252927 ಸ್ವಯಂಚಾಲಿತ ಪ್ರಸರಣ ಅಲ್ 4 ಡಿಪಿಒ ಸ್ವಿಚ್ ಒತ್ತಡ ಸಂವೇದಕ

1. ಸಾಮಾನ್ಯ ಸಂವೇದಕ ದೋಷ ರೋಗನಿರ್ಣಯ ವಿಧಾನಗಳು

ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನದ ಅಭಿವೃದ್ಧಿಯೊಂದಿಗೆ, ಸಂವೇದಕ ದೋಷ ರೋಗನಿರ್ಣಯದ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಹೆಚ್ಚು ಹೇರಳವಾಗಿವೆ, ಇದು ಮೂಲತಃ ದೈನಂದಿನ ಬಳಕೆಯ ಅಗತ್ಯಗಳನ್ನು ಪೂರೈಸುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಸಾಮಾನ್ಯ ಸಂವೇದಕ ದೋಷ ರೋಗನಿರ್ಣಯ ವಿಧಾನಗಳು ಮುಖ್ಯವಾಗಿ ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಒಳಗೊಂಡಿವೆ:

1.1 ಮಾದರಿ ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯ

ಆರಂಭಿಕ ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಮಾದರಿ-ಆಧಾರಿತ ಸಂವೇದಕ ದೋಷ ರೋಗನಿರ್ಣಯ ತಂತ್ರಜ್ಞಾನವು ಭೌತಿಕ ಪುನರುಕ್ತಿ ಬದಲಿಗೆ ಅದರ ಪ್ರಮುಖ ಕಲ್ಪನೆಯಂತೆ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪುನರುಕ್ತಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಮುಖ್ಯವಾಗಿ ಅಂದಾಜು ವ್ಯವಸ್ಥೆಯಿಂದ ಅಳತೆ ಮಾಡಿದ ಮೌಲ್ಯಗಳ ಉತ್ಪಾದನೆಯೊಂದಿಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ದೋಷ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುತ್ತದೆ. ಪ್ರಸ್ತುತ, ಈ ರೋಗನಿರ್ಣಯ ತಂತ್ರಜ್ಞಾನವನ್ನು ಮೂರು ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು: ನಿಯತಾಂಕ ಅಂದಾಜು ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯ ವಿಧಾನ, ರಾಜ್ಯ ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯ ವಿಧಾನ ಮತ್ತು ಸಮಾನ ಬಾಹ್ಯಾಕಾಶ ರೋಗನಿರ್ಣಯ ವಿಧಾನ. ಸಾಮಾನ್ಯವಾಗಿ, ಭೌತಿಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಮ್ಯಾಟರ್ ನಿಯತಾಂಕಗಳಾಗಿ ರೂಪಿಸುವ ಘಟಕಗಳ ವಿಶಿಷ್ಟ ನಿಯತಾಂಕಗಳನ್ನು ಮತ್ತು ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯನ್ನು ಮಾಡ್ಯೂಲ್ ನಿಯತಾಂಕಗಳಾಗಿ ವಿವರಿಸುವ ಭೇದಾತ್ಮಕ ಅಥವಾ ವ್ಯತ್ಯಾಸ ಸಮೀಕರಣಗಳನ್ನು ನಾವು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ. ಹಾನಿ, ವೈಫಲ್ಯ ಅಥವಾ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅವನತಿಯಿಂದಾಗಿ ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ಸಂವೇದಕವು ವಿಫಲವಾದಾಗ, ಅದನ್ನು ವಸ್ತು ನಿಯತಾಂಕಗಳ ಬದಲಾವಣೆಯಾಗಿ ನೇರವಾಗಿ ಪ್ರದರ್ಶಿಸಬಹುದು, ಇದು ಮಾಡ್ಯುಲಸ್ ನಿಯತಾಂಕಗಳ ಬದಲಾವಣೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಇದು ಎಲ್ಲಾ ದೋಷ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಇದಕ್ಕೆ ತದ್ವಿರುದ್ಧವಾಗಿ, ಮಾಡ್ಯೂಲ್ ನಿಯತಾಂಕಗಳನ್ನು ತಿಳಿದಾಗ, ಸಂವೇದಕ ದೋಷದ ಗಾತ್ರ ಮತ್ತು ಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸಲು ನಿಯತಾಂಕದ ಬದಲಾವಣೆಯನ್ನು ಲೆಕ್ಕಹಾಕಬಹುದು. ಪ್ರಸ್ತುತ, ಮಾದರಿ ಆಧಾರಿತ ಸಂವೇದಕ ರೋಗನಿರ್ಣಯ ತಂತ್ರಜ್ಞಾನವನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗಿದೆ, ಮತ್ತು ಅದರ ಸಂಶೋಧನಾ ಫಲಿತಾಂಶಗಳು ರೇಖೀಯ ವ್ಯವಸ್ಥೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ, ಆದರೆ ರೇಖಾತ್ಮಕವಲ್ಲದ ವ್ಯವಸ್ಥೆಗಳ ಕುರಿತಾದ ಸಂಶೋಧನೆಯನ್ನು ಬಲಪಡಿಸಬೇಕಾಗಿದೆ.

1.2 ಜ್ಞಾನ ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯ

ಮೇಲೆ ತಿಳಿಸಿದ ದೋಷ ರೋಗನಿರ್ಣಯ ವಿಧಾನಗಳಿಗಿಂತ ಭಿನ್ನವಾದ ಜ್ಞಾನ-ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯವು ಗಣಿತದ ಮಾದರಿಯನ್ನು ಸ್ಥಾಪಿಸುವ ಅಗತ್ಯವಿಲ್ಲ, ಇದು ಮಾದರಿ ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯದ ನ್ಯೂನತೆಗಳು ಅಥವಾ ದೋಷಗಳನ್ನು ನಿವಾರಿಸುತ್ತದೆ, ಆದರೆ ಪ್ರಬುದ್ಧ ಸೈದ್ಧಾಂತಿಕ ಬೆಂಬಲವನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ. ಅವುಗಳಲ್ಲಿ, ಕೃತಕ ನರ ನೆಟ್‌ವರ್ಕ್ ವಿಧಾನವು ಜ್ಞಾನ ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯದ ಪ್ರತಿನಿಧಿಯಾಗಿದೆ. ಕೃತಕ ನರ ಜಾಲವನ್ನು ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ಆನ್ ಎಂದು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ, ಇದು ಮೆದುಳಿನ ನರಮಂಡಲದ ಮಾನವ ತಿಳುವಳಿಕೆಯನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಕೃತಕ ನಿರ್ಮಾಣದ ಮೂಲಕ ಒಂದು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವನ್ನು ಅರಿತುಕೊಳ್ಳುತ್ತದೆ. ಕೃತಕ ನರ ಜಾಲವು ಮಾಹಿತಿಯನ್ನು ವಿತರಣಾ ರೀತಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಬಹುದು ಮತ್ತು ನೆಟ್‌ವರ್ಕ್ ಟೋಪೋಲಜಿ ಮತ್ತು ತೂಕ ವಿತರಣೆಯ ಸಹಾಯದಿಂದ ರೇಖಾತ್ಮಕವಲ್ಲದ ರೂಪಾಂತರ ಮತ್ತು ಮ್ಯಾಪಿಂಗ್ ಅನ್ನು ಅರಿತುಕೊಳ್ಳಬಹುದು. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಕೃತಕ ನರ ನೆಟ್‌ವರ್ಕ್ ವಿಧಾನವು ರೇಖಾತ್ಮಕವಲ್ಲದ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಮಾದರಿ ಆಧಾರಿತ ದೋಷ ರೋಗನಿರ್ಣಯದ ಕೊರತೆಯನ್ನುಂಟುಮಾಡುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಕೃತಕ ನರ ನೆಟ್‌ವರ್ಕ್ ವಿಧಾನವು ಪರಿಪೂರ್ಣವಲ್ಲ, ಮತ್ತು ಇದು ಕೆಲವು ಪ್ರಾಯೋಗಿಕ ಪ್ರಕರಣಗಳನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸಿದೆ, ಇದು ವಿಶೇಷ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸಂಗ್ರಹವಾದ ಅನುಭವವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳುವುದಿಲ್ಲ ಮತ್ತು ಮಾದರಿ ಆಯ್ಕೆಯಿಂದ ಸುಲಭವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ, ಆದ್ದರಿಂದ ಅದರಿಂದ ಪಡೆದ ರೋಗನಿರ್ಣಯದ ತೀರ್ಮಾನಗಳನ್ನು ಅರ್ಥೈಸಲಾಗುವುದಿಲ್ಲ.