ඩීසල් ඉන්ධන පෙරහන් මූලද්රව්යය

යාන්ත්‍රික උපකරණ විශාල පරිමාණයෙන්, බුද්ධිමත් හා ඉහළ නිරවද්‍යතාවයක් වෙත නැඹුරු වීමත් සමඟ, බල සම්ප්‍රේෂණය, ස්ථානගත කිරීම සහ වෙනත් අරමුණු සාක්ෂාත් කර ගැනීම සඳහා රෝලර් ෙබයාරිං වැනි භ්‍රමණය වන කොටස් භාවිතය සැලකිය යුතු ලෙස වැඩිදියුණු කර ඇත. ඒවා හානි වූ විට හෝ අසාර්ථක වූ විට, යාන්ත්‍රික උපකරණ ක්‍රියාකාරීත්වයේ ආරක්ෂාවට සහ නිෂ්පාදන ප්‍රතිලාභයට බලපානු ඇත. කෙසේ වෙතත්, මෙම භ්‍රමණය වන කොටස්වල විශේෂ ස්ථාපන තත්ත්වය හේතුවෙන්, උපකරණවල සෞඛ්‍ය තත්ත්වය පර්යේෂණ කිරීම සහ විනිශ්චය කිරීම වඩා දුෂ්කර වන අතර, මිනිසුන් හෝ අත්දැකීම් මත රඳා පවතින පෙර ක්‍රම තවදුරටත් ක්‍රියා කළ නොහැක. එබැවින්, උපකරණ සෞඛ්‍ය අධීක්ෂණය ක්‍රියාත්මක කිරීම සඳහා බුද්ධිමත් හඳුනාගැනීම් සහ රෝග විනිශ්චය ක්‍රමය සංවර්ධනය කිරීම උණුසුම් පර්යේෂණ මාතෘකාවක් බවට පත්ව ඇත.

කෘත්‍රිම බුද්ධියේ ශීඝ්‍ර වර්ධනයත් සමඟ, යන්ත්‍ර ඉගෙනීමේ ක්‍රම වැඩි වැඩියෙන් යාන්ත්‍රික උපකරණ බුද්ධිමත් රෝග විනිශ්චය සත්‍ය වන අතර, ශක්තිමත් කිරීමේ ඉගෙනීම (RL) [1], [2], උත්පාදක විරුද්ධවාදී ජාල (GAN) [3], ස්වයංක්‍රීය සංකේතකය (AE) [4] සහ ආධාරක දෛශික යන්ත්‍රය (SVM) [5], [6], [47]. ඒවා අතර, SVM යනු සංඛ්‍යානමය ඉගෙනීම මත පදනම් වූ වර්ගීකරණ ඇල්ගොරිතමයක් වන අතර එය දේශීය අවම මට්ටමට වැටීම පහසු නොවන අතර පුහුණු දත්ත ප්‍රශස්ත හයිපර්ප්ලේන් හරහා වෙන් කරන අතර පුහුණු දත්ත බහුපද ශ්‍රිත වැනි රේඛීය නොවන සිතියම්කරණ ක්‍රම හරහා ඉහළ මාන ලක්ෂණ වලට සිතියම්ගත කළ හැකිය. රේඩියල් පදනම් කාර්යයන්. මීට අමතරව, SVM හට සීමිත සාම්පල යටතේ නිවැරදි තීරණ අධිතලය සැපයිය හැකි අතර හොඳ සාමාන්‍යකරණ හැකියාවක් ඇත. එහි විශිෂ්ට කාර්ය සාධනය අනුව, SVM බොහෝ ක්ෂේත්‍රවල බහුලව භාවිතා වී ඇත. වැන්ග් සහ අල්. සාමාන්‍යකරණය වූ සංයුක්ත බහු-පරිමාණ බරැති ප්‍රගමන එන්ට්‍රොපි (GCMWPE) සහ SVM [7] සංයෝගය මත පදනම් වූ බුද්ධිමත් දෝෂ නිර්ණය කිරීමේ ක්‍රමයක් යෝජනා කරන ලද අතර, එමඟින් අධිමාන ලක්ෂණ එකතුවක් තැනීමට බහු පරිමාණයන්ගෙන් දරණ ලක්ෂණ උකහා ගත හැකිය. Bayati et al. SVM [8] මත පදනම්ව DC මයික්‍රොග්‍රිඩ් සඳහා දෝෂ ස්ථාන ක්‍රමයක් යෝජනා කරන ලදී. එක් එක් පේළියේ එක් කෙළවරක දේශීය මනින ලද අගය භාවිතා කිරීමෙන්, ඉහළ සම්බාධක දෝෂයේ නිවැරදි ස්ථානය සොයා ගත හැකි අතර, පර්යේෂණාත්මක ප්‍රතිඵලවලින් පෙන්නුම් කරන්නේ මෙම යෝජනා ක්‍රමය ශබ්දය සහ අනෙකුත් බාධා කිරීම් සඳහා ශක්තිමත් බවයි. Ref. [9] ශබ්දය ඉවත් කිරීම සඳහා විවික්ත කෝසයින් පෙරීම භාවිතා කරන ආධාරක දෛශික යන්ත්‍රය මත පදනම් වූ ලිතියම්-අයන බැටරි සඳහා බුද්ධිමත් දෝෂ විනිශ්චය ක්‍රමයක් යෝජනා කරන ලදී.