بهبود تشخیص ناهنجاریها با استفاده از یادگیری انتقالی بدون نظارت در سیستم های صنعتی

در این مقاله، بهبود تشخیص ناهنجاریها در سیستم های صنعتی با بهره گیری از یادگیری انتقالی بدون نظارت مورد بررسی قرار می دهیم. با توجه به اینکه در سیستم های صنعتی، داده های برچسب گذاری شده به ندرت و با هزینه باال در دسترس هستند، روش های مبتنی بر یادگیری انتقالی، بهویژه در شرایطی که داده ها بین دامنه های مختلف همسان نیستند، اهمیت فراوانی یافته اند. در این تحقیق، با توسعه یک کد پایتون برای پیاده سازی الگوریتم های یادگیری انتقالی، تاثیر این روش بر بهبود دقت و کارایی تشخیص ناهنجاریها در یک محیط صنعتی واقعی ارزیابی می کنیم. نتایج آزمایشات نشان می دهد که روش پیشنهادی با بهره گیری از یادگیری انتقالی بدون نیاز به برچسب گذاری، قادر است الگوهای ناهنجار را با دقت باالتری شناسایی و در عین حال میزان خطا و هشدارهای نادرست را در سیستم کاهش دهد. یافته ها موید آن است که این روش نه تنها عملکرد بهتری نسبت به روش های سنتی داشته، بلکه امکان بهینه سازی فرآیندها و افزایش ایمنی و کارایی سیستم های صنعتی را نیز فراهم می سازد.

کلیدواژه ها:

تشخیص ناهنجاری ، یادگیری انتقالی بدون نظارت ، یادگیری تقویتی ، داده های بدون برچسب ، تککالسه