کاربرد الگوریتمهای یادگیری عمیق در بهینه سازی فرآیندهای صنعتی ارائه چارچوب تصمیم گیری با تمرکز بر صنایع ایران و منطقه غرب آسیا

با هدف بهینه سازی فرآیندهای صنعتی در عصر انقلاب صنعتی،چهارم این مقاله به بررسی نظام مند ۹۲ مطالعه منتشر شده در بازه زمانی ۲۰۱۵ تا ۲۰۲۵ در زمینه کاربرد الگوریتمهای یادگیری عمیق در صنعت پرداخته است. در این پژوهش، با رویکرد مرور نظام مند کاربرد شبکه های عصبی در چهار حوزه کلیدی شامل کنترل کیفیت، نگهداری پیش بینانه، بهینه سازی انرژی و لجستیک مورد تحلیل قرار گرفته است. نتایج نشان داد که معماری های خاصی از جمله شبکه های عصبی کانولوشنی (CNN) برای بازرسی تصویری و کنترل کیفیت، مدل های حافظه بلندمدت (LSTM) برای پیش بینی سری های زمانی در نگهداری، تجهیزات یادگیری تقویتی (RL) برای مدیریت و بهینه سازی مصرف انرژی و شبکه های مولد تخاصمی (GAN) برای تولید داده های مصنوعی و جبران کمبود داده عملکرد موفق و موثری داشته اند. بر اساس یافته های مرور نظام مند مقاله حاضر یک چارچوب تصمیم گیری عملیاتی ارائه می دهد که به مهندسان و مدیران صنعتی کمک می کند تا بر اساس نوع داده، هدف بهینه سازی و محدودیت های اجرایی مناسب ترین الگوریتم یا ترکیب الگوریتم ها را انتخاب کنند. این چارچوب ضمن تاکید بر پیوند میان یادگیری عمیق و صنعت هوشمند، با تمرکز بر صنایع ایران و منطقه غرب آسیا طراحی شده است تا بتواند به عنوان راهنمایی کاربردی برای توسعه سامانه های هوشمند صنعتی و الگویی تعمیم پذیر در سطح منطقه ای مورد استفاده قرار گیرد. یافته های این پژوهش مسیر تازه ای برای همگرایی هوش مصنوعی و صنعت در زمینه تصمیم سازی فناورانه و بومی سازی الگوریتم های یادگیری عمیق در صنایع داخلی فراهم می سازد.

کلیدواژه ها:

بهینه سازی صنعتی ، صنعت هوشمند ، یادگیری عمیق ، CNN