کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8048667 1519264 2018 4 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A fog computing industrial cyber-physical system for embedded low-latency machine learning Industry 4.0 applications
ترجمه فارسی عنوان
سیستم صنعتی سایبرفیزیکی رایانش مه برای کارکردهای تعبیه‌شده یادگیری ماشین با زمان تاخیر کم در نسل چهارم صنعت
کلمات کلیدی
نسل چهارم صنعت، سیستم‌های سایبرفیزیکی صنعتی، رایانش مه، یادگیری ماشین، ابزارهای تحلیلی تعبیه‌شده
فهرست مطالب مقاله
1- مقدمه

2- سیستم سایبرفیزیکی صنعتی

1-2 موقعیت‌شناسی مه پیشنهادی

شکل 1- مقایسه رایانش ابری با اندرکنش‌های سایبری-فیزیکی

2-2 معماری فنی

شکل 2- معماری، مولفه‌ها و فناوری‌های رایانش مه

3-2 ارزیابی عملکرد

3- نتایج

جدول 1- خلاصه حداکثر زمان‌های اجرا برای رابط مه و ابری (میلی‌ثانیه)

جدول 2- خلاصه ارتباط‌های ناموفق در رابط‌های مه و ابری

4- نتیجه‌گیری

 
ترجمه چکیده
سیستم‌های سایبرفیزیکی صنعتی ، مهم‌ترین فناوری لازم برای نسل چهارم صنعت هستند -یعنی نوعی الگوی نوظهور داده‌محور که بر ایجاد هوش صنعتی با استفاده از شبکه‌های فراگیر آنی و جریان‌های داده‌های عملیاتی متمرکز است. با استفاده از این سیستم‌های سایبرفیزیکی می‌توانیم اشیا و فرآیندهای دنیای فیزیکی (همچون مرکز ساخت و تولید) را با ابزارهای تحلیلی پیش‌بینی پیشرفته (همچون مدل‌های یادگیری ماشین) و مدل‌های شبیه‌سازی در دنیای سایبری ارزیابی و یکپارچه کنیم. هدف از این کار، تحقق عملیات خودپیکربندی است. از این رو در پژوهش حاضر، یک سیستم سایبر فیزیکی صنعتی مبتنی بر الگوهای نوظهور رایانش مه ارائه شده است که می‌تواند مدل‌های یادگیری ماشین آماده تولید کدگذاری‌شده با PMML را در عملیات کارخانه تعبیه (جاسازی) کند و با حفظ تمرکززدایی، امنیت، حریم شخصی و قابلیت اعتماد، به مسایل طراحی نسل چهارم صنعت نیز پایبند باشد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
سیستم صنعتی سایبرفیزیکی رایانش مه برای کارکردهای تعبیه‌شده یادگیری ماشین با زمان تاخیر کم در نسل چهارم صنعت
چکیده انگلیسی
Industrial cyber-physical systems are the primary enabling technology for Industry 4.0, which refers to an emerging data-driven paradigm focused on the creation of manufacturing intelligence using real-time pervasive networks and operational data streams. These cyber-physical systems enable objects and processes residing in the physical world (e.g. manufacturing facility), to be tightly coupled and evaluated by advanced predictive analytics (e.g. machine learning models) and simulation models in the cyber world, with the intention of realising self-configuring operations. Thus, this research presents an industrial cyber-physical system based on the emerging fog computing paradigm, which can embed production-ready PMML-encoded machine learning models in factory operations, and adhere to Industry 4.0 design concerns pertaining to decentralisation, security, privacy and reliability.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Manufacturing Letters - Volume 15, Part B, January 2018, Pages 139-142
نویسندگان
, , , ,