سیستم های خودتطبیق هوش مصنوعی در لبه (Edge AI) برای کنترل بلادرنگ فرآیندهای صنعتی

با رشد روزافزون سیستم های خودکار و هوشمند در صنعت، نیاز به کنترل بلادرنگ و تصمیم گیری محلی در محیط هایی با منابع پردازشی محدود بیش از پیش احساس می شود. این مقاله به طراحی و پیاده سازی سیستم های خودتطبیق هوش مصنوعی در لبه (Edge AI) با تمرکز بر ترکیب الگوریتم های یادگیری انتقالی و تکنیک های فشرده سازی مدل می پردازد. هدف، ارتقاء بهره وری و دقت در کنترل بلادرنگ ماشین آلات صنعتی در بستر اینترنت اشیا و سیستم های نهفته است. در این پژوهش، یک چارچوب چندلایه پیشنهادی شامل لایه جمع آوری داده، پردازش لبه ای، و ماژول یادگیری تطبیقی توسعه یافته است که در آن مدل های یادگیرنده سبک وزن، به روزرسانی پارامترهای خود را متناسب با شرایط متغیر محیطی و ویژگی های دستگاه به صورت محلی انجام می دهند. روش پژوهش شامل شبیه سازی محیط های صنعتی متنوع (معدن، کشاورزی دقیق، و خطوط تولید هوشمند) و ارزیابی عملکرد سیستم پیشنهادی در مقایسه با معماری های متداول مبتنی بر پردازش ابری است. یافته ها نشان می دهد که سامانه پیشنهادی توانسته است با کاهش بیش از ۴۰ درصدی در تاخیر پردازش و بهبود حدود ۳۰ درصدی در دقت کنترل نسبت به روش های سنتی، عملکرد بهینه تری را ارائه دهد. همچنین، استفاده از فشرده سازی مدل موجب کاهش قابل توجه مصرف انرژی و افزایش پایداری عملکرد در دستگاه های کم منبع گردیده است. این نتایج بیانگر کارآمدی سیستم های Edge AI در ایجاد زیرساخت های مقاوم، مقیاس پذیر و هوشمند برای صنایع آینده محور است.

کلیدواژه ها:

هوش مصنوعی در لبه ، یادگیری انتقالی ، اینترنت اشیا صنعتی ، کنترل بلادرنگ ، سیستم های نهفته