تشخیص خرابی ماشین آلات صنعتی با داده های جمع آوری شده توسط حسگرها و ترکیب کاهش ابعاد PCA و الگوریتم AdaBoost

با افزایش روزافزون بخش های صنعتی در حوزه های مختلف، یکی از چالش های مطرح شده در حوزه صنعت، تشخیص خرابی در سیستم های صنعتی است که خسارات بزرگی را به وجود آورده است. امروزه با وجود علم هوش مصنوعی، می توان راه حل و بهینه سازی بسیاری از مسائل روز را در الگوریتم های یادگیری ماشین یافت. راه حل هایی که بسیار موثرتر و کاراتر از روش های سنتی موجود هستند، به وسیله الگوریتم های یادگیری ماشین قابل پیاده سازی و بهره گیری هستند. این پژوهش به مسئله تشخیص خرابی در سیستم های صنعتی با هدف بهبود صحت طبقه بندی پرداخته است. روش مورد استفاده از تحلیل مولفه اصلی (PCA) برای کاهش ابعاد و الگوریتم AdaBoost برای طبقه بندی است. داده های موجود بعد از پیش پردازش و کاهش ابعاد به وسیله تکنیک تحلیل مولفه اصلی، توسط یک مدل AdaBoost آموزش داده شده است. یافته ها نشان می دهد که مدل پیشنهادی به صحت ۱۹% و امتیاز F۱ معادل ۸۱.۹۸% دستیافته است. این نتایج حاکی از آن است که ترکیب PCA و AdaBoost می تواند به عنوان روشی موثر برای تشخیص خرابی در سیستم های صنعتی مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص خرابی ، سیستم های صنعتی ، تحلیل مولفه اصلی ، AdaBoost