ଯାନ୍ତ୍ରିକ ନିଦାନ କ୍ଷେତ୍ର ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିକାଶରେ, ଏକ ନୂତନ ଅଧ୍ୟୟନ ତ୍ରୁଟି ନିର୍ଣ୍ଣୟ ପାଇଁ ମଡ୍ୟୁଲେସନ୍ ସିଗନାଲ ବାଇସ୍ପେକ୍ଟ୍ରମ୍ (MSB) କୁ କନଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (CNN) ସହିତ ମିଶ୍ରଣ କରିବାର ପ୍ରଭାବ ପ୍ରଦର୍ଶନ କରିଛି।ସର୍ପିଲ ବେଭେଲ ଗିଅର୍ସ। ଏହି ଅଭିନବ ପଦ୍ଧତି ଉନ୍ନତ ସଠିକତା, ଦ୍ରୁତ ଚିହ୍ନଟ ଏବଂ ବ୍ୟବହୃତ ଉଚ୍ଚ କାର୍ଯ୍ୟକ୍ଷମ ଗିଅରବକ୍ସ ପାଇଁ ଏକ ଅଧିକ ବୁଦ୍ଧିମାନ ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ସିଷ୍ଟମର ପ୍ରତିଶ୍ରୁତି ଦିଏମହାକାଶ, ଅଟୋମୋଟିଭ୍ ଏବଂ ଶିଳ୍ପ ପ୍ରୟୋଗ।

ସ୍ପାଇରାଲ୍ବେଭେଲ୍ ଗିଅର୍ସଉଚ୍ଚ ଟର୍କ ଯନ୍ତ୍ରପାତି, ହେଲିକପ୍ଟର, ସାମୁଦ୍ରିକ ପ୍ରଚଳନ ପ୍ରଣାଳୀ ଏବଂ ଭାରୀ ଦାୟିତ୍ୱ ଶିଳ୍ପ ହ୍ରାସକାରୀରେ ମିଳୁଥିବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିବହନ ଉପାଦାନ। ସେମାନଙ୍କର ଜଟିଳ ଜ୍ୟାମିତି ଏବଂ କାର୍ଯ୍ୟକ୍ଷମ ଅବସ୍ଥା ଯୋଗୁଁ, ପିଟିଂ, ଘଷିବା ଏବଂ ଦାନ୍ତ ଭାଙ୍ଗିବା ଭଳି ଗିଅର ତ୍ରୁଟିର ପ୍ରାରମ୍ଭିକ ଚିହ୍ନଟ ଏକ ବୈଷୟିକ ଚ୍ୟାଲେଞ୍ଜ ହୋଇ ରହିଛି। ପାରମ୍ପରିକ ସିଗନାଲ ପ୍ରକ୍ରିୟାକରଣ କୌଶଳଗୁଡ଼ିକ ପ୍ରାୟତଃ ଶବ୍ଦ ହସ୍ତକ୍ଷେପ ଏବଂ ଅଣ-ରୈଖିକ ତ୍ରୁଟି ବୈଶିଷ୍ଟ୍ୟ ସହିତ ସଂଘର୍ଷ କରେ।

ନୂତନ ପଦ୍ଧତିରେ ଦୁଇ ପର୍ଯ୍ୟାୟ ତ୍ରୁଟି ନିର୍ଣ୍ଣୟ ଢାଞ୍ଚା ପ୍ରଚଳନ କରାଯାଇଛି। ପ୍ରଥମେ କାର୍ଯ୍ୟକ୍ଷମ ଗିଅର ସିଷ୍ଟମ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା କମ୍ପନ ସଙ୍କେତଗୁଡ଼ିକୁ ମଡ୍ୟୁଲେସନ୍ ସିଗନାଲ ବାଇସ୍ପେକ୍ଟ୍ରମ୍ (MSB) ବ୍ୟବହାର କରି ବିଶ୍ଳେଷଣ କରାଯାଏ, ଏକ ଉଚ୍ଚ କ୍ରମ ବର୍ଣ୍ଣାଳୀ ବିଶ୍ଳେଷଣ କୌଶଳ ଯାହା ପ୍ରଭାବଶାଳୀ ଭାବରେ ସିଗନାଲର ଅଣ-ରୈଖିକ ଏବଂ ଅଣ-ଗୌସିଆନ୍ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ କଏଦ କରିଥାଏ। MSB ସାଧାରଣତଃ ମାନକ ଫ୍ରିକ୍ୱେନ୍ସି ସ୍ପେକ୍ଟ୍ରାରେ ଲୁଚି ରହିଥିବା ସୂକ୍ଷ୍ମ ମଡ୍ୟୁଲେଟେଡ୍ ଫଲ୍ଟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ପ୍ରକାଶ କରିବାରେ ସାହାଯ୍ୟ କରେ।

ପରବର୍ତ୍ତୀ ସମୟରେ, ପ୍ରକ୍ରିୟାକୃତ ସିଗନାଲ ତଥ୍ୟକୁ ସମୟ ଫ୍ରିକ୍ୱେନ୍ସି ପ୍ରତିଛବିରେ ରୂପାନ୍ତରିତ କରାଯାଏ ଏବଂ ଏକ କନଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (CNN) ରେ ଫିଡ୍ କରାଯାଏ ଯାହା ଏକ ଗଭୀର ଶିକ୍ଷା ମଡେଲ୍ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଉଚ୍ଚ ସ୍ତରର ଫଲ୍ଟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ବାହାର କରିବାରେ ଏବଂ ଗିଅର୍ ଅବସ୍ଥାକୁ ବର୍ଗୀକରଣ କରିବାରେ ସକ୍ଷମ। ଏହି CNN ମଡେଲ୍ ବିଭିନ୍ନ ଲୋଡ୍ ଏବଂ ଗତି ପରିସ୍ଥିତିରେ ସୁସ୍ଥ ଗିଅର୍, କ୍ଷୁଦ୍ର ତ୍ରୁଟି ଏବଂ ଗୁରୁତର କ୍ଷତି ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ କରିବାକୁ ତାଲିମପ୍ରାପ୍ତ।

ଏକ କଷ୍ଟମ୍ ଡିଜାଇନ୍ କରାଯାଇଥିବା ସ୍ପାଇରାଲ୍ ବେଭେଲ୍ ଗିଅର୍ ପରୀକ୍ଷା ରିଗ୍ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣ ଫଳାଫଳଗୁଡ଼ିକ ଦର୍ଶାଉଛି ଯେ MSB CNN ପଦ୍ଧତି 97% ରୁ ଅଧିକ ବର୍ଗୀକରଣ ସଠିକତା ହାସଲ କରେ, ପାରମ୍ପରିକ ପଦ୍ଧତି ଯେପରିକି FFT ଆଧାରିତ ବିଶ୍ଳେଷଣ ଏବଂ କଞ୍ଚା କମ୍ପନ ତଥ୍ୟ ଉପରେ ନିର୍ଭର କରୁଥିବା ଅନ୍ୟାନ୍ୟ ଗଭୀର ଶିକ୍ଷା କୌଶଳକୁ ମଧ୍ୟ ପଛରେ ପକାଇଥାଏ। ଅଧିକନ୍ତୁ, ଏହି ହାଇବ୍ରିଡ୍ ମଡେଲ୍ ପୃଷ୍ଠଭୂମି ଶବ୍ଦ ପ୍ରତି ଦୃଢ଼ ଦୃଢ଼ତା ପ୍ରଦର୍ଶନ କରେ, ଏହାକୁ ବାସ୍ତବ ବିଶ୍ୱ ଶିଳ୍ପ ପ୍ରୟୋଗ ପାଇଁ ଉପଯୁକ୍ତ କରିଥାଏ।

CNN ସହିତ ମଡ୍ୟୁଲେସନ୍ ସିଗନାଲ ବାଇସ୍ପେକ୍ଟ୍ରମର ସମନ୍ୱୟ କେବଳ ତ୍ରୁଟି ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବୃଦ୍ଧି କରେ ନାହିଁ ବରଂ ମାନୁଆଲ୍ ଫିଚର୍ ଇଞ୍ଜିନିୟରିଂ ଉପରେ ନିର୍ଭରଶୀଳତାକୁ ମଧ୍ୟ ହ୍ରାସ କରେ ଯାହା ପାରମ୍ପାରିକ ଭାବରେ ଏକ ସମୟସାପେକ୍ଷ ଏବଂ ବିଶେଷଜ୍ଞତା ଉପରେ ନିର୍ଭରଶୀଳ ପ୍ରକ୍ରିୟା। ଏହି ପଦ୍ଧତିଟି ସ୍କେଲେବଲ୍ ଏବଂ ଅନ୍ୟ ଘୂର୍ଣ୍ଣନ ଯନ୍ତ୍ରପାତି ଉପାଦାନଗୁଡ଼ିକ, ଯେପରିକି ବିୟରିଂ ଏବଂଗ୍ରହୀ ଗିଅର୍ସ.

ଏହି ଗବେଷଣା ଶିଳ୍ପ 4.0 ଏବଂ ସ୍ମାର୍ଟ ଉତ୍ପାଦନର ବ୍ୟାପକ କ୍ଷେତ୍ର ପାଇଁ ବୁଦ୍ଧିମାନ ତ୍ରୁଟି ନିର୍ଣ୍ଣୟ ପ୍ରଣାଳୀର ବିକାଶରେ ଏକ ପଦକ୍ଷେପକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ। ସ୍ୱୟଂଚାଳିତତା ଏବଂ ମେସିନ୍ ନିର୍ଭରଯୋଗ୍ୟତା କ୍ରମଶଃ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହେବା ସହିତ,