۱. تشخیص و پیشبینی خطا با استفاده از هوش ماشین. هر سیستمی باید مشکلات احتمالی را قبل از اینکه دچار مشکل شوند و منجر به عواقب جدی شوند، شناسایی یا پیشبینی کند. در حال حاضر، هیچ مدل تعریفشده دقیقی از حالت غیرعادی وجود ندارد و فناوری تشخیص غیرعادی هنوز فاقد آن است. ترکیب اطلاعات و دانش حسگر برای بهبود هوش ماشین ضروری است.
۲. در شرایط عادی، پارامترهای فیزیکی هدف را میتوان با دقت و حساسیت بالا حس کرد؛ با این حال، پیشرفت کمی در تشخیص شرایط غیرعادی و نقصها حاصل شده است. بنابراین، نیاز مبرمی به تشخیص و پیشبینی خطا وجود دارد که باید به طور جدی توسعه یافته و به کار گرفته شود.
۳. فناوری حسگری فعلی میتواند مقادیر فیزیکی یا شیمیایی را در یک نقطه واحد به طور دقیق حس کند، اما حس کردن حالتهای چندبعدی دشوار است. به عنوان مثال، اندازهگیری محیطی که پارامترهای مشخصه آن به طور گسترده توزیع شده و همبستگیهای مکانی و زمانی دارند، نیز نوعی مشکل دشوار است که باید فوراً حل شود. بنابراین، تقویت تحقیق و توسعه حسگری حالت چندبعدی ضروری است.
۴. سنجش از دور برای تجزیه و تحلیل اجزای هدف. تجزیه و تحلیل ترکیب شیمیایی عمدتاً مبتنی بر مواد نمونه است و گاهی اوقات نمونهبرداری از مواد هدف دشوار است. همانند اندازهگیری سطح ازن در استراتوسفر، سنجش از دور ضروری است و ترکیب طیفسنجی با تکنیکهای تشخیص رادار یا لیزر یکی از رویکردهای ممکن است. تجزیه و تحلیل بدون اجزای نمونه، مستعد تداخل توسط نویزها یا رسانههای مختلف بین سیستم حسگر و اجزای هدف است و انتظار میرود هوش ماشینی سیستم حسگر این مشکل را حل کند.
۵. هوش حسگر برای بازیافت کارآمد منابع. سیستمهای تولیدی مدرن، فرآیند تولید را از مواد خام تا محصول خودکار کردهاند و فرآیند چرخهای زمانی که محصول دیگر استفاده نمیشود یا دور انداخته میشود، نه کارآمد است و نه خودکار. اگر بازیافت منابع تجدیدپذیر بتواند به طور مؤثر و خودکار انجام شود، میتوان از آلودگی محیط زیست و کمبود انرژی به طور مؤثر جلوگیری کرد و مدیریت منابع چرخه عمر را محقق ساخت. برای یک فرآیند چرخه خودکار و مؤثر، استفاده از هوش ماشینی برای تشخیص اجزای هدف یا اجزای خاص، وظیفه بسیار مهمی برای سیستمهای حسگر هوشمند است.
زمان ارسال: ۲۳ مارس ۲۰۲۲