Механик оношлогооны салбарт гарсан чухал дэвшил болох шинэ судалгаагаар модуляцийн дохионы биспектрийг (MSB) мушгирсан мэдрэлийн сүлжээтэй (CNN) хослуулан алдааг оношлох нь үр дүнтэй болохыг харуулсан.спираль конус хэлбэрийн арааЭнэхүү шинэлэг арга нь өндөр хүчин чадалтай хурдны хайрцгуудад илүү нарийвчлалтай, хурдан илрүүлэлт, илүү ухаалаг оношилгооны системийг амлаж байна.сансар судлал, автомашин, үйлдвэрлэлийн хэрэглээ.

Спиральконус хэлбэрийн араань өндөр эргүүлэх хүч бүхий машин механизм, нисдэг тэрэг, далайн хөдөлгүүрийн систем, хүнд даацын үйлдвэрлэлийн редукторуудад байдаг чухал дамжуулах бүрэлдэхүүн хэсгүүд юм. Нарийн төвөгтэй геометр болон ашиглалтын нөхцөл байдлаас шалтгаалан цооролт, элэгдэл, шүд хугарах зэрэг арааны эвдрэлийг эрт илрүүлэх нь техникийн бэрхшээл хэвээр байна. Уламжлалт дохио боловсруулах аргууд нь ихэвчлэн дуу чимээний хөндлөнгийн оролцоо болон шугаман бус эвдрэлийн шинж чанаруудтай тэмцдэг.

Шинэ арга нь хоёр үе шаттай алдаа оношлох хүрээг нэвтрүүлж байна. Эхлээд үйлдлийн арааны системээс үүссэн чичиргээний дохиог дохионы шугаман бус болон Гауссын бус шинж чанарыг үр дүнтэйгээр илрүүлдэг өндөр эрэмбийн спектрийн шинжилгээний арга болох модуляцийн дохионы биспектр (MSB) ашиглан шинжилдэг. MSB нь стандарт давтамжийн спектрт ихэвчлэн нуугддаг нарийн модуляцийн алдааны шинж чанарыг илрүүлэхэд тусалдаг.

Дараа нь боловсруулсан дохионы өгөгдлийг цагийн давтамжийн дүрс болгон хувиргаж, өндөр түвшний эвдрэлийн шинж чанарыг автоматаар гаргаж авах, арааны нөхцөл байдлыг ангилах чадвартай гүнзгий сургалтын загвар болох мушгирсан мэдрэлийн сүлжээ (CNN)-д оруулдаг. Энэхүү CNN загварыг янз бүрийн ачаалал болон хурдны нөхцөлд эрүүл араа, жижиг эвдрэл, ноцтой эвдрэлийг ялгахад сургасан.

Захиалгат загвартай спираль конус хэлбэрийн арааны туршилтын төхөөрөмж дээр хийсэн туршилтын үр дүнгээс харахад MSB CNN арга нь ангиллын нарийвчлалын 97%-иас дээш хувийг хангаж, FFT дээр суурилсан шинжилгээ болон түүхий чичиргээний өгөгдөлд тулгуурладаг бусад гүнзгий сургалтын техникүүдээс ч илүү үр дүнтэй байгааг харуулж байна. Түүнчлэн, энэхүү эрлийз загвар нь суурь чимээ шуугианд хүчтэй тэсвэртэй тул бодит ертөнцийн үйлдвэрлэлийн хэрэглээнд тохиромжтой.

Модуляцийн дохионы биспектрийг CNN-тэй нэгтгэх нь алдаа таних гүйцэтгэлийг сайжруулаад зогсохгүй уламжлал ёсоор цаг хугацаа их шаарддаг, мэргэжлийн ур чадвараас хамааралтай үйл явц болох гарын авлагын онцлог инженерчлэлийн хамаарлыг бууруулдаг. Энэ аргыг өргөтгөх боломжтой бөгөөд холхивч гэх мэт бусад эргэлдэгч машин механизмын эд ангиудад хэрэглэж болно.гаригийн араа.

Энэхүү судалгаа нь Аж Үйлдвэрийн 4.0 болон ухаалаг үйлдвэрлэлийн өргөн хүрээний салбарт зориулсан ухаалаг алдаа оношлох системийг хөгжүүлэхэд нэг алхам урагшилж байна. Автоматжуулалт болон машины найдвартай байдал улам бүр чухал болж байгаа тул