کاهش هزینه تعمیراتی ماشین های سنگین از طریق بهبود الگوریتم درخت تصمیم با الگوریتم های انتخاب ویژگی Information Gain ،Correlation و SVM

الگوریتم های یادگیری ماشین در سال های اخیر برای دسته بندی، خوشه بندی و پیش بینی محموعه داده های مختلف استفاده میشوند، یکی از مهمترین کاربردهای الگوریتم های یادگیری ماشین، کاهش هزینه تعمیراتی صنایع مختلف می باشد. سیستم های فشارهوا یک نقش اساسی در کامیون های اسکانیا دارند، به طوری که عملکرد مطلوب سیستم ترمز و تعویض دنده ماشین های اسکانیا بهسالم بودن سیستم فشار هوا وابسته می باشد. وجود سنسور در سیستم فشار هوا باعث جمع آوری اطلاعات مختلف از وضعیت آن شدهکه می توان این نوع داده های را در قالب محموعه داده های مختلف دخیره و بررسی کرد. استفاده از الگوریتم های یادگیری ماشین بهمنظور تشخیص خرابی در سیستم فشار هوا، باعث جلوگیری از بررسی دستی آن در بازه های زمانی مختلف شده که در نتیجه باعثجلوگیری از هزینه های مادی و زمانی می گردد. کارهای بسیار زبادی برای تشخیص خرابی سیستم فشار هوا از طریق مجموعه دادهجمع آوری شده از سنسورهای اجزای مختلف کامیون های اسکانیا با الگوریتم های سنتی یادگیری ماشین مانند یادگیری عمیق, رندوم فورست، درخت تصمیم، KNN, SVM بدون وزن دهی ویژگی ها انجام شده است. در این مقاله از ترکیب الگوریتم های انتخاب ویژگی،پیش پردازش و الگوریتم درخت تصمیم به منظور تشخیص و پیش بینی خرابی در سیستم فشار هوای کامیون های سنگین و بهبود نتایجالگوریتم درخت تصمیم استفاده شده است. نتایج و مشاهدات دقت (۹۷.۹۵%) را در خروجی الگوریتم درخت تصمیم نشان می دهد.

Keywords:

سیستم فشار هوا , الگوریتم درخت تصمیم , پیش پردازش , انتخاب ویژگی , مجموعه داده