| بهبود تشخیص خرابی ماشینآلات صنعتی با استفاده از Feature‑Conditioned Prototype Forest و افزایش داده مبتنی بر Jittering |
| کد مقاله : 1328-NAEC |
| نویسندگان |
|
جواد رحیمی *1، حسین صابری2 1دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه جامع امام حسین(ع) 2هیئت علمی دانشگاه جامع امام حسین(ع) |
| چکیده مقاله |
| در این مقاله روشی جدید برای بهبود تشخیص خرابی در ماشینآلات صنعتی ارائه میشود که ترکیبی از یک الگوریتم طبقهبندی مبتنی بر نمونههای نماینده و یک روش افزایش داده مبتنی بر Jittering است. هدف پژوهش افزایش دقت و تفسیرپذیری مدلهای نگهداری پیشبین در مواجهه با مجموعهدادههای نامتوازن و نویزی است. ابتدا ویژگیهای حسگری استانداردسازی شده و با استفاده از یک مدل ساده اهمیت نسبی هر ویژگی استخراج میشود؛ سپس برای هر کلاس چند پروتوتایپ با خوشهبندی KMeans تعیین میگردد. فاصلههای وزندار نمونهها تا پروتوتایپها محاسبه شده و بردار فواصل بهعنوان ورودی به یک مجموعه درختهای کمعمق (Forest) داده میشود تا تصمیم نهایی گرفته شود. برای مقابله با عدمتعادل، نمونههای اقلیت با افزودن نویز گوسی کنترلشده (Jittering) تکثیر میشوند تا توزیع کلاسها متعادل و تنوع نمونهها افزایش یابد. نتایج تجربی روی دادههای صنعتی نشان میدهد که روش پیشنهادی دقت طبقهبندی و حساسیت به تشخیص خرابی را نسبت به پایههای مرسوم بهبود میبخشد و همزمان قابلیت تبیین تصمیمها را با ارائه پروتوتایپهای نماینده فراهم میآورد. |
| کلیدواژه ها |
| تشخیص خرابی, نگهداری پیشبین, Feature Conditioned Prototype Forest, افزایش داده . Jittering |
| وضعیت: پذیرفته شده |
