Reconfiguration process for neuronal classification models: Application to a quality monitoring problem

در زمینه صنایع هوشمند، ماشین های یادگیری در حال حاضر دارای کاربردهای مختلفی از قبیل تنظیم مجدد خود و یا بهبود کیفیت خود هستند که می تواند مشکلات پیش بینی طبقه بندی باشد. در این مورد، ماشین های یادگیری ابزارهایی هستند که مدل سازی سیستم فیزیکی را تسهیل می کنند. بدین ترتیب، واضح است که مدل باید با تغییرات در سیستم فیزیکی تکامل یابد، در نتیجه منجر به مشکلات سازگاری / بازپشتیبانی می شود. از ابزارهای مختلفی که پیش از این گزارش شده است، سیستم های در زمان واقعی به نظر می رسد بهترین راه حل هستند، زیرا می توانند به صورت خودکار بر اساس رفتار سیستم فیزیکی تکامل پیدا کنند. در مطالعه حاضر، ما یک روش برای استفاده از ماشین های یادگیری را در یک زمینه تکاملی پیشنهاد می کنیم. این روش به دو بخش تقسیم می شود: (1) مفهوم مدل با تعریف تابع هدف و عوامل تاثیرگذار، تنظیم جمع آوری داده ها و یادگیری با استفاده از پیش بینی های چند لایه؛ و (2) مفهوم سیستم نظارت با هدف ردیابی درجه اشتباه طبقه بندی، تعیین اینکه آیا سیستم فیزیکی روان است، و واکنش با سازگاری مدل بر اساس نمودار کنترل. این مقاله بر روی روش نظارت بر مدل تمرکز دارد، زیرا روش مفهوم مدل کاملا کلاسیک است. روش پیشنهادی به یک معیار مشتق شده از تحقیقات قبلی و سپس به یک مورد صنعتی پیشگیری از نقص در یک خط پوشش روباتیک که برای سایر روش ها ناموفق بوده است، مورد استفاده قرار گرفت.