக்னல் பைஸ்பெக்ட்ரம் (MSB) ஐப் பயன்படுத்தி பகுப்பாய்வு செய்யப்படுகின்றன. MSB பொதுவாக நிலையான அதிர்வெண் நிறமாலையில் மறைக்கப்பட்டிருக்கும் நுட்பமான பண்பேற்றப்பட்ட தவறு பண்புகளை வெளிப்படுத்த உதவுகிறது.

அடுத்து, பதப்படுத்தப்பட்ட சமிக்ஞை தரவு நேர அதிர்வெண் படங்களாக மாற்றப்பட்டு, உயர் மட்ட தவறு அம்சங்களை தானாகவே பிரித்தெடுக்கும் மற்றும் கியர் நிலைமைகளை வகைப்படுத்தும் திறன் கொண்ட ஒரு ஆழமான கற்றல் மாதிரியான கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கில் (CNN) செலுத்தப்படுகிறது. இந்த CNN மாதிரி ஆரோக்கியமான கியர்கள், சிறிய தவறுகள் மற்றும் வெவ்வேறு சுமை மற்றும் வேக நிலைமைகளில் கடுமையான சேதத்தை வேறுபடுத்துவதற்கு பயிற்சி அளிக்கப்படுகிறது.

தனிப்பயன் வடிவமைக்கப்பட்ட சுழல் பெவல் கியர் சோதனைக் கருவியில் மேற்கொள்ளப்பட்ட சோதனை முடிவுகள், MSB CNN அணுகுமுறை 97% க்கும் அதிகமான வகைப்பாடு துல்லியத்தை அடைகிறது என்பதைக் காட்டுகிறது, இது FFT அடிப்படையிலான பகுப்பாய்வு போன்ற பாரம்பரிய முறைகள் மற்றும் மூல அதிர்வுத் தரவை நம்பியிருக்கும் பிற ஆழமான கற்றல் நுட்பங்களை விட சிறப்பாக செயல்படுகிறது. மேலும், இந்த கலப்பின மாதிரி பின்னணி இரைச்சலுக்கு வலுவான வலிமையைக் காட்டுகிறது, இது உண்மையான உலக தொழில்துறை பயன்பாடுகளுக்கு ஏற்றதாக அமைகிறது.

CNN உடன் பண்பேற்ற சமிக்ஞை பைஸ்பெக்ட்ரத்தை ஒருங்கிணைப்பது தவறு அங்கீகார செயல்திறனை மேம்படுத்துவது மட்டுமல்லாமல், கையேடு அம்ச பொறியியலை நம்பியிருப்பதைக் குறைக்கிறது, இது பாரம்பரியமாக நேரத்தை எடுத்துக்கொள்ளும் மற்றும் நிபுணத்துவம் சார்ந்த செயல்முறையாகும். இந்த முறை அளவிடக்கூடியது மற்றும் தாங்கு உருளைகள் மற்றும் பிற சுழலும் இயந்திர கூறுகளுக்கும் பயன்படுத்தப்படலாம்.கோள் கியர்கள்.

இந்த ஆராய்ச்சி, தொழில்துறை 4.0 மற்றும் பரந்த அளவிலான ஸ்மார்ட் உற்பத்தித் துறைக்கான அறிவார்ந்த தவறு கண்டறிதல் அமைப்புகளின் வளர்ச்சியில் ஒரு படி முன்னேறிச் செல்கிறது. ஆட்டோமேஷன் மற்றும் இயந்திர நம்பகத்தன்மை பெருகிய முறையில் முக்கியத்துவம் பெறுவதால்,