مهندسی ویژگی در تجزیه و تحلیل داده های بزرگ برای تولید هوشمند مبتنی بر اینترنت اشیا - مقایسه بین یادگیری عمیق و یادگیری آماری

از آنجایی که تولید مبتنی بر اینترنت اشیا هنوز در مراحل اولیه است، چندین شکاف تحقیقاتی کلیدی وجود دارد که باید برطرف شوند. این شکاف ها شامل درک ویژگی های کلان داده های تولید شده از حسگرهای صنعتی اینترنت اشیا، چالش هایی است که آنها برای پردازش تجزیه و تحلیل داده ها ارائه می کنند، و همچنین فرصت های خاصی که داده های بزرگ اینترنت اشیا میتواند برای پیشرفت تولید به ارمغان بیاورد. در این مقاله، ما از یک بستر آزمایشی تولیدی مجهز به اینترنت اشیاء داخلی برای مطالعه ویژگی های کلان داده های تولید شده از بستر آزمایش استفاده میکنیم. از آنجایی که کیفیت داده ها معمولا بیشترین تاثیر را بر مدل سازی فرآیند دارد، صحت داده ها اغلب چالش برانگیزترین ویژگی داده های بزرگ است. برای پرداختن به آن، نقش مهندسی ویژگی را در توسعه مدل های یادگیری ماشین موثر برای پیش بینی متغیرهای فرآیند کلیدی بررسی میکنیم. ما رویکردهای یادگیری عمیق پیچیده را با یک رویکرد یادگیری آماری ساده، با سطوح یا وسعت مهندسی ویژگی های مختلف مقایسه میکنیم تا مزایا و معایب آنها را برای برنامه های بالقوه تولید صنعتی مجهز به اینترنت اشیا بررسی کنیم.

Keywords:

اینترنت اشیا , تولید هوشمند , داده های بزرگ , تجزیه و تحلیل داده ها , مهندسی ویژگی , یادگیری عمیق , یادگیری آماری