چکیده مقاله
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
کلیدواژهها
نویسندگان
جواد رحیمی
دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز دانشگاه جامع امام حسین ع
محمد علی جوادزاده
استادیار دانشگاه جامع امام حسین ع دانشکده هوش مصنوعی و علوم شناختی
محمد گودرزی
دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز دانشگاه جامع امام حسین ع
شیوه ارجاع
�حیمی، جواد و جوادزاده، محمدعلی و گودرزی، محمد،1403،تشخیص خرابی ماشین آلات صنعتی با داده های جمع آوری شده توسط حسگرها و ترکیب کاهش ابعاد PCA و الگوریتم AdaBoost،پنجمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات پنجمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات17 اسفند 1403 · مشهد