යාන්ත්‍රික රෝග විනිශ්චය ක්ෂේත්‍රයේ සැලකිය යුතු දියුණුවක් ලෙස, නව අධ්‍යයනයකින් පෙන්නුම් කර ඇත්තේ දෝෂ රෝග විනිශ්චය සඳහා මොඩියුලේෂන් සංඥා ද්වි වර්ණාවලිය (MSB) සංවෘත ස්නායු ජාල (CNN) සමඟ ඒකාබද්ධ කිරීමේ කාර්යක්ෂමතාවයි.සර්පිලාකාර බෙවල් ගියර්. මෙම නව්‍ය ප්‍රවේශය මඟින් භාවිතා කරන ඉහළ කාර්යසාධනයක් සහිත ගියර් පෙට්ටි සඳහා වැඩිදියුණු කළ නිරවද්‍යතාවය, වේගවත් හඳුනාගැනීම සහ වඩාත් බුද්ධිමත් රෝග විනිශ්චය පද්ධතියක් පොරොන්දු වේ.අභ්‍යවකාශ, මෝටර් රථ සහ කාර්මික යෙදුම්.

සර්පිලාකාරබෙවල් ගියර්අධි ව්‍යවර්ථ යන්ත්‍රෝපකරණ, හෙලිකොප්ටර්, සමුද්‍ර ප්‍රචාලන පද්ධති සහ බර කාර්මික අඩු කරන්නන් වල දක්නට ලැබෙන තීරණාත්මක සම්ප්‍රේෂණ සංරචක වේ. ඒවායේ සංකීර්ණ ජ්‍යාමිතිය සහ මෙහෙයුම් තත්ත්වයන් නිසා, වලවල්, ගෙවී යාම සහ දත් කැඩීම වැනි ගියර් දෝෂ කල්තියා හඳුනා ගැනීම තාක්ෂණික අභියෝගයක් ලෙස පවතී. සාම්ප්‍රදායික සංඥා සැකසුම් ශිල්පීය ක්‍රම බොහෝ විට ශබ්ද බාධා කිරීම් සහ රේඛීය නොවන දෝෂ ලක්ෂණ සමඟ අරගල කරයි.

නව ක්‍රමය අදියර දෙකක දෝෂ රෝග විනිශ්චය රාමුවක් හඳුන්වා දෙයි. පළමුව මෙහෙයුම් ගියර් පද්ධතිය මඟින් ජනනය කරන කම්පන සංඥා, සංඥාවේ රේඛීය නොවන සහ ගවුසියානු නොවන ලක්ෂණ ඵලදායී ලෙස ග්‍රහණය කර ගන්නා ඉහළ අනුපිළිවෙල වර්ණාවලි විශ්ලේෂණ තාක්‍ෂණයක් වන මොඩියුලේෂන් සංඥා ද්වි වර්ණාවලිය (MSB) භාවිතයෙන් විශ්ලේෂණය කෙරේ. MSB සාමාන්‍යයෙන් සම්මත සංඛ්‍යාත වර්ණාවලියේ සැඟවී ඇති සියුම් මොඩියුලේටඩ් දෝෂ ලක්ෂණ හෙළි කිරීමට උපකාරී වේ.

ඊළඟට, සැකසූ සංඥා දත්ත කාල සංඛ්‍යාත රූප බවට පරිවර්තනය කර, ඉහළ මට්ටමේ දෝෂ ලක්ෂණ ස්වයංක්‍රීයව උකහා ගැනීමට සහ ගියර් තත්වයන් වර්ගීකරණය කිරීමට හැකියාව ඇති ගැඹුරු ඉගෙනුම් ආකෘතියක් වන සංවර්ධිත ස්නායු ජාලයකට (CNN) පෝෂණය කරනු ලැබේ. මෙම CNN ආකෘතිය විවිධ බර සහ වේග තත්වයන් හරහා සෞඛ්‍ය සම්පන්න ගියර්, සුළු දෝෂ සහ දරුණු හානි අතර වෙනස හඳුනා ගැනීමට පුහුණු කර ඇත.

අභිරුචි-නිර්මාණය කරන ලද සර්පිලාකාර බෙවල් ගියර් පරීක්ෂණ යන්ත්‍රයක් මත සිදු කරන ලද පර්යේෂණාත්මක ප්‍රතිඵලවලින් පෙනී යන්නේ MSB CNN ප්‍රවේශය 97% කට වඩා වර්ගීකරණ නිරවද්‍යතාවයක් ලබා ගන්නා බවත්, FFT පාදක විශ්ලේෂණය වැනි සාම්ප්‍රදායික ක්‍රම සහ අමු කම්පන දත්ත මත රඳා පවතින අනෙකුත් ගැඹුරු ඉගෙනුම් ශිල්පීය ක්‍රම පවා අභිබවා යන බවත්ය. එපමණක් නොව, මෙම දෙමුහුන් ආකෘතිය පසුබිම් ශබ්දයට ශක්තිමත් ශක්තිමත් බවක් පෙන්නුම් කරන අතර, එය සැබෑ ලෝකයේ කාර්මික යෙදුම් සඳහා සුදුසු වේ.

CNN සමඟ මොඩියුලේෂන් සංඥා ද්විවර්ණාවලිය ඒකාබද්ධ කිරීම දෝෂ හඳුනාගැනීමේ කාර්ය සාධනය වැඩි දියුණු කරනවා පමණක් නොව, සාම්ප්‍රදායිකව කාලය ගතවන සහ විශේෂඥතාව මත රඳා පවතින ක්‍රියාවලියක් වන අතින් විශේෂාංග ඉංජිනේරු විද්‍යාව මත යැපීම අඩු කරයි. මෙම ක්‍රමය පරිමාණය කළ හැකි අතර ෙබයාරිං සහග්‍රහලෝක ගියර්.

මෙම පර්යේෂණය කර්මාන්ත 4.0 සහ පුළුල් ස්මාර්ට් නිෂ්පාදන ක්ෂේත්‍රය සඳහා බුද්ධිමත් දෝෂ රෝග විනිශ්චය පද්ධති සංවර්ධනය කිරීමේ ඉදිරි පියවරක් නියෝජනය කරයි. ස්වයංක්‍රීයකරණය සහ යන්ත්‍ර විශ්වසනීයත්වය වඩ වඩාත් වැදගත් වන විට,