A review on the application of deep learning in system health management

با توجه به پیشرفت های موجود در قابلیت های تکنولوژیکی مدرن، داشتن یک مدیریت بهداشت یکپارچه و استراتژی تشخیصی، بخش مهمی از یک چرخه عمر عملیاتی سیستم می شود. این به این دلیل است که می توان آن را برای تشخیص ناهنجاری ها، تجزیه و تحلیل شکست و پیش بینی وضعیت آینده بر اساس اطلاعات به روز رسانی استفاده کرد. با استفاده از داده های وضعیت و بازخورد در محل، مدل داده ها را می توان با استفاده از یادگیری ماشین و مفاهیم آماری آموزش دیده است. پس از آموزش، منطق پردازش داده ها را می توان بر روی کنترل کننده های روی دیوار جاسازی کرد، در حالی که ارزیابی و تجزیه و تحلیل سلامت در زمان واقعی را امکان پذیر می سازد. با این حال، این ادغام ناگزیر با مشکلات و چالشهای زیادی روبه رو می شود؛ نشان دهنده نیاز به رویکردهای جدید برای رسیدگی به این مسئله غلط است. یادگیری عمیق با توجه به مزایای بالقوه آن با طبقه بندی داده ها و مشکلات استخراج ویژگی ها، توجه بیشتری را به خود جلب کرده است. این یک منطقه تحقیقاتی در حال توسعه با دامنه های کاربردی متنوع است و از این رو استفاده از آن برای برنامه های کاربردی مدیریت سیستم بهداشتی باید مورد بررسی قرار گیرد، اگر بتوان آن را برای افزایش انعطاف پذیری سیستم یا مزایای بالقوه هزینه برای تعمیر و نگهداری، تعمیرات و فعالیت های تعمیرات انجام داد. این مقاله، بررسی سیستماتیک سیستم مدیریت سلامت سیستم مبتنی بر هوش مصنوعی را با تاکید بر روند اخیر یادگیری عمیق در این زمینه ارائه می دهد. معماری های مختلف و نظریه های مرتبط برای توضیح پتانسیل آن مورد بحث قرار گرفته است. بر اساس بررسی های انجام شده، یادگیری عمیق، مزایای قابل قبولی را برای تشخیص خطا و پیش آگهی نشان می دهد. با این حال، تعدادی محدودیت وجود دارد که مانع از پذیرش گسترده آن و نیاز به توسعه بیشتر است. برای غلبه بر این چالش ها با توجه به فرصت های آینده شمارش شده توجه شده است.