Original Title: Analysis of Time Series Imaging Approaches for the Application of Fault Classification of Marine Systems
Source: doi.org/10.3850/978-981-18-5183-4_R22-20-629-cd
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវិភាគលើវិធីសាស្រ្តបង្កើតរូបភាពពីស៊េរីពេលវេលាសម្រាប់ការធ្វើចំណាត់ថ្នាក់កំហុសនៃប្រព័ន្ធសមុទ្រ

ចំណងជើងដើម៖ Analysis of Time Series Imaging Approaches for the Application of Fault Classification of Marine Systems

អ្នកនិពន្ធ៖ Christian Velasco-Gallego (University of Strathclyde, United Kingdom), Iraklis Lazakis (University of Strathclyde, United Kingdom)

ឆ្នាំបោះពុម្ព៖ 2022 (ESREL 2022)

វិស័យសិក្សា៖ Marine Engineering / Artificial Intelligence

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាកង្វះខាតនៃការវិភាគ និងការកំណត់ស្តង់ដារនៃវិធីសាស្រ្តចំណាត់ថ្នាក់កំហុស (Fault Classification) នៅក្នុងប្រព័ន្ធសមុទ្រ ដែលជាឧបសគ្គដល់ការអនុវត្តការថែទាំឆ្លាតវៃ (Smart Maintenance) ដើម្បីកាត់បន្ថយគ្រោះថ្នាក់និងការចំណាយ។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើវិធីសាស្រ្តបំប្លែងទិន្នន័យស៊េរីពេលវេលា (Time Series) ទៅជារូបភាព ដើម្បីធ្វើការវិភាគនិងចាត់ថ្នាក់កំហុសដោយប្រើបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Compound (GASF-GADF-MTF-MTM-RP)
ការរួមបញ្ចូលគ្នានៃវិធីសាស្រ្តទាំង ៥ (GASF, GADF, MTF, MTM, RP)		 ទទួលបានលទ្ធផលល្អបំផុតដោយចាប់យកលក្ខណៈពិសេសគ្រប់ជ្រុងជ្រោយនៃទិន្នន័យស៊េរីពេលវេលា។ ទាមទារធនធានគណនាខ្ពស់ជាងគេ ដោយសារត្រូវដំណើរការឆានែលទិន្នន័យច្រើនក្នុងពេលតែមួយ។ ភាពត្រឹមត្រូវ (Accuracy): 1.00 (100%)
Recurrence Plot (RP)
ដ្យាក្រាមនៃការកើតឡើងវិញ (RP)		 មានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគប្រព័ន្ធឌីណាមិក និងងាយស្រួលអនុវត្តជាងការរួមបញ្ចូលគ្នា។ អាចបាត់បង់ព័ត៌មានខ្លះប្រសិនបើប្រើតែឯកឯងធៀបនឹងវិធីសាស្រ្តរួមបញ្ចូលគ្នា (Compound)។ ភាពត្រឹមត្រូវ (Accuracy): 0.99 (99%)
Compound (GASF-GADF-MTF)
ការរួមបញ្ចូលគ្នានៃវិធីសាស្រ្ត ៣ (GASF, GADF, MTF)		 ផ្តល់លទ្ធផលល្អប្រសើរជាងការប្រើវិធីសាស្រ្តនីមួយៗដាច់ដោយឡែក។ នៅតែមានប្រសិទ្ធភាពទាបជាងការរួមបញ្ចូល MTM និង RP បន្ថែម។ ភាពត្រឹមត្រូវ (Accuracy): 0.98 (98%)
Gramian Difference Angular Field (GADF)
វាលមុំភាពខុសគ្នា Gramian (GADF)		 ជាវិធីសាស្រ្តមូលដ្ឋានសម្រាប់បំប្លែងទិន្នន័យទៅជាប៉ូលែរ (Polar Coordinates)។ ទទួលបានលទ្ធផលទាបបំផុតក្នុងការសិក្សានេះ ដែលបង្ហាញថាវាមិនសូវមានប្រសិទ្ធភាពសម្រាប់ប្រភេទកំហុសនេះទេ។ ភាពត្រឹមត្រូវ (Accuracy): 0.75 (75%)

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ធនធានគណនាកម្រិតមធ្យម ដែលអាចអនុវត្តបានជាមួយនឹងកុំព្យូទ័រដែលមាន GPU ធម្មតា។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះពឹងផ្អែកខ្លាំងលើទិន្នន័យដែលត្រូវបានបង្កើតឡើងតាមការពិសោធន៍ (Simulated Data) ដោយប្រើគំរូ Gaussian និង Brownian motion ជំនួសឱ្យទិន្នន័យកំហុសជាក់ស្តែងពីនាវា។ នេះជាចំណុចខ្វះខាតមួយ ដោយសារកំហុសក្នុងពិភពពិតអាចមានភាពស្មុគស្មាញនិងមិនអាចទាយទុកជាមុនបានដូចទិន្នន័យពិសោធន៍។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្រ្តនេះមានសក្តានុពលខ្ពស់សម្រាប់កម្ពុជា ជាពិសេសក្នុងការធ្វើទំនើបកម្មប្រព័ន្ធថែទាំក្នុងវិស័យដឹកជញ្ជូនផ្លូវទឹក និងឧស្សាហកម្ម។

ទោះបីជាទិន្នន័យនៅក្នុងការសិក្សាជាទិន្នន័យពិសោធន៍ក្តី ប៉ុន្តែក្របខណ្ឌការងារ (Framework) នៃការបំប្លែងទិន្នន័យទៅជារូបភាពនេះ គឺជាបច្ចេកទេសដ៏មានប្រសិទ្ធភាពដែលអាចយកទៅអនុវត្តផ្ទាល់បាននៅកម្ពុជា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី ១: សិក្សាពីបណ្ណាល័យ Python: និស្សិតគួរចាប់ផ្តើមរៀនប្រើប្រាស់បណ្ណាល័យ (pyts) សម្រាប់បំប្លែងទិន្នន័យស៊េរីពេលវេលាទៅជារូបភាព និង (Keras) សម្រាប់បង្កើតបណ្តាញ CNN។
  2. ជំហានទី ២: ការប្រមូលទិន្នន័យមូលដ្ឋាន: សាកល្បងប្រមូលទិន្នន័យរំញ័រ ឬកំដៅពីម៉ាស៊ីនតូចៗក្នុងមន្ទីរពិសោធន៍ ឬម៉ាស៊ីនភ្លើង ដើម្បីបង្កើតជា Dataset ផ្ទាល់ខ្លួន។
  3. ជំហានទី ៣: ការអនុវត្តការបំប្លែងរូបភាព: អនុវត្តការបំប្លែងទិន្នន័យដោយប្រើវិធីសាស្រ្ត (Recurrence Plot) និង (GASF) ជាមុនសិន ព្រោះវាផ្តល់លទ្ធផលល្អនិងងាយស្រួលយល់។
  4. ជំហានទី ៤: ការកសាងម៉ូដែល CNN: បង្កើតម៉ូដែល CNN សាមញ្ញមួយដែលមានស្រទាប់ Convolutional ចំនួន ២ (ដូចក្នុងឯកសារ) ដើម្បីធ្វើចំណាត់ថ្នាក់រូបភាពដែលបានបំប្លែង។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Time Series Imaging គឺជាបច្ចេកទេសនៃការបំប្លែងទិន្នន័យលេខដែលប្រែប្រួលតាមពេលវេលា (ដូចជាសីតុណ្ហភាព ឬរំញ័រម៉ាស៊ីន) ឱ្យទៅជារូបភាព ២វិមាត្រ (2D Images) ដើម្បីឱ្យកុំព្យូទ័រអាចប្រើប្រាស់បច្ចេកវិទ្យាវិភាគរូបភាពដើម្បីស្វែងរកកំហុស។ ដូចជាការយកក្រាហ្វសំឡេងបេះដូង (ECG) មកបំប្លែងជារូបភាពពណ៌ ដើម្បីងាយស្រួលមើលឃើញភាពខុសប្រក្រតីនៃចង្វាក់បេះដូង។
Convolutional Neural Network (CNN) ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Deep Learning) ដែលមានជំនាញពិសេសក្នុងការវិភាគទិន្នន័យរូបភាព ដោយការស្កេនរកលក្ខណៈពិសេស (Features) ដូចជាបន្ទាត់ ឬរូបរាង ដើម្បីធ្វើចំណាត់ថ្នាក់។ ប្រៀបដូចជាប្រព័ន្ធភ្នែករបស់មនុស្សយន្ត ដែលអាចមើលរូបភាពកាំរស្មីអ៊ិច (X-ray) ហើយប្រាប់បានថាមានជំងឺអ្វីដោយស្វ័យប្រវត្តិ។
Gramian Angular Field (GASF) ជាវិធីសាស្រ្តគណិតវិទ្យាមួយដែលបំប្លែងស៊េរីទិន្នន័យពេលវេលាទៅជាម៉ាទ្រីស ដោយផ្អែកលើកូអរដោនេប៉ូលែរ (Polar Coordinates) ដើម្បីរក្សាទំនាក់ទំនងរវាងពេលវេលានីមួយៗនៅក្នុងទម្រង់ជារូបភាព។ ដូចជាការយកខ្សែអំបោះត្រង់មួយ (ទិន្នន័យ) មកត្បាញជាកម្រាលដែលមានក្បាច់រចនា (រូបភាព) ដើម្បីឱ្យយើងមើលឃើញគំរូនៃទិន្នន័យនោះកាន់តែច្បាស់។
Recurrence Plot (RP) គឺជាបច្ចេកទេសបង្កើតរូបភាពដែលបង្ហាញពីពេលណាដែលប្រព័ន្ធមួយត្រឡប់ទៅរកស្ថានភាពដើមវិញ (Recurrence)។ វាមានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគប្រព័ន្ធដែលមានចលនាវិលជុំ ឬមិនទៀងទាត់។ ដូចជាការគូសចំណាំលើប្រតិទិនរាល់ថ្ងៃដែលអាកាសធាតុដូចគ្នា ដើម្បីមើលថាតើអាកាសធាតុនោះកើតឡើងញឹកញាប់ប៉ុណ្ណា និងមានលំនាំបែបណា។
Markov Transition Field (MTF) គឺជាវិធីសាស្រ្តបំប្លែងទិន្នន័យទៅជារូបភាព ដោយផ្អែកលើប្រូបាប៊ីលីតេនៃការផ្លាស់ប្តូរពីស្ថានភាពមួយទៅស្ថានភាពមួយទៀត (ឧទាហរណ៍៖ ពីសីតុណ្ហភាពទាបទៅខ្ពស់)។ ប្រៀបដូចជាផែនទីដែលបង្ហាញថា តើមានឱកាសប៉ុន្មានភាគរយដែលអ្នកនឹងធ្វើដំណើរពីទីក្រុងមួយទៅទីក្រុងមួយទៀត ដោយផ្អែកលើប្រវត្តិធ្វើដំណើរពីមុន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖