چاچوب يادگيري مشاركتي در صنعت هوشمند

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

با گسترش روز افزون كاربرد اينترنت اشياء، اين فناوري راه خود را به صنعت باز كرده و باعث به وجود آمدن مفهوم صنعت هوشمند شده است. صنعت هوشمند مسير وسيعي براي جمع‌آوري و پردازش داده‌هاي توليدي از دستگاه‌هاي صنعتي را فراهم آورده و اين امكان را بوجود آورده است كه بتوان به كمك استفاده از پردازش ابري، پردازش‌هاي گسترده‌اي بر روي داده‌هاي صنعت هوشمند انجام داد. با اين وجود برخي نيازمندي‌ها و محدوديت‌ها مانند عدم تمايل برخي سازمان‌ها و كاربران در مورد ارسال و ذخيره داده‌ها در بيرون از شبكه داخلي سازمان، باعث مي‌شود تا نتوان به صورت كامل از محاسبات ابري جهت انجام پردازش‌ها استفاده كرد. از سمت ديگر در بيشتر مواقع دستگاه‌هايي در صنايع موجود هست كه بخش قابل توجهي از قدرت پردازشي آن‌ها بدون استفاده بوده و مي‌توان از اين دستگاه‌ها به عنوان دستگاه‌هاي لبه يك سيستم ابري استفاده نمود. در اين پژوهش قصد داريم به معرفي ساختاري جهت جمع‌آوري داده از حسگرها و پردازش بلادرنگ آن بر روي سيستم‌هاي لبه و همچنين آموزش مدل‌هاي هوش مصنوعي به صورت مشاركتي در سيستم‌هاي لبه بپردازيم. با توجه به اينكه معمولا سنگين‌ترين پردازش در صنعت هوشمند مربوط به مدل‌هاي هوش مصنوعي و به ويژه آموزش اين مدل‌‌ها است، استفاده از يادگيري مشاركتي در لبه با استفاده از ظرفيت‌هاي موجود نياز به تامين سيستم‌هاي با قدرت بالاتر را برطرف مي‌كند. همچنين آموزش مدل در لبه به نياز مطرح شده در مورد عدم انتقال داده‌ها به شبكه خارج از سازمان پاسخ مي‌دهد. همچنين اين پژوهش با استفاده از بستر پيشنهادي بر مبناي همكاري و مشاركت سيستم‌هاي لبه موجود در صنايع، ساختاري شامل جمع‌آوري اوليه داده، پيش‌پردازش، آموزش مدل و در نهايت استفاده از مدل را پيشنهاد مي‌كند. روش پيشنهادي بر روي مجموعه داده HAI Security Dataset مورد بررسي قرار گرفته و نتايج نشان مي‌دهد استفاده از يادگيري مشاركتي مي‌تواند با حفظ عملكرد مدل‌هاي هوش مصنوعي، سرعت آموزش را با استفاده از 9 گره تا بيش از 80 درصد افزايش دهد. تجربه شبيه‌سازي شده در اين پژوهش مربوط به تشخيص ناهنجاري در صنعت هوشمند با استفاده از داده‌هاي سري زماني مي‌باشد، لذا جهت دستيابي به نتايج معتبرتر، از كتابخانه و روش eTaPR به منظور ارزيابي مدل‌ها استفاده كرده‌ايم. همچنين براي جمع‌آوري داده‌ها در سناريوي شبيه‌سازي، پايگاه‌داده Cassandra به صورت توزيع‌شده به كار گرفته شده است. استفاده از ويژگي توزيع‌شدگي در اين پژوهش نياز ما به جابجايي و هماهنگي اطلاعات ميان گره‌هاي مختلف را پاسخ داده و امكان استفاده از يادگيري مشاركتي افقي و عمودي را صرفنظر از نحوه جمع‌آوري اطلاعات براي ما فراهم مي‌آورد.

229753

نرم افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان