کاهش هزینه تعمیراتی ماشین های سنگین از طریق بهبود الگوریتم درخت تصمیم با الگوریتم های انتخاب ویژگی information gain، correlationو svm

الگوریتم های یادگیری ماشین در سال های اخیر برای دسته بندی، خوشه بندی و پیش‌بینی مجموعه داده های مختلف استفاده می شوند، یکی از مهمترین کاربردهای الگوریتم های یادگیری ماشین، کاهش هزینه تعمیراتی صنایع مختلف می‌باشد. سیستم‌های فشار هوا یک نقش اساسی در کامیون‌های اسکانیا دارند، به طوری که عملکرد مطلوب سیستم ترمز و تعویض دنده ماشین‌های اسکانیا به سالم بودن سیستم فشار هوا وابسته می‌باشد. وجود سنسور در سیستم فشار هوا باعث جمع آوری اطلاعات مختلف از وضعیت آن شده که می‌توان این نوع داده‌های را در قالب مجموعه داده‌های مختلف ذخیره و بررسی کرد. استفاده از الگوریتم‌های یادگیری ماشین به منظور تشخیص خرابی در سیستم فشار هوا، باعث جلوگیری از بررسی دستی آن در بازه‌های زمانی مختلف شده که در نتیجه باعث جلوگیری از هزینه‌های مادی و زمانی می‌گردد. کارهای بسیار زیادی برای تشخیص خرابی سیستم فشار هوا از طریق مجموعه داده جمع آوری شده از سنسورهای اجزای مختلف کامیون‌های اسکانیا با الگوریتم‌های سنتی یادگیری ماشین مانند یادگیری عمیق، رندوم فورست، درخت تصمیم، svm، knn بدون وزندهی ویژگی ها انجام شده است. در این مقاله از ترکیب الگوریتم‌های انتخاب ویژگی، پیش‌پردازش و الگوریتم درخت تصمیم به منظور تشخیص و پیش بینی خرابی در سیستم فشار هوای کامیون‌های سنگین و بهبود نتایج الگوریتم درخت تصمیم، استفاده شده است. نتایج و مشاهدات، دقت (97.95%) را در خروجی الگوریتم درخت تصمیم نشان می‌دهد.

reducing the repair cost of heavy machinery by improving the decision tree algorithm with correlation, information gain and svm feature selection algorithms

in recent years, machine learning algorithms are used to categorize, cluster and predict various data sets, one of the most important applications of machine learning algorithms is to reduce the cost of repairs in various industries. air pressure systems play an essential role in scania trucks, the presence of sensors in the air pressure system collects various information about its condition, which can be stored and checked in the form of different data sets. the use of machine learning algorithms in order to detect failure in the air pressure system prevents manual checking of it in different time intervals, which, as a result, prevents material and time costs. a lot of work has been done to diagnose air pressure system failure through data set collected from sensors of various components of scania trucks with traditional machine learning algorithms such as deep learning, random forest, decision tree, svm, knn without feature weighting. in this article, the combination of feature selection algorithms, pre-processing and decision tree algorithm is used in order to detect and predict failure in the air pressure system of heavy trucks and improve the results of the decision tree algorithm. the results show the accuracy (97.95%) in the output of the decision tree algorithm.