ಯಾಂತ್ರಿಕ ರೋಗನಿರ್ಣಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಮಹತ್ವದ ಬೆಳವಣಿಗೆಯಲ್ಲಿ, ದೋಷ ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ಮಾಡ್ಯುಲೇಷನ್ ಸಿಗ್ನಲ್ ಬೈಸ್ಪೆಕ್ಟ್ರಮ್ (MSB) ಅನ್ನು ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳೊಂದಿಗೆ (CNN) ಸಂಯೋಜಿಸುವ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೊಸ ಅಧ್ಯಯನವು ಪ್ರದರ್ಶಿಸಿದೆ.ಸುರುಳಿಯಾಕಾರದ ಬೆವೆಲ್ ಗೇರುಗಳುಈ ನವೀನ ವಿಧಾನವು ವರ್ಧಿತ ನಿಖರತೆ, ವೇಗದ ಪತ್ತೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಗೇರ್‌ಬಾಕ್ಸ್‌ಗಳಿಗೆ ಹೆಚ್ಚು ಬುದ್ಧಿವಂತ ರೋಗನಿರ್ಣಯ ವ್ಯವಸ್ಥೆಯನ್ನು ಭರವಸೆ ನೀಡುತ್ತದೆ.ಅಂತರಿಕ್ಷಯಾನ, ವಾಹನ ಮತ್ತು ಕೈಗಾರಿಕಾ ಅನ್ವಯಿಕೆಗಳು.

ಸುರುಳಿಯಾಕಾರದಬೆವೆಲ್ ಗೇರುಗಳುಹೆಚ್ಚಿನ ಟಾರ್ಕ್ ಯಂತ್ರೋಪಕರಣಗಳು, ಹೆಲಿಕಾಪ್ಟರ್‌ಗಳು, ಸಾಗರ ಪ್ರೊಪಲ್ಷನ್ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಹೆವಿ ಡ್ಯೂಟಿ ಕೈಗಾರಿಕಾ ಕಡಿತಗೊಳಿಸುವ ಸಾಧನಗಳಲ್ಲಿ ಕಂಡುಬರುವ ನಿರ್ಣಾಯಕ ಪ್ರಸರಣ ಘಟಕಗಳಾಗಿವೆ. ಅವುಗಳ ಸಂಕೀರ್ಣ ಜ್ಯಾಮಿತಿ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸ್ಥಿತಿಗಳಿಂದಾಗಿ, ಪಿಟ್ಟಿಂಗ್, ಸವೆತ ಮತ್ತು ಹಲ್ಲು ಒಡೆಯುವಿಕೆಯಂತಹ ಗೇರ್ ದೋಷಗಳನ್ನು ಮೊದಲೇ ಪತ್ತೆಹಚ್ಚುವುದು ತಾಂತ್ರಿಕ ಸವಾಲಾಗಿ ಉಳಿದಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣಾ ತಂತ್ರಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಶಬ್ದ ಹಸ್ತಕ್ಷೇಪ ಮತ್ತು ರೇಖಾತ್ಮಕವಲ್ಲದ ದೋಷ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ಹೋರಾಡುತ್ತವೆ.

ಹೊಸ ವಿಧಾನವು ಎರಡು ಹಂತದ ದೋಷ ರೋಗನಿರ್ಣಯ ಚೌಕಟ್ಟನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಮೊದಲನೆಯದಾಗಿ, ಆಪರೇಟಿಂಗ್ ಗೇರ್ ವ್ಯವಸ್ಥೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಕಂಪನ ಸಂಕೇತಗಳನ್ನು ಮಾಡ್ಯುಲೇಷನ್ ಸಿಗ್ನಲ್ ಬೈಸ್ಪೆಕ್ಟ್ರಮ್ (MSB) ಬಳಸಿ ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ, ಇದು ಸಿಗ್ನಲ್‌ನ ರೇಖೀಯವಲ್ಲದ ಮತ್ತು ಗಾಸಿಯನ್ ಅಲ್ಲದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸೆರೆಹಿಡಿಯುವ ಉನ್ನತ ಕ್ರಮಾಂಕದ ರೋಹಿತ ವಿಶ್ಲೇಷಣಾ ತಂತ್ರವಾಗಿದೆ. MSB ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಮಾಣಿತ ಆವರ್ತನ ವರ್ಣಪಟಲದಲ್ಲಿ ಅಡಗಿರುವ ಸೂಕ್ಷ್ಮ ಮಾಡ್ಯುಲೇಟೆಡ್ ದೋಷ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಮುಂದೆ, ಸಂಸ್ಕರಿಸಿದ ಸಿಗ್ನಲ್ ಡೇಟಾವನ್ನು ಸಮಯ ಆವರ್ತನ ಚಿತ್ರಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಉನ್ನತ ಮಟ್ಟದ ದೋಷ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊರತೆಗೆಯುವ ಮತ್ತು ಗೇರ್ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಯಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ (CNN) ಗೆ ನೀಡಲಾಗುತ್ತದೆ. ಈ CNN ಮಾದರಿಯು ಆರೋಗ್ಯಕರ ಗೇರ್‌ಗಳು, ಸಣ್ಣ ದೋಷಗಳು ಮತ್ತು ವಿಭಿನ್ನ ಲೋಡ್ ಮತ್ತು ವೇಗ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ತೀವ್ರ ಹಾನಿಯ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸಲು ತರಬೇತಿ ನೀಡಲಾಗಿದೆ.

ಕಸ್ಟಮ್ ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಸುರುಳಿಯಾಕಾರದ ಬೆವೆಲ್ ಗೇರ್ ಪರೀಕ್ಷಾ ರಿಗ್‌ನಲ್ಲಿ ನಡೆಸಲಾದ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು, MSB CNN ವಿಧಾನವು 97% ಕ್ಕಿಂತ ಹೆಚ್ಚು ವರ್ಗೀಕರಣ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ, FFT ಆಧಾರಿತ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಕಚ್ಚಾ ಕಂಪನ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿರುವ ಇತರ ಆಳವಾದ ಕಲಿಕೆಯ ತಂತ್ರಗಳಂತಹ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ಈ ಹೈಬ್ರಿಡ್ ಮಾದರಿಯು ಹಿನ್ನೆಲೆ ಶಬ್ದಕ್ಕೆ ಬಲವಾದ ದೃಢತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಇದು ನೈಜ ಜಗತ್ತಿನ ಕೈಗಾರಿಕಾ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ.

CNN ನೊಂದಿಗೆ ಮಾಡ್ಯುಲೇಷನ್ ಸಿಗ್ನಲ್ ಬೈಸ್ಪೆಕ್ಟ್ರಮ್‌ನ ಏಕೀಕರಣವು ದೋಷ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದಲ್ಲದೆ, ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ಪರಿಣತಿಯನ್ನು ಅವಲಂಬಿಸಿರುವ ಪ್ರಕ್ರಿಯೆಯಾದ ಹಸ್ತಚಾಲಿತ ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್‌ನ ಮೇಲಿನ ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಈ ವಿಧಾನವು ಸ್ಕೇಲೆಬಲ್ ಆಗಿದ್ದು, ಬೇರಿಂಗ್‌ಗಳು ಮತ್ತು ಇತರ ತಿರುಗುವ ಯಂತ್ರೋಪಕರಣ ಘಟಕಗಳಿಗೆ ಅನ್ವಯಿಸಬಹುದು.ಗ್ರಹಗಳ ಗೇರುಗಳು.

ಈ ಸಂಶೋಧನೆಯು ಇಂಡಸ್ಟ್ರಿ 4.0 ಮತ್ತು ಸ್ಮಾರ್ಟ್ ಉತ್ಪಾದನೆಯ ವಿಶಾಲ ಕ್ಷೇತ್ರಕ್ಕಾಗಿ ಬುದ್ಧಿವಂತ ದೋಷ ರೋಗನಿರ್ಣಯ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಒಂದು ಹೆಜ್ಜೆ ಮುಂದಿದೆ. ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಮತ್ತು ಯಂತ್ರದ ವಿಶ್ವಾಸಾರ್ಹತೆಯು ಹೆಚ್ಚು ಮಹತ್ವದ್ದಾಗುತ್ತಿದ್ದಂತೆ,