رويكردهاي بهينه سازي بازده سيستم توليد از طريق داده‌هاي حسگر، شبيه سازي بر پايه يادگيري ماشين و الگوريتم‌هاي ژنتيك

Approaches to optimize production system efficiency through sensor data, simulation based on machine learning and genetic algorithms

در صنايع مدرن، مخزن قابل توجهي از داده هاي حسگر وجود دارد كه حاوي مقدار زيادي اطلاعات است. متأسفانه، اين منبع غني از اطلاعات مورد توجه و مورد استفاده قرار نمي گيرد و پتانسيل آن به طور كامل توسط توليد كنندگان مدرن استفاده نمي شود. در عصر انقلاب صنعتي چهارم، بهره ‌برداري از اين مجموعه داده‌ هاي قدرتمند براي بقا و رقابت توليدكنندگان در عصر هوش مصنوعي، بسيار حائز اهميت است. تلاش ‌هاي مشترك و متقابل بين دانشگاه و بخش صنعتي براي بهره مندي از اين مجموعه داده‌ هاي غني، پتانسيل آن را دارد تا از اين مزاياي فوق ‌العاده در تجارت، اقتصاد و جامعه استفاده كند. استفاده از جديدترين روش ‌هاي هوش مصنوعي مي ‌تواند باعث افزايش كارآمدي هاي توليد و كاهش اثرات زيست ‌محيطي شود. اين تحقيق با توجه به در دسترس بودن مقادير زيادي از داده هاي حسگر و عدم استفاده كامل از آن، يك راه حل هوش مصنوعي پيشنهاد مي كند كه تركيبي از تحليل پوششي داده ها (DEA)، شبيه سازي مبتني بر يادگيري ماشين و الگوريتم هاي ژنتيك مي باشد و از طريق توصيه هايي كه در مورد تنظيمات مدل بهينه ارائه مي كند، كارآمدي سيستم هاي توليد را بهينه مي كند. اولاً، براي شناسايي حالت هاي كارآمد و ناكارآمد يك سيستم توليد از تحليل پوششي داده ها استفاده مي شود، اين اطلاعات همان داده هاي ورودي مرحله دوم هستند كه يك مدل يادگيري ماشيني ايجاد مي كنند و از طريق شبيه سازي ها و سناريوهاي مربوط به كارآمدي توليد، به پيش بيني مي پردازند. سپس، الگوريتم ژنتيك يك سناريوي بهينه را با تنظيمات مربوطه پيشنهاد مي ‌كند. دستاورد تحقيقاتي اصلي اين راه حل پيشنهادي، تركيب منحصر به فرد تحليل پوششي داده ها با مدل هاي يادگيري ماشين و الگوريتم هاي ژنتيك است.