အမျိုးမျိုးသော လေထုညစ်ညမ်းမှုများနှင့် စီးပွားဖြစ်ရရှိနိုင်သော မော်တော်ကားခန်းအတွင်း လေစစ်စစ်များ၏ စစ်ထုတ်ခြင်းစွမ်းဆောင်ရည်ကို နှိုင်းယှဉ်ခြင်း။ မြန်မာ
အချိန် - 2024-11-06
အမျိုးမျိုးသော လေထုညစ်ညမ်းမှုများနှင့် စီးပွားဖြစ်ရရှိနိုင်သော မော်တော်ကားခန်းအတွင်း လေစစ်စစ်များ၏ စစ်ထုတ်ခြင်းစွမ်းဆောင်ရည်ကို နှိုင်းယှဉ်ခြင်း။
ြဒပ်မဲ့သော
မော်တော်ကားအင်ဂျင် စားသုံးမှု စစ်ထုတ်ခြင်းများသည် အချိန်ကြာလာသည်နှင့်အမျှ အဆိုပါ စစ်ထုတ်မှုများသည် လေဝင်လေထွက်ကို အနှောင့်အယှက်ဖြစ်စေသော ညစ်ညမ်းမှုများနှင့် ပြည့်နှက်နေသော်လည်း အင်ဂျင်သို့ သန့်ရှင်းသောလေများ ပေးပို့မှုကို သေချာစေသည်။ ယနေ့ခေတ် လေအေးပေးစက် ပြုပြင်ထိန်းသိမ်းခြင်းအတွက် ကွင်းဖွင့်ချဉ်းကပ်မှုတွင် ယာဉ်မောင်းများသည် ကြိုတင်သတ်မှတ်ထားသော ဝန်ဆောင်မှုကြားကာလများတွင် အစိတ်အပိုင်းများကို အစားထိုးပေးသည့်အတွက် ကုန်ကျစရိတ်များပြီး အန္တရာယ်ဖြစ်စေနိုင်ချေရှိပြီး အလွန်အကျွံ အစားထိုးလဲလှယ်မှုကို ဖြစ်ပေါ်စေပါသည်။ ရလဒ်မှာ ကားအများအပြားသည် ပါဝါလျှော့ချခြင်း၊ လောင်စာဆီသုံးစွဲမှု တိုးလာခြင်း၊ သို့မဟုတ် အလွန်အကျွံ အမှုန်အမွှားများနှင့် ဆက်နွှယ်နေသည့် အစိတ်အပိုင်းများကို ထိခိုက်စေနိုင်သော ဓာတ်ကူပစ္စည်း သို့မဟုတ် စက်ဖြင့်ပြုလုပ်ထားသော အင်ဂျင်မျက်နှာပြင်များကို ထိခိုက်ပျက်စီးစေသည့် အရှိန်အဟုန်ဖြင့် လည်ပတ်နေခြင်း ဖြစ်သည်။
စမတ်ဖုန်းနှင့် မတ်တပ်ရပ်မိုက်ခရိုဖုန်းမှ စုဆောင်းထားသော အသံဒေတာများမှ စစ်ထုတ်သည့် ညစ်ညမ်းမှုကို ဖော်ထုတ်သည့် နည်းလမ်းကို ကျွန်ုပ်တို့ တင်ပြထားပါသည်။ ကြီးကြပ်မှုကို စစ်ထုတ်ရန် ကျွန်ုပ်တို့၏ စက်သင်ယူမှုချဉ်းကပ်နည်းသည် Mel-Cepstrum၊ Fourier နှင့် Wavelet အင်္ဂါရပ်များကို အမျိုးအစားခွဲခြားမှုပုံစံတစ်ခုတွင် ထည့်သွင်းပြီး အကောင်းဆုံး-ကွဲပြားသည့်အင်္ဂါရပ်များကို ရွေးချယ်ရန်အတွက် အင်္ဂါရပ်အဆင့်သတ်မှတ်ချက်ကို အသုံးပြုပါသည်။ ဇကာကို loading state သုံးခုအဖြစ် ခွဲခြားလိုက်သောအခါတွင် 79.7% တိကျမှု၏ အကောင်းဆုံးရလဒ်ကို ရှာဖွေခြင်းဖြင့် ယာဉ်အမျိုးအစားနှစ်ခုနှင့် မတူညီသောမိုက်ခရိုဖုန်းများအတွက် ၎င်း၏ထိရောက်မှုကိုပြသခြင်းဖြင့် ကျွန်ုပ်တို့၏နည်းပညာ၏ကြံ့ခိုင်မှုကို သရုပ်ပြပါသည်။
ဤနည်းပညာကို ပြုပြင်မွမ်းမံခြင်းသည် ယာဉ်မောင်းများအား ၎င်းတို့၏ စစ်ထုတ်မှုများကို ကြီးကြပ်ရန်နှင့် ၎င်းတို့၏ အစားထိုးမှုကို အကောင်းဆုံးအချိန်ကိုက်ဖြစ်စေရန် ကူညီပေးပါမည်။ ၎င်းသည် ယာဉ်ပိုင်ရှင်များအတွက် ပြုပြင်ထိန်းသိမ်းမှုကုန်ကျစရိတ်ကို လျှော့ချနေစဉ်တွင် ယာဉ်စွမ်းဆောင်ရည်၊ စွမ်းဆောင်ရည်နှင့် ယုံကြည်စိတ်ချရမှုကို မြှင့်တင်ပေးမည်ဖြစ်သည်။
နိဒါန္း
နှစ်စဉ်နှစ်တိုင်း၊ ပျမ်းမျှယာဉ်၏အသက်အရွယ်နှင့် နှစ်စဉ်ခရီးမိုင်နှုန်းသည် United States Department of Transportation (2016b)၊ IHS Inc (2016) နှင့် မျှသုံးရွေ့လျားသွားလာမှုဆီသို့ ကူးပြောင်းလာသည်နှင့်အမျှ ထိရောက်သော၊ ယုံကြည်စိတ်ချရပြီး တာရှည်ခံယာဉ်များအတွက် လိုအပ်မှုမှာ ဆက်လက်တိုးလာပါသည်။
အဆိုပါအများစုဟာ 260 " id="MathJax-Element-1-Frame" class="MathJax_SVG" tabindex="0">- သန်းချီသောယာဉ် US light-duty fleet (United States Department of Transportation, 2016a) သည် ဓာတ်ဆီစွမ်းအင်သုံး (US Energy Information Administration, 2016) တွင် လေနှင့် လောင်စာစားသုံးသော အင်ဂျင်များ ပါ၀င်ပြီး ပစ္စတင်တစ်လုံးကို တွန်းလှန်ရန်နှင့် အိတ်ဇောလောင်ကျွမ်းခြင်းမှ ထွက်ကုန်များကို မီးလောင်ကျွမ်းစေပါသည်။ စွမ်းဆောင်ရည် ကျဆင်းမှု မှန်သမျှသည် အင်ဂျင်စွမ်းဆောင်ရည်၊ စီးပွားရေးနှင့် တာရှည်ခံမှုကို ထိခိုက်စေသည်။
စားသုံးမှုစနစ်သည် အကောင်းဆုံးစွမ်းဆောင်ရည်အတွက် အရေးကြီးပါသည်။ အင်ဂျင်မျက်နှာပြင်များ ပွန်းပဲ့ခြင်းနှင့် အအေးဒဏ်ကို ကာကွယ်ရန် ထိရောက်မှု၊ သန့်ရှင်းမှုရရှိရန် လွတ်လပ်သောစီးဆင်းမှုဖြစ်ရမည်၊ ထို့ကြောင့် တိုးလာသောသိပ်သည်းဆသည် လောင်စာပိုမိုလောင်ကျွမ်းစေပြီး ပါဝါတိုးတက်စေပါသည်။
အင်ဂျင်ဝင်ရောက်မှု၏အဓိကအစိတ်အပိုင်းဖြစ်သော၊ စစ်ထုတ်သူများသည် ညစ်ညမ်းသောအာရုံစူးစိုက်မှုကို ဘေးကင်းသောအဆင့်သို့လျှော့ချသည် (Jaroszczyk et al., 1993) သည် လေဝင်လေထွက်အပူကိုကန့်သတ်ရန် အရည်အခမဲ့စီးဆင်းမှုကိုသေချာစေသည်။ ဤဇကာများသည် ဖုန်မှုန့်များ၊ ဖုန်မှုန့်များနှင့် အပျက်အစီးများပါ၀င်သည်နှင့် တပြိုင်နက် သန့်ရှင်းရေး သို့မဟုတ် အစားထိုးရန် လိုအပ်သော ဝတ်ဆင်ပစ္စည်းများဖြစ်သည်။
အကောင်းဆုံး filtration သည် အင်ဂျင်ဆလင်ဒါ တိုက်စားမှုကို လျှော့ချပေးပြီး အမှုန်အမွှားများ စုပ်ယူမှုကို ပိုမိုကောင်းမွန်စေသည်။ ထိရောက်မှုသို့ သေးငယ်သောပြောင်းလဲမှုများသည် သိသာထင်ရှားသော သက်ရောက်မှုရှိသည်- အင်ဂျင် ဟောင်းနွမ်းမှု 8 " id="MathJax-Element-2-Frame" class="MathJax_SVG" tabindex="0"> filter တစ်ခုအတွက် အဆပိုမြန်ပါတယ်။ 98 " id="MathJax-Element-3-Frame" class="MathJax_SVG" tabindex="0">% နှင့် 99 " id="MathJax-Element-4-Frame" class="MathJax_SVG" tabindex="0">% ထိရောက်မှု (Jaroszczyk et al., 1993)။ ထို့အပြင်၊ စံပြ filtration သည် ကားအတွင်းခန်းဆူညံသံများကို လျှော့ချပေးပြီး အင်ဂျင်ပါဝါနှင့် တုံ့ပြန်မှုကို ပိုမိုကောင်းမွန်စေသည်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ ညစ်ပတ်သော filter များသည် ပါဝါကို ကန့်သတ်သည်၊ ဆူညံစေသည်၊ လောင်စာများကို စွန့်ပစ်သည် Norman et al။ (2009)၊ Toma (2016) နှင့် downstream catalytic converter ချို့ယွင်းမှုများကို ဖြစ်စေနိုင်သည်။ ဤစိန်ခေါ်မှုများသည် ကာဘူရီလုပ်ထားသောယာဉ်များတွင် အထင်ရှားဆုံးဖြစ်သည် (Thomas et al., 2012) အပိတ်လောင်စာဆီထိန်းချုပ်မှု ကင်းမဲ့သည်။ ၁၉၉၀ ခုနှစ်များ အလယ်ပိုင်းတွင် ကားသစ်များ လောင်စာထိုးဆေးအဖြစ် ပြောင်းလဲခဲ့သော်လည်း ကမ္ဘာတစ်ဝှမ်းရှိ ကားများ၊ မော်တော်ဆိုင်ကယ်များနှင့် အခြားအပေါ့စား သယ်ယူပို့ဆောင်ရေးယာဉ်များစွာသည် ကာဘူရီတာများကို အသုံးပြုနေကြဆဲဖြစ်သည်။
စစ်ထုတ်သည့်အရာများကို အစောပိုင်းတွင် ပြောင်းလဲခြင်းသည် သိသာထင်ရှားသော အဖြေတစ်ခုဟု ထင်ရသော်လည်း အစောပိုင်းတွင် အစားထိုးခြင်းသည် သိမ်မွေ့သော်လည်း ဆိုးရွားသော ပြဿနာများကို ဖြစ်စေသည်။ (Norman et al., 2009) ဖြင့် အမှုန်အမွှားများကို ဖမ်းယူနိုင်မှု စွမ်းဆောင်ရည် တိုးလာသည် (Norman et al., XNUMX)၊ ထို့ကြောင့် ပေါ့ပေါ့ပါးပါး အသုံးပြုထားသော ဒြပ်စင်များသည် အင်ဂျင်အား လျော့နည်းစေပြီး ဝန်ဆောင်မှုသက်တမ်းကို တိုးစေသည်။ စစ်ထုတ်မှုတစ်ခုကို ပြောင်းလဲရန် အကောင်းဆုံးဝင်းဒိုးတစ်ခု ရှိပါသည်။ ၎င်းတွင် အမှုန်အမွှားအများစုကို ဖမ်းယူကာ စီးဆင်းမှုကို အနည်းဆုံးကန့်သတ်ပေးသည့် ဝင်းဒိုးတစ်ခုရှိပါသည်။
ယာဉ်အတွင်း အာရုံခံကိရိယာများသည် အကောင်းဆုံးသော စစ်ထုတ်ခြင်း အစားထိုးခြင်းပြဿနာကို ဖြေရှင်းရန်အတွက် ဒီဇိုင်းထုတ်ထားသော်လည်း On-Board Diagnostics ပါရှိသော ယာဉ်အသစ်အများစုသည် ပုံမှန်အားဖြင့် ဤအခြေအနေကို စောင့်ကြည့်လေ့မရှိကြပြီး အရွယ်ရောက်သည့်ယာဉ်များသည် အာရုံခံနိုင်စွမ်းမရှိကြပါ။ ယာဉ်အနည်းစုသည် လေဟာနယ်အခြေစိုက် စားသုံးမှုဖိအားကျဆင်းမှုအာရုံခံကိရိယာများကို ပေးဆောင်သည် (Norman et al., 2009) သည် အခြေခံဖိအားကျဆင်းမှုထက် တိုးလာကြောင်း ညွှန်ပြသော၊ 1 " id="MathJax-Element-5-Frame" class="MathJax_SVG" tabindex="0">-2 . 5 kPa " id="MathJax-Element-6-Frame" class="MathJax_SVG" tabindex="0"> Toma (2016), Thomas et al. (၂၀၁၂)။ အာရုံခံကိရိယာများမရှိသည့်အခါ၊ ယာဉ်မောင်းများသည် ပုံမှန်အားဖြင့် သတိမထားမိကြသောကြောင့် ယာဉ်မောင်းအများစုသည် သတ်မှတ်ထားသောအချိန်အပိုင်းအခြားများ (မကြာခဏ 2012 ကီလိုမီတာ (Toma, 15,000)) သို့မဟုတ် ညစ်ပတ်နေသည့်အခါတွင် ယာဉ်မောင်းအများစုသည် စစ်ထုတ်မှုများကို အစားထိုးခြင်းဖြင့် ဒေတာ-ကန်းသည့်အချိန်ကို အားကိုးကြသည်။ ကွဲပြားသော အမှုန်အမွှားများနှင့် လေ၀င်လေထွက်နှုန်း အမျိုးမျိုးရှိသော ပတ်ဝန်းကျင်များတွင် အသုံးပြုသည့် မော်တော်ယာဉ်များသည် ဤနည်းလမ်းများ မမှန်ပါ (Jaroszczyk et al., 2016)။
စစ်တမ်းတစ်ခုတွင် 21 " id="MathJax-Element-7-Frame" class="MathJax_SVG" tabindex="0"> လေစစ်စစ်များကို ဖယ်ရှားပြီးနောက်၊ 15 " id="MathJax-Element-8-Frame" class="MathJax_SVG" tabindex="0"> စွမ်းဆောင်ရည်ကျဆင်းနေသော occlusion စတင်ပြီးနောက် နှစ်ခုကို ပြောင်းလဲခဲ့သော်လည်း အစောပိုင်းတွင် ဖယ်ရှားခဲ့သည် (Toma, 2016)။ ဤသည်မှာ ဝန်ဆောင်မှုအတွက် မော်တော်ယာဥ်များကို ယူဆောင်လာသော ယာဉ်မောင်းများသည် စစ်ထုတ်ခြင်းများကို ပြောင်းလဲရန် စောလွန်းသော်လည်း ထိုကားများတွင် အညစ်ပတ်ဆုံးသော စစ်ထုတ်မှုများကို တွေ့ရှိသောကြောင့် ယင်းက ဝန်ဆောင်မှုအတွက် မယူဆောင်ဖူးသော အညစ်ပတ်ဆုံးသော စစ်ထုတ်မှုများကို တွေ့ရှိရသည်။ တစ်ခုရှိလား။ 2 " id="MathJax-Element-9-Frame" class="MathJax_SVG" tabindex="0">ဝန်ဆောင်မှုမရသေးသော ယာဉ်များတွင် ဆီစားသက်သာခြင်း % ဆုံးရှုံးပြီး ပျမ်းမျှယာဉ်မောင်းတစ်ဦးသည် တစ်နှစ်လျှင် လောင်စာဆီ 1680 ဒေါ်လာ ဖြုန်းတီးမှုတွင် ပျမ်းမျှ ယာဉ်မောင်းတစ်ဦးသည် ညစ်ပတ်သော ဇကာဖြင့် မောင်းနှင်ပါက $33.60 ကုန်ကျသည်။ ၎င်းသည် ပုံမှန်စစ်ထုတ်မှု၏ကုန်ကျစရိတ်ထက် ကျော်လွန်ပြီး အကောင်းဆုံးသော အစားထိုးချိန်ကိုက်မှုအတွက် အလားအလာရှိသော ခြွေတာမှုကို ပြသသည်၊ အင်ဂျင်များနှင့် ဓာတ်ကူပစ္စည်းပြောင်းစက်များအတွက် ရေရှည်ပျက်စီးမှုကို ဖော်ပြခြင်းမပြုပါ။
အချိန်နှင့်တပြေးညီ စစ်ထုတ်မှု အမျိုးအစားခွဲခြားခြင်းသည် ယုံကြည်စိတ်ချရမှုကို ပိုမိုကောင်းမွန်စေပြီး ယာဉ်လည်ပတ်မှုကုန်ကျစရိတ်နှင့် ဓာတ်ငွေ့ထုတ်လွှတ်မှုကို လျှော့ချနိုင်သည်။ ဤအချက်အလက်အတွက် ငုပ်လျှိုးနေသော လိုအပ်ချက်ရှိနေသည် — လူများ၏ 81.4% သည် ဒေတာအသိပေးစနစ် (Toma and Bobalca, 2016) မှ အကြံပြုချက်များကို ရယူမည်ဖြစ်သည်။
အပြုအမူပြောင်းလဲမှုများအတွက် လိုအပ်ချက်ကို လျှော့ချရန်အတွက်၊ စျေးနည်းသော၊ ပျံ့နှံ့နေသော အာရုံခံစနစ်ကို စမတ်ဖုန်းများကို အသုံးပြု၍ လက်ရှိစက်ပစ္စည်းများကို ပြန်လည်အသုံးပြုရန်အတွက် အသုံးပြုမည် (Engelbrecht et al., 2015)။ မကြာသေးမီနှစ်များအတွင်း၊ လူသုံးအီလက်ထရွန်နစ်ပစ္စည်းထုတ်လုပ်သူများသည် မိုဘိုင်းအာရုံခံနိုင်စွမ်းကို မြှင့်တင်ခဲ့ကြသည်။ လေထုဖိအားနှင့် စက်ပစ္စည်း တိမ်းညွှတ်မှုမှ အပူချိန်၊ အထိအတွေ့နှင့် အနီးအပါးအထိ၊ ဤထည့်သွင်းမှုအသစ်များသည် မိုဘိုင်းတွက်ချက်မှု၊ သိုလှောင်မှုနှင့် ချိတ်ဆက်မှုတို့တွင် အညီအမျှ မြှင့်တင်မှုများနှင့် ကိုက်ညီသည် (Han and Cho, 2016)။ ကျွန်ုပ်တို့၏ကိုယ်ပိုင်အလုပ်သည် ထိုကဲ့သို့သောကိရိယာများကို အသုံးပြု၍ အင်ဂျင်စက်နှိုးခြင်းကို စောင့်ကြည့်နိုင်သည် (Siegel et al., 2016b)။
ကျွန်ုပ်တို့သည် ယနေ့ခေတ်၏ ဓာတ်ပြုထိန်းသိမ်းမှုဆိုင်ရာ အလေ့အထမှ ဤအရင်းအမြစ်များကို ရယူသုံးစွဲခြင်းဖြင့် တက်ကြွသောအဆင့်သို့ ကူးပြောင်းသွားရန် ရည်ရွယ်ပါသည်။ မော်တော်ယာဥ်၏ အကောင်းဆုံး ပြုပြင်ထိန်းသိမ်းမှု အလေ့အကျင့်များနှင့် လိုက်လျောညီထွေဖြစ်စေရန် မော်တော်ယာဥ်၏ အကောင်းဆုံး ပြုပြင်ထိန်းသိမ်းမှု အလေ့အကျင့်များကို မြှင့်တင်ရန် ရည်ရွယ်ချက်ဖြင့် လေစစ်ထုတ်ခြင်း စွမ်းဆောင်ရည်ကို ခွဲခြားသတ်မှတ်ရန် မိုဘိုင်းလ်အသံကို ကျွန်ုပ်တို့ အသုံးပြုပါသည်။ ဤစာတမ်းသည် မိုဘိုင်းအော်ဒီယိုဒေတာနှင့် အစုအဝေး အမျိုးအစား ခွဲခြားခြင်းအား လေအေးပေးစက် အခြေအနေ အမျိုးအစားခွဲခြင်းအတွက် မည်ကဲ့သို့ အသုံးပြုနိုင်သည်ကို သရုပ်ပြထားသည်။
အပိုင်း 2 တွင်၊ အပိုင်း 3 သည် ဆက်စပ်အလုပ်များကို စူးစမ်းနေချိန်တွင် အပိုင်း 4 သည် ဆက်စပ်အလုပ်များကို စူးစမ်းနေချိန်တွင် စားသုံးမှုမှထွက်လာသော အသံအပြောင်းအလဲများဟု ကျွန်ုပ်တို့ ယူဆပါသည်။ အပိုင်း 5 သည် ဒေတာစုဆောင်းရန်နှင့် လေ၀င်လေထွက်ကိုကန့်သတ်ထားသည့် ညစ်ညမ်းပစ္စည်းများကို အတုယူရန် စမ်းသပ်လုပ်ထုံးလုပ်နည်းကို ဖော်ပြသည်။ ကျွန်ုပ်တို့သည် အပိုင်း 6 တွင် ကျွန်ုပ်တို့၏ အုပ်စုခွဲခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်ကို အပိုင်း 7 တွင် ဖော်ပြထားပြီး၊ အသစ်၊ ညင်သာစွာအသုံးပြုထားသော၊ ညစ်ပတ်ပြီး အဟန့်အတားရှိသော စစ်ထုတ်မှုများကို ခွဲခြားရာတွင် မြင့်မားသောတိကျမှုကိုပြသထားသည်။ နောက်ဆုံးတွင်၊ အပိုင်း XNUMX သည် ဤ အယ်လဂိုရီသမ်အတွက် အနာဂတ်တိုးတက်မှုများနှင့် အခြားယာဉ်ချို့ယွင်းချက်များကို ပျံ့နှံ့နေသော အာရုံခံခြင်းဆိုင်ရာ အသုံးချမှုများကို ဆွေးနွေးထားသည်။
အပိုင်းထှာ
ပြProbleနာဖော်ပြချက်
စံပြလောင်ကျွမ်းသောအင်ဂျင်သည် လွတ်လပ်သောစီးဆင်းမှု၊ သန့်ရှင်းအေးမြသောလေကို အကန့်အသတ်မရှိ ထောက်ပံ့ပေးရန် လိုအပ်သည်။ လက်တွေ့တွင်၊ အင်ဂျင်များသည် လေကိုသန့်စင်ရန်နှင့် ဝတ်ဆင်မှုကိုကန့်သတ်ရန် filter များ လိုအပ်သည်။ အသစ်သောအခါတွင်၊ ဤစစ်ထုတ်မှုများသည် လေဝင်လေထွက်ကို ကန့်သတ်ထားပြီး စစ်ထုတ်မှုတွင် ညစ်ညမ်းမှုများပါ၀င်လာသည်နှင့်အမျှ ဤကန့်သတ်ချက်နှင့် ဆက်စပ်သော ဖိအားများ ကျဆင်းလာသည်။ ဆူညံသံ၊ တုန်ခါမှုနှင့် ကြမ်းတမ်းမှုကို လျှော့ချရန် စားသုံးမှုစနစ်များကို ချိန်ညှိထားသော်လည်း၊ စီးဆင်းမှုပြောင်းလဲမှုများသည် နောက်ဆုံးတွင် စားသုံးမှုမှ ထွက်လာသော အသံတွင် သိသာထင်ရှားသောပြောင်းလဲမှုများကို ဖြစ်ပေါ်စေပါသည်။ ဒါတွေကို ကျနော်တို့က အခိုင်အမာ ပြောထားတယ်။
အရင်က အနုပညာ
ယာဉ်၏စွမ်းဆောင်ရည်ကိုဖော်ပြခြင်း၊ အစိတ်အပိုင်းအခြေအနေများကို အမျိုးအစားခွဲခြားခြင်းနှင့် အချိန်-ဒိုမိန်းအချက်ပြမှုများကို အသုံးပြု၍ ပုံမှန်မဟုတ်သောအပြုအမူများကို ခွဲခြားသတ်မှတ်ခြင်းသည် နယ်ပယ်အသစ်မဟုတ်ပါ။ အထူးသဖြင့် မော်တော်ယာဥ်အတွင်း အာရုံခံခြင်းအား လေစစ်ဇကာ စောင့်ကြည့်ခြင်းတွင် အသုံးချထားသည်။ သို့သော်လည်း ပြည်နယ်ပေါင်းစုံ အမျိုးအစားခွဲခြင်းနှင့် ပျံ့နှံ့နေသော အခြေအနေများကို စောင့်ကြည့်လေ့လာခြင်း နည်းပါးနေသေးသည်။
ဤသည်မှာ ပျံ့နှံ့နေသော ယာဉ်ရောဂါရှာဖွေခြင်း မရှိခြင်းကြောင့်မဟုတ်ပါ။ အသံအချက်ပြမှုများကို အသုံးပြုခြင်းသည် အထူးသဖြင့် အသံလှိုင်းအချက်ပြမှုများမလိုအပ်သောကြောင့် သုတေသနနှင့် စက်မှုလုပ်ငန်းသုံးအပလီကေးရှင်းများတွင် အသုံးများသည်။
စမ်းသပ်မှုလုပ်ထုံးလုပ်နည်းနှင့် ယူဆချက်အတည်ပြုချက်
ဤကဏ္ဍသည် ယာဉ်များစွာအတွက် ညစ်ညမ်းသော လေစစ်ထုတ်စက်ကို ဒီဂရီအမျိုးမျိုးရှိသော ယာဉ်တစ်စီးမှ အသံနမူနာများ မည်သို့ထုတ်ပေးသည်ကို ဤကဏ္ဍတွင် ဖော်ပြထားပါသည်။
အဟောင်းများကို စစ်ထုတ်မှုအသစ်များနှင့် ကွဲပြားစေရန် အသံအင်္ဂါရပ်များကို အသုံးပြုခြင်း၏ သဘောတရားကို သက်သေပြရန် ဒေတာစုဆောင်းခြင်း စမ်းသပ်မှုတစ်ခုအား ကျွန်ုပ်တို့ ဦးစွာ ဆွေးနွေးပါသည်။ ထို့နောက်၊ ပြည်နယ်ပေါင်းစုံ ညစ်ညမ်းမှု အမျိုးအစားခွဲခြင်းအတွက် ထိန်းချုပ်ထားသော ဒေတာထုတ်ပေးခြင်းဆိုင်ရာ လုပ်ထုံးလုပ်နည်းကို တင်ပြပြီး ဤချဉ်းကပ်မှုသည် ကျွန်ုပ်တို့၏ အမျိုးအစားခွဲထွက်ပစ္စည်းများ၏ ကြံ့ခိုင်မှုကို မည်သို့အာမခံကြောင်း ရှင်းပြပါသည်။ ဤတွင်၊ ကျွန်ုပ်တို့သည် ဒေတာစုဆောင်းသည်။
Algorithm ဖွံ့ဖြိုးတိုးတက်ရေး
ပုံ 5 မှနေ၍ FT peak ခြားနားချက်များကို အမျိုးအစားခွဲခြင်းဆိုင်ရာ တိကျမှုကို ပိုမိုကောင်းမွန်စေမည့် အပိုအင်္ဂါရပ်များဖြင့် ပြည်နယ်သုံးခုကြားတွင် ကွဲပြားစေရန် အသုံးပြုနိုင်ကြောင်း ကျွန်ုပ်တို့ ယူဆပါသည်။ ဤကဏ္ဍတွင် ကျွန်ုပ်တို့သည် အင်္ဂါရပ်များကို မည်ကဲ့သို့ထုတ်လုပ်လိုက်သည်၊ အမျိုးအစားခွဲကိရိယာကို ချိန်ညှိကာ၊ အံဝင်ခွင်ကျဖြစ်မှုကို လျှော့ချနေစဉ် စစ်ထုတ်ခြင်းဆိုင်ရာ အမျိုးအစားခွဲခြင်းဆိုင်ရာ တိကျမှုကို အမြင့်ဆုံးဖြစ်စေရန်အတွက် အကောင်းဆုံးသောထည့်သွင်းမှုဘောင်များကို ရွေးချယ်ထားသည်ကို ဆွေးနွေးထားပါသည်။
နမူနာရလဒ်များ
ဤအပိုင်းသည် ဇယားပုံစံဖြင့် စမ်းသပ်ထားသည့် ဒေတာအတွဲသုံးမျိုးအတွက် သာလွန်ကောင်းမွန်သော ရလဒ်များကို ပြသသည်။
ဇယား 1 တွင်၊ မော်ဒယ်သုံးမျိုးစီအတွက် အကောင်းဆုံးပုံစံဖွဲ့စည်းပုံနှင့် 5-ဆ အပြန်အလှန်အတည်ပြုထားသော နမူနာစွမ်းဆောင်ရည်အပြင်၊ 25 " id="MathJax-Element-10-Frame" class="MathJax_SVG" tabindex="0">% ထက်သာလွန်သော စွမ်းဆောင်ရည်။
အကောင်းမွန်ဆုံး မော်ဒယ်ဘောင်များတွင် ခေတ်ရေစီးကြောင်းများကို မှတ်သားထားပါသည်။ မော်ဒယ်တစ်ခုစီတိုင်းသည် သေးငယ်သောပုံးအရွယ်အစားများကို ရွေးချယ်လေ့ရှိပြီး DFT အစိတ်အပိုင်းများသည် ပြည်နယ်များကို ခွဲခြားရာတွင် အရေးကြီးသောအခန်းကဏ္ဍမှ ပါဝင်မည်ဖြစ်ပြီး စိတ်ဝင်စားဖွယ်အင်္ဂါရပ်များကို ကျဉ်းမြောင်းစေရန် အာရုံစိုက်ထားကြောင်း အကြံပြုထားသည်။
နိဂုံး
ကျွန်ုပ်တို့သည် MFCC၊ DFT နှင့် wavelet အင်္ဂါရပ်များနှင့် အိတ်စွပ်ထားသော ဆုံးဖြတ်ချက်သစ်ပင်များကို အသုံးပြု၍ သုံးနိုင်ငံလေစစ်ဇကာများတွင် 80% တိကျမှုကို သက်သေပြခဲ့ပြီး၊ အတွဲလိုက်လုပ်ဆောင်ပြီး စမတ်ဖုန်းအသံ၏ ရှင်သန်နိုင်စွမ်းကို သက်သေပြခဲ့သည်။ Multi-state အမျိုးအစားခွဲခြားခြင်းသည် အခြေအနေစောင့်ကြည့်ခြင်းဆီသို့ ခြေလှမ်းတစ်ခုဖြစ်ပြီး သရုပ်ပြအမျိုးအစားခွဲခြားမှု၏ အာရုံခံနိုင်စွမ်းသည် စောစီးစွာတုံ့ပြန်မှုဖြစ်နိုင်သည်ဟု အကြံပြုထားသည်။ ဤနည်းလမ်းကိုအသုံးပြုသည့် မိုဘိုင်းအက်ပလီကေးရှင်းသည် နောက်ဆုံးတွင် ယာဉ်စွမ်းဆောင်ရည်နှင့် စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးနိုင်သည်။
ရလဒ်များ