אין א באַדײַטנדיקער אַנטוויקלונג פֿאַרן פֿעלד פֿון מעכאַנישער דיאַגנאָסטיק, האָט אַ נײַע שטודיע דעמאָנסטרירט די עפֿעקטיווקייט פֿון קאָמבינירן מאָדולאַציע סיגנאַל ביספּעקטרום (MSB) מיט קאָנוואַלוציאָנעלע נעוראַלע נעטוואָרקס (CNN) פֿאַר דער פֿעלער דיאַגנאָז פֿוןשפּיראַלישע קעוועל גירזדי אינאָוואַטיווע צוגאַנג צוזאָגט פֿאַרבעסערטע אַקיעראַסי, שנעלערע דעטעקציע, און אַ מער אינטעליגענטע דיאַגנאָסטישע סיסטעם פֿאַר הויך-פאָרשטעלונג גירבאַקסעס געניצט איןאַעראָספּייס, אָטאָמאָטיוו, און אינדוסטריעלע אַפּלאַקיישאַנז.

שפּיראַלקעוועל גירזזענען קריטישע טראַנסמיסיע קאָמפּאָנענטן געפֿונען אין הויך טאָרק מאַשינערי, העליקאָפּטערס, מאַרינע פּראָפּולסיע סיסטעמען, און שווערע אינדוסטריעלע רעדוסערס. צוליב זייער קאָמפּלעקסע געאָמעטריע און אָפּעראַציאָנעלע באַדינגונגען, בלייבט פרי דעטעקציע פון ​​גאַנג חסרונות ווי פּיטינג, טראָגן, און צאָן ברייקידזש אַ טעכנישע אַרויסרופן. טראַדיציאָנעלע סיגנאַל פּראַסעסינג טעקניקס האָבן אָפט שוועריקייטן מיט ראַש ינטערפיראַנס און ניט-לינעאַרע חסרונות קעראַקטעריסטיקס.

די נייע מעטאָדע פירט איין אַ צוויי-שטאַפּל שולד דיאַגנאָז פריימווערק. ערשטנס ווערן די ווייבריישאַן סיגנאַלן גענערירט דורך די אָפּערייטינג גיר סיסטעם אַנאַליזירט מיט מאָדולאַציע סיגנאַל ביספּעקטרום (MSB), אַ העכער-אָרדענונג ספּעקטראַל אַנאַליז טעכניק וואָס עפֿעקטיוו כאַפּט די ניט-לינעאַרע און ניט-גאַוסישע פֿעיִקייטן פֿון דעם סיגנאַל. MSB העלפֿט אַנטפּלעקן סאַטאַל מאָדולירטע שולד קעראַקטעריסטיקס וואָס זענען טיפּיש באַהאַלטן אין נאָרמאַל פֿרעקווענץ ספּעקטראַ.

דערנאך, די פארארבעטעטע סיגנאל דאטן ווערן טראנספארמירט אין צייט-פרעקווענץ בילדער און אריינגעגעבן אין א קאנוואלוציאנעלער נעוראלער נעטווארק (CNN), א טיפער לערנינג מאדעל וואס איז פעאיג צו אויטאמאטיש עקסטראקטירן הויך-לעוועל חסרונות און קלאסיפיצירן גיר באדינגונגען. דאס CNN מאדעל איז טרענירט צו אונטערשיידן צווישן געזונטע גירס, קליינע חסרונות, און שווערע שאדן איבער פארשידענע לאסט און גיכקייט באדינגונגען.

די עקספּערימענטאַלע רעזולטאַטן, דורכגעפירט אויף אַ ספּעציעל דיזיינד ספּיראַליש בעוועל גיר טעסט ריג, ווייַזן אַז די MSB CNN צוגאַנג דערגרייכט איבער 97% קלאַסיפיקאַציע אַקיעראַסי, אַוטפּערפאָרמינג טראַדיציאָנעלע מעטהאָדס אַזאַ ווי FFT באזירט אַנאַליסיס און אפילו אנדערע טיף לערנען טעקניקס וואָס פאַרלאָזן זיך אויף רויע ווייבריישאַן דאַטן. דערצו, דעם כייבריד מאָדעל ווייזט שטאַרק ראָובאַסטנאַס צו הינטערגרונט ראַש, מאכן עס פּאַסיק פֿאַר פאַקטיש וועלט אינדוסטריעל אַפּלאַקיישאַנז.

די אינטעגראַציע פון ​​מאָדולאַציע סיגנאַל ביספּעקטרום מיט CNN ניט בלויז פֿאַרבעסערט שולד דערקענונג פאָרשטעלונג, אָבער אויך ראַדוסאַז די אָפענגיקייט אויף מאַנואַל פֿעיִטשער אינזשעניריע טראַדיציאָנעל אַ צייט-קאַנסומינג און עקספּערטיז אָפענגיק פּראָצעס. די מעטאָדע איז סקאַליראַבאַל און קען זיין געווענדט צו אנדערע ראָוטייטינג מאַשינערי קאַמפּאָונאַנץ, אַזאַ ווי לאַגערן אוןפּלאַנעטאַרישע גירז.

די דאזיגע פאָרשונג רעפּרעזענטירט אַ שריט פאָרויס אין דער אַנטוויקלונג פון אינטעליגענטע שולד דיאַגנאָז סיסטעמען פֿאַר אינדוסטריע 4.0 און דעם ברייטערן פעלד פון קלוגע מאַנופאַקטורינג. ווי אָטאָמאַציע און מאַשין פאַרלעסלעכקייט ווערן מער און מער וויכטיק,