د میخانیکي تشخیص په برخه کې د پام وړ پرمختګ کې، یوې نوې څیړنې د غلطۍ تشخیص لپاره د ماډلیشن سیګنال بایسپیکٹرم (MSB) او کنولوشنل عصبي شبکو (CNN) د یوځای کولو اغیزمنتوب ښودلی دی.سرپل بیول ګیرونه. دا نوښتګر چلند د لوړ فعالیت ګیربکسونو لپاره چې په کې کارول کیږي د ښه دقت، ګړندي کشف، او ډیر هوښیار تشخیصي سیسټم ژمنه کويفضايي، موټر، او صنعتي غوښتنلیکونه.

سرپلد بیول ګیرونهد لوړ تورک ماشینونو، چورلکو، سمندري پروپلشن سیسټمونو، او درنو صنعتي کمولو کې موندل شوي مهم لیږدونکي اجزا دي. د دوی د پیچلي جیومیټري او عملیاتي شرایطو له امله، د ګیر نیمګړتیاو لکه د کندې اچولو، اغوستلو، او غاښ ماتیدو ژر کشف کول تخنیکي ننګونه پاتې ده. دودیز سیګنال پروسس کولو تخنیکونه ډیری وختونه د شور مداخلې او غیر خطي نیمګړتیاو ځانګړتیاو سره مبارزه کوي.

دا نوې طریقه د دوه مرحلو د غلطۍ تشخیص چوکاټ معرفي کوي. لومړی د عملیاتي ګیر سیسټم لخوا رامینځته شوي وایبریشن سیګنالونه د ماډولیشن سیګنال بایسپیکٹرم (MSB) په کارولو سره تحلیل کیږي چې د لوړ ترتیب سپیکٹرل تحلیل تخنیک دی چې په مؤثره توګه د سیګنال غیر خطي او غیر ګاسیان ځانګړتیاوې نیسي. MSB د فرعي ماډل شوي غلطۍ ځانګړتیاو په څرګندولو کې مرسته کوي چې معمولا په معیاري فریکونسي سپیکٹرا کې پټ وي.

بیا، پروسس شوي سیګنال معلومات د وخت فریکونسي انځورونو ته بدلیږي او د کنولوشنل عصبي شبکې (CNN) ته ورکول کیږي، یو ژور زده کړې ماډل چې په اتوماتيک ډول د لوړې کچې نیمګړتیاوې استخراج او د ګیر شرایطو طبقه بندي کولو وړتیا لري. دا CNN ماډل روزل شوی ترڅو د مختلفو بار او سرعت شرایطو کې د صحي ګیرونو، کوچنیو نیمګړتیاوو، او شدید زیان ترمنځ توپیر وکړي.

تجربوي پایلې، چې په یوه ځانګړي ډیزاین شوي سرپل بیول ګیر ټیسټ ریګ کې ترسره شوي، ښیي چې د MSB CNN طریقه د 97٪ څخه ډیر د طبقه بندي دقت ترلاسه کوي، د دودیزو میتودونو لکه FFT پر بنسټ تحلیل او حتی د ژورې زده کړې نورو تخنیکونو څخه چې په خام وایبریشن ډیټا تکیه کوي، غوره فعالیت کوي. سربیره پردې، دا هایبرډ ماډل د شالید شور ته قوي ځواک ښیې، دا د ریښتینې نړۍ صنعتي غوښتنلیکونو لپاره مناسب کوي.

د CNN سره د ماډولیشن سیګنال بایس سپیکٹرم یوځای کول نه یوازې د غلطۍ پیژندنې فعالیت ته وده ورکوي بلکه د لاسي فیچر انجینرۍ تکیه هم کموي چې په دودیز ډول وخت نیسي او د تخصص پورې تړلې پروسه ده. دا طریقه د اندازې وړ ده او د نورو څرخیدونکو ماشینونو برخو لکه بیرنگونو اود سیارې ګیرونه.

دا څیړنه د صنعت 4.0 او د سمارټ تولید پراخه ساحې لپاره د هوښیار غلطیو تشخیص سیسټمونو پراختیا کې یو ګام وړاندې کوي. لکه څنګه چې اتومات کول او د ماشین اعتبار ورځ تر بلې مهم کیږي،