دانلود ترجمه مقاله بهینه سازی کارآمدی سیستم تولید با داده حسگر، یادگیری ماشین و الگوریتم ژنتیک

1. مقدمه 2. پیشینه پژوهش 3. نمای کلی مدل 4. نتیجه گیری

چکیده – در صنایع مدرن، مخزن قابل توجهی از داده های حسگر وجود دارد که حاوی مقدار زیادی اطلاعات است. متأسفانه، این منبع غنی از اطلاعات مورد توجه و مورد استفاده قرار نمی گیرد و پتانسیل آن به طور کامل توسط تولید کنندگان مدرن استفاده نمی شود. در عصر انقلاب صنعتی چهارم، بهره ‌برداری از این مجموعه داده‌ های قدرتمند برای بقا و رقابت تولیدکنندگان در عصر هوش مصنوعی، بسیار حائز اهمیت است. تلاش ‌های مشترک و متقابل بین دانشگاه و بخش صنعتی برای بهره مندی از این مجموعه داده‌ های غنی، پتانسیل آن را دارد تا از این مزایای فوق ‌العاده در تجارت، اقتصاد و جامعه استفاده کند. استفاده از جدیدترین روش ‌های هوش مصنوعی می ‌تواند باعث افزایش کارآمدی های تولید و کاهش اثرات زیست ‌محیطی شود. این تحقیق با توجه به در دسترس بودن مقادیر زیادی از داده های حسگر و عدم استفاده کامل از آن، یک راه حل هوش مصنوعی پیشنهاد می کند که ترکیبی از تحلیل پوششی داده ها (DEA)، شبیه سازی مبتنی بر یادگیری ماشین و الگوریتم های ژنتیک می باشد و از طریق توصیه هایی که در مورد تنظیمات مدل بهینه ارائه می کند، کارآمدی سیستم های تولید را بهینه می کند. اولاً، برای شناسایی حالت های کارآمد و ناکارآمد یک سیستم تولید از تحلیل پوششی داده ها استفاده می شود، این اطلاعات همان داده های ورودی مرحله دوم هستند که یک مدل یادگیری ماشین ایجاد می کنند و از طریق شبیه سازی ها و سناریوهای مربوط به کارآمدی تولید، به پیش بینی می پردازند. سپس، الگوریتم ژنتیک یک سناریوی بهینه را با تنظیمات مربوطه پیشنهاد می ‌کند. دستاورد تحقیقاتی اصلی این راه حل پیشنهادی، ترکیب منحصر به فرد تحلیل پوششی داده ها با مدل های یادگیری ماشین و الگوریتم های ژنتیک است.

In modern industries, there is a significant repository of sensor data, which contains a large amount of information. Unfortunately, this rich source of information is undervalued and underutilized, and its full potential is not fully exploited by modern day manufacturers. In the Industry 4.0 era, exploiting these powerful datasets is becoming critical for manufacturers’ survival and competitiveness in the age of artificial intelligence. Cooperative and mutual efforts between academia and the industrial sector to take advantage of these rich datasets have the potential to reap extraordinary benefits for business, the economy and society. Applying the latest artificial intelligence methods could increase production efficiencies and reduce environmental impacts. In view of the availability of large amounts of sensor data and its lack of full utilization, this research proposes an artificial intelligence solution that combines data envelopment analysis (DEA), machine learning-based simulation and genetic algorithms to optimize the efficiency of production systems through recommendations of the optimal model settings. First, DEA is used to identify the efficient and inefficient states of a production system, this information is input to the second step to build a machine learning model that makes predictions through simulations and production efficiency scenarios. Then, a genetic algorithm proposes an optimal scenario with the corresponding settings. The main research contribution of this proposed solution is its unique combination of DEA with machine learning models and genetic algorithms.

ترجمه این مقاله در 20 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.