مېخانىكىلىق دىئاگنوز قويۇش ساھەسىدە مۇھىم بىر تەرەققىيات بولۇپ، يېڭى بىر تەتقىقات مودۇلياتسىيە سىگنالى بىسپېكتىرىنى (MSB) ۋە كونۋولۇتسىيەلىك نېرۋا تورى (CNN) نى بىرلەشتۈرۈشنىڭ خاتالىقنى دىئاگنوز قويۇشتىكى ئۈنۈمىنى كۆرسەتتى.سىپىراللىق قىيسىق چىشلىق چاقبۇ يېڭىلىق يارىتىش ئۇسۇلى يۇقىرى ئۈنۈملۈك سۈرئەت ئۆزگەرتكۈچ قۇتىلىرىغا قارىتا يۇقىرى ئېنىقلىق، تېز بايقاش ۋە تېخىمۇ ئەقىللىق دىئاگنوز قويۇش سىستېمىسىنى ۋەدە قىلىدۇ.ئاۋىئاتسىيە، ئاپتوموبىل ۋە سانائەت قوللىنىشچانلىقى.

سىپىرال شەكىللىكقىيسىق چىشلىق چاقلاريۇقىرى بۇراش مومېنتىلىق ماشىنىلار، تىك ئۇچارلار، دېڭىز ھەرىكەتلەندۈرگۈچ سىستېمىسى ۋە ئېغىر تىپتىكى سانائەت رېدۇكتورلىرىدا ئۇچرايدىغان مۇھىم يەتكۈزۈش زاپچاسلىرى. مۇرەككەپ گېئومېتىرىيە ۋە ئىشلىتىش شارائىتى سەۋەبىدىن، چىشلىق چاقنىڭ يېرىلىشى، ئۇپراش ۋە چىش سۇنۇش قاتارلىق خاتالىقلىرىنى بالدۇر بايقاش تېخنىكىلىق جەھەتتىن قىيىن بولۇپ قالىدۇ. ئەنئەنىۋى سىگنال بىر تەرەپ قىلىش تېخنىكىلىرى دائىم شاۋقۇننىڭ ئارىلىشىشى ۋە سىزىقسىز خاتالىق خاراكتېرى بىلەن قىيىنچىلىققا ئۇچرايدۇ.

يېڭى ئۇسۇل ئىككى باسقۇچلۇق خاتالىق دىئاگنوز قويۇش رامكىسىنى تونۇشتۇرىدۇ. ئالدى بىلەن، مەشغۇلات چىشلىق سىستېمىسى تەرىپىدىن ھاسىل قىلىنغان تىترەش سىگناللىرى سىگنالنىڭ سىزىقسىز ۋە گاۋسسىز ئالاھىدىلىكلىرىنى ئۈنۈملۈك ھالدا تۇتۇۋالىدىغان يۇقىرى دەرىجىلىك سپېكتر ئانالىز تېخنىكىسى بولغان مودۇلياتسىيە سىگنالى بىسپېكتىرى (MSB) ئارقىلىق تەھلىل قىلىنىدۇ. MSB ئادەتتە ئۆلچەملىك چاستوتا سپېكتىرىدا يوشۇرۇنغان نېپىز مودۇلياتسىيەلەنگەن خاتالىق ئالاھىدىلىكلىرىنى ئاشكارىلاشقا ياردەم بېرىدۇ.

ئاندىن، بىر تەرەپ قىلىنغان سىگنال سانلىق مەلۇماتلىرى ۋاقىت چاستوتىسى رەسىملىرىگە ئايلاندۇرۇلۇپ، يۇقىرى دەرىجىلىك خاتالىق ئالاھىدىلىكلىرىنى ئاپتوماتىك چىقىرىۋېتەلەيدىغان ۋە چىشلىق چاقنىڭ ئەھۋالىنى تۈرگە ئايرىيالايدىغان چوڭقۇر ئۆگىنىش مودېلى بولغان ئايلانما نېرۋا تورىغا (CNN) كىرگۈزۈلىدۇ. بۇ CNN مودېلى ھەر خىل يۈك ۋە سۈرئەت شارائىتىدا ساغلام چىشلىق چاقلار، كىچىك خاتالىقلار ۋە ئېغىر زىيانلارنى پەرقلەندۈرۈشكە مەشىقلەندۈرۈلىدۇ.

تەجرىبە نەتىجىلىرى، خاس لايىھەلەنگەن سىپىرال قىيسىق چىشلىق سىناق ئۈسكۈنىسىدە ئېلىپ بېرىلغان بولۇپ، MSB CNN ئۇسۇلىنىڭ تۈرگە ئايرىش توغرىلىقى %97 تىن يۇقىرى ئىكەنلىكىنى، FFT ئاساسلىق ئانالىز قاتارلىق ئەنئەنىۋى ئۇسۇللار ۋە ھەتتا خام تىترەش سانلىق مەلۇماتلىرىغا تايىنىدىغان باشقا چوڭقۇر ئۆگىنىش تېخنىكىلىرىدىنمۇ ئۈستۈن ئىكەنلىكىنى كۆرسىتىپ بېرىدۇ. ئۇنىڭدىن باشقا، بۇ ئارىلاشما مودېل ئارقا كۆرۈنۈش شاۋقۇنىغا كۈچلۈك چىدامچانلىق بىلەن تاقابىل تۇرىدۇ، بۇ ئۇنى ھەقىقىي دۇنيادىكى سانائەت قوللىنىشچان پروگراممىلىرىغا ماس كېلىدۇ.

مودۇلياتسىيە سىگنالىنىڭ ئىككى تەرەپلىك سپېكترىنى CNN بىلەن بىرلەشتۈرۈش پەقەت خاتالىقنى تونۇش ئىقتىدارىنىلا يۇقىرى كۆتۈرۈپلا قالماي، يەنە قولدا ئىقتىدار قۇرۇلۇشىغا تايىنىشنى ئازايتىدۇ، بۇ ئەنئەنىۋى ئۇسۇل ۋاقىت سەرپ قىلىدىغان ۋە كەسپىي ماھارەتكە تايىنىدىغان جەريان. بۇ ئۇسۇل كېڭەيتكىلى بولىدۇ ھەمدە ياستۇق ۋە باشقا ئايلىنىدىغان ماشىنا زاپچاسلىرىغا قوللىنىلىشى مۇمكىن.پلانېتا چىشلىق چاقلىرى.

بۇ تەتقىقات سانائەت 4.0 ۋە كەڭ دائىرىلىك ئەقلىي ئىشلەپچىقىرىش ساھەسى ئۈچۈن ئەقلىي خاتالىق دىئاگنوز قويۇش سىستېمىسىنى تەرەققىي قىلدۇرۇشتا بىر قەدەم ئىلگىرىلەشنى ئىپادىلەيدۇ. ئاپتوماتلاشتۇرۇش ۋە ماشىنا ئىشەنچلىكلىكى بارغانسېرى مۇھىم بولۇپ قالغانلىقتىن،