رویکردهای بهینه سازی بازده سیستم تولید از طریق داده‌های حسگر، شبیه سازی بر پایه یادگیری ماشین و الگوریتم‌های ژنتیک

در صنایع مدرن، مخزن قابل توجهی از داده های حسگر وجود دارد که حاوی مقدار زیادی اطلاعات است. متاسفانه، این منبع غنی از اطلاعات مورد توجه و مورد استفاده قرار نمی گیرد و پتانسیل آن به طور کامل توسط تولید کنندگان مدرن استفاده نمی شود. در عصر انقلاب صنعتی چهارم، بهره ‌برداری از این مجموعه داده‌ های قدرتمند برای بقا و رقابت تولیدکنندگان در عصر هوش مصنوعی، بسیار حائز اهمیت است. تلاش ‌های مشترک و متقابل بین دانشگاه و بخش صنعتی برای بهره مندی از این مجموعه داده‌ های غنی، پتانسیل آن را دارد تا از این مزایای فوق ‌العاده در تجارت، اقتصاد و جامعه استفاده کند. استفاده از جدیدترین روش ‌های هوش مصنوعی می ‌تواند باعث افزایش کارآمدی های تولید و کاهش اثرات زیست ‌محیطی شود. این تحقیق با توجه به در دسترس بودن مقادیر زیادی از داده های حسگر و عدم استفاده کامل از آن، یک راه حل هوش مصنوعی پیشنهاد می کند که ترکیبی از تحلیل پوششی داده ها (dea)، شبیه سازی مبتنی بر یادگیری ماشین و الگوریتم های ژنتیک می باشد و از طریق توصیه هایی که در مورد تنظیمات مدل بهینه ارائه می کند، کارآمدی سیستم های تولید را بهینه می کند. اولاً، برای شناسایی حالت های کارآمد و ناکارآمد یک سیستم تولید از تحلیل پوششی داده ها استفاده می شود، این اطلاعات همان داده های ورودی مرحله دوم هستند که یک مدل یادگیری ماشینی ایجاد می کنند و از طریق شبیه سازی ها و سناریوهای مربوط به کارآمدی تولید، به پیش بینی می پردازند. سپس، الگوریتم ژنتیک یک سناریوی بهینه را با تنظیمات مربوطه پیشنهاد می ‌کند. دستاورد تحقیقاتی اصلی این راه حل پیشنهادی، ترکیب منحصر به فرد تحلیل پوششی داده ها با مدل های یادگیری ماشین و الگوریتم های ژنتیک است.