یک روش طبقه بندی هوشمند مبتنی بر یادگیری پرش قابل اطمینان برای نگهداری و تعمیرات پیش گویانه

طبقه بندی کننده های هوشمند به دلیل دقت بالاتر در مقایسه با سایر طبقه بندی کننده ها، برای اهداف تعمیر و نگهداری پیش گویانه بسیارمورد علاقه هستند. در میان متدولوژی های رایجی که اخیرا پدیدار شده اند، رویکردهای مدل سازی قابل اطمینان و مبتنی بر پرش، برایبهبود دقت طبقه بندی کننده ها شناخته شدند. در حالیکه رویکردهای قابل اطمینان و مبتنی بر پرش مزایای متمایزی را در طراحی توابعهزینه و هدایت فرآیند یادگیری ارائه می دهند، ترکیب آنها نشان دهنده توسعه جدیدی در پرداختن به مسائل طبقه بندی است که تمرکزاصلی مقاله حاضر است. بر این اساس، در طول مرحله اولیه روش پیشنهاد ی، از رویکرد مبتنی بر پرش بر ای اصلاح تابع ضررطبقه بندی کننده های هوشمند عمیق معمولا ستفاده می شود. این انطباق به طبقه بندی کننده اجازه می دهد تا به طور موثر در نقاط گسستهحرکت کند. در مرحله دوم، روش مبتنی بر قابلیت اطمینان برای تابع ضرر مبتنی بر پرش به دست آمده از مرحله قبل اعمال می شود. درنتیجه، وزن های اتصالی طبقه بندی کننده به گونه ای برآورد می شود که فرکانس پرش آنها به حداقل برسد. بر ای ارزیابی عملکردطبقه بندی کننده پیشنهادی در زمینه نگهداری و تعمیرات پیشگویانه، سه مجموعه داده معیار شناخته شده در نظر گرفته می شود و سپسنرخ طبقه بندی آن با طبقه بندی کننده های یادگیری عمیق کلاسیک مقایسه می شود. یافته های تجربی نشان میدهد که عملکرد مدلپیشنهادی از عملکرد طبقه بندی کننده های پرسپترون چندلایه عمیق، شبکه عصبی پیچشی و شبکه عصبی حافظه طولانی کوتاه مدت در همه مطالعات موردی پیشی می گیرد. در نتیجه، روش پیشنهادی را می توان با اطمینان به عنوان یک رویکرد قوی برای دستیابی بهدقت قابل توجه در شناسایی الگوهای شکست و پیش بینی خرابی ها بکار برد.

کلیدواژه ها:

طبقه بندی ، متدولوژی قابلیت اطمینان محور ، متدولوژی مبتنی بر پرش ، نرخ طبقه بندی ، پرسپترون های چندلایه عمیق ، نگهداری و تعمیرات پیش گویانه