چارچوب هوشمند مبتنی بر یادگیری ماشین و معماری مدل رانده برای بهینه سازی سیستم های IoT صنعتی

با گسترش روزافزون دستگاه های متصل به اینترنت اشیاء، حجم بالای داده های بدون برچسب و نیاز به پردازش سریع و مدیریت بهینه منابع، چالش های جدیدی در این حوزه ایجاد شده است. در این میان، اهمیت روش های نیمه نظارتی برای پیش بینی و همچنین استخراج وبژگی های کلیدی دامنه برای بهبود دقت، بیش از پیش آشکار شده است. در این پژوهش، رویکردی نوین برای بهبود کارایی سیستم های IoT صنعتی ارائه می شود که در آن یادگیری ماشین با بهره گیری از معماری مدل رانده (MDA) تقویت شده است. در این چارچوب، مدل های مفهومی دامنه محور به عنوان پایه ای برای استخراج ویژگی های کلیدی، ساختاردهی داده ها و کاهش نویز به کار می روند. این یکپارچه سازی باعث بهبود فرآیند یادگیری ماشین به ویژه در شرایط کمبود داده های برچسب دار می گردد. در مرحله اول، مدل های PIM و PSM برای جداسازی منطق سیستم از جزئیات پیاده سازی ایجاد شده و با تغییرات فناوری سازگار می شوند. سپس داده های پردازش شده و ویژگی های استخراج شده به الگوریتم های یادگیری نیمه نظارتی Self-training، Label Propagation و Semi-Supervised SVM وارد می شوند تا از داده های بدون برچسب نیز در فرآیند آموزش استفاده شود. ارزیابی این رویکرد در یک محیط شبیه سازی صنعتی مبتنی بر IoT (مانند سامانه پایش و کنترل انرژی) نشان می دهد که استفاده از MDA به عنوان لایه تقویت کننده ML، دقت پیش بینی را به طور میانگین تا ۹۵% افزایش داده، همچنین پایداری مدل در برابر داده های نویزی به طور قابل توجهی بهبود یافته است. نتایج نشان می دهد که ترکیب MDA و یادگیری ماشین نیمه نظارتی می تواند به عنوان یک چارچوب مقیاس پذیر و قابل اعتماد برای ارتقاء کارایی صنایع مبتنی بر IoT به کار گرفته شود.

کلیدواژه ها:

بهبود کارایی ، محیط های اینترنت اشیاء صنعتی ، معماری مدل رانده ، یادگیری ماشین بهینه سازی