252927 ការបញ្ជូនដោយស្វ័យប្រវត្តិ AL4 DPO Switch Pressure Sensor

1. វិធីសាស្ត្រវិនិច្ឆ័យកំហុសរបស់ឧបករណ៍ចាប់សញ្ញាទូទៅ

ជាមួយនឹងការអភិវឌ្ឍន៍វិទ្យាសាស្ត្រ និងបច្ចេកវិទ្យា វិធីសាស្ត្រនៃការវិនិច្ឆ័យកំហុសរបស់ឧបករណ៍ចាប់សញ្ញាមានកាន់តែច្រើនឡើង ដែលជាមូលដ្ឋានអាចបំពេញតម្រូវការនៃការប្រើប្រាស់ប្រចាំថ្ងៃ។ជាពិសេស វិធីសាស្ត្រវិនិច្ឆ័យកំហុសរបស់ឧបករណ៍ចាប់សញ្ញាទូទៅ រួមមានដូចខាងក្រោម៖

1.1 ការធ្វើរោគវិនិច្ឆ័យកំហុសដោយផ្អែកលើគំរូ

បច្ចេកវិទ្យាការវិនិច្ឆ័យកំហុសរបស់ឧបករណ៍ចាប់សញ្ញាផ្អែកលើគំរូដែលបានអភិវឌ្ឍដំបូងបំផុត យកការវិភាគឡើងវិញជំនួសឱ្យការលែងត្រូវការខាងរាងកាយជាគំនិតស្នូលរបស់វា ហើយទទួលបានព័ត៌មានកំហុសជាចម្បងដោយការប្រៀបធៀបវាជាមួយនឹងលទ្ធផលតម្លៃដែលបានវាស់វែងដោយប្រព័ន្ធប៉ាន់ស្មាន។នាពេលបច្ចុប្បន្ននេះ បច្ចេកវិជ្ជាធ្វើរោគវិនិច្ឆ័យនេះអាចបែងចែកជាបីប្រភេទ៖ វិធីសាស្ត្រវាយតម្លៃកំហុសផ្អែកលើប៉ារ៉ាម៉ែត្រ វិធីសាស្ត្រវិនិច្ឆ័យកំហុសផ្អែកលើរដ្ឋ និងវិធីសាស្ត្រវិនិច្ឆ័យលំហសមមូល។ជាទូទៅ យើងកំណត់ប៉ារ៉ាម៉ែត្រលក្ខណៈនៃសមាសធាតុដែលបង្កើតប្រព័ន្ធរូបវន្តជាប៉ារ៉ាម៉ែត្ររូបធាតុ និងសមីការឌីផេរ៉ង់ស្យែល ឬភាពខុសគ្នាដែលពិពណ៌នាអំពីប្រព័ន្ធគ្រប់គ្រងជាប៉ារ៉ាម៉ែត្រម៉ូឌុល។នៅពេលដែលឧបករណ៍ចាប់សញ្ញានៅក្នុងប្រព័ន្ធបរាជ័យដោយសារតែការខូចខាត ការបរាជ័យ ឬការថយចុះនៃដំណើរការ វាអាចត្រូវបានបង្ហាញដោយផ្ទាល់ថាជាការផ្លាស់ប្តូរប៉ារ៉ាម៉ែត្រសម្ភារៈ ដែលបណ្តាលឱ្យមានការផ្លាស់ប្តូរប៉ារ៉ាម៉ែត្រម៉ូឌុលដែលមានព័ត៌មានកំហុសទាំងអស់។ផ្ទុយទៅវិញ នៅពេលដែលប៉ារ៉ាម៉ែត្រម៉ូឌុលត្រូវបានគេស្គាល់ ការផ្លាស់ប្តូរប៉ារ៉ាម៉ែត្រអាចត្រូវបានគណនា ដូច្នេះដើម្បីកំណត់ទំហំ និងកម្រិតនៃកំហុសរបស់ឧបករណ៍ចាប់សញ្ញា។នាពេលបច្ចុប្បន្ននេះ បច្ចេកវិទ្យាវិនិច្ឆ័យឧបករណ៍ចាប់សញ្ញាផ្អែកលើគំរូត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយ ហើយលទ្ធផលស្រាវជ្រាវរបស់វាផ្តោតលើប្រព័ន្ធលីនេអ៊ែរ ប៉ុន្តែការស្រាវជ្រាវលើប្រព័ន្ធមិនមែនលីនេអ៊ែរចាំបាច់ត្រូវពង្រឹង។

1.2 ការវិនិច្ឆ័យកំហុសផ្អែកលើចំណេះដឹង

ខុសពីវិធីសាស្ត្រវិនិច្ឆ័យកំហុសដែលបានរៀបរាប់ខាងលើ ការវិនិច្ឆ័យកំហុសដោយផ្អែកលើចំណេះដឹង មិនចាំបាច់បង្កើតគំរូគណិតវិទ្យាទេ ដែលយកឈ្នះលើចំណុចខ្វះខាត ឬពិការភាពនៃការវិនិច្ឆ័យកំហុសដោយផ្អែកលើគំរូ ប៉ុន្តែខ្វះសំណុំនៃការគាំទ្រទ្រឹស្តីចាស់ទុំ។ក្នុងចំណោមពួកគេ វិធីសាស្ត្របណ្តាញសរសៃប្រសាទសិប្បនិម្មិត គឺជាអ្នកតំណាងនៃការវិនិច្ឆ័យកំហុសដោយផ្អែកលើចំណេះដឹង។បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតត្រូវបានគេហៅថា ANN ជាភាសាអង់គ្លេស ដែលផ្អែកលើការយល់ដឹងរបស់មនុស្សអំពីបណ្តាញសរសៃប្រសាទខួរក្បាល និងដឹងពីមុខងារជាក់លាក់មួយតាមរយៈការសាងសង់សិប្បនិម្មិត។បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតអាចរក្សាទុកព័ត៌មានក្នុងវិធីចែកចាយ ហើយដឹងពីការផ្លាស់ប្តូរ និងការធ្វើផែនទីដែលមិនមែនជាលីនេអ៊ែរ ដោយមានជំនួយពីបណ្តាញ topology និងការចែកចាយទម្ងន់។ផ្ទុយទៅវិញ វិធីសាស្ត្របណ្តាញសរសៃប្រសាទសិប្បនិម្មិត បង្កើតឱ្យមានកង្វះនៃការវិនិច្ឆ័យកំហុសដោយផ្អែកលើគំរូនៅក្នុងប្រព័ន្ធមិនមែនលីនេអ៊ែរ។ទោះជាយ៉ាងណាក៏ដោយ វិធីសាស្ត្របណ្តាញសរសៃប្រសាទសិប្បនិម្មិតមិនល្អឥតខ្ចោះទេ ហើយវាពឹងផ្អែកតែលើករណីជាក់ស្តែងមួយចំនួនប៉ុណ្ណោះ ដែលមិនធ្វើឱ្យការប្រើប្រាស់ប្រកបដោយប្រសិទ្ធភាពនៃបទពិសោធន៍បង្គរនៅក្នុងវិស័យពិសេស និងត្រូវបានជះឥទ្ធិពលយ៉ាងងាយស្រួលដោយការជ្រើសរើសគំរូ ដូច្នេះការសន្និដ្ឋានរោគវិនិច្ឆ័យដែលទាញចេញពីវាមិនមែនទេ។ អាចបកស្រាយបាន។