الملخص في سياق الصناعة 4.0، تلعب بيانات أجهزة الاستشعار المتعددة دورًا محوريًا في مراقبة وتحليل وتحسين جودة المنتجات في الوقت الفعلي. تتيح القدرة على التقاط ومعالجة البيانات من أجهزة استشعار متعددة للمصنعين تحديد الانحرافات واكتشاف الشذوذ وتحسين كفاءة الإنتاج بشكل عام. ومع ذلك، تحتوي البيانات الخام المجمعة أثناء عملية تشكيل الحقن غالبًا على ميزات مكررة أو غير ذات صلة، أو ميزات مرتبطة بشدة يمكن أن تُدخل ضوضاء وتقلل من كفاءة النماذج التنبؤية. بدون المعالجة المسبقة المناسبة، يمكن أن تؤدي هذه البيانات إلى زيادة التعقيد الحسابي وانخفاض أداء النموذج. لمعالجة هذه التحديات، تعتبر تقنيات استخراج الميزات الفعالة ضرورية لتنقية مجموعة البيانات، وتصغير أخطاء التنبؤ، وتعزيز قابلية تفسير نماذج التعلم الآلي. في هذه الدراسة، نقارن بين طريقتين شائعتين لاستخراج الميزات: تحليل المركبات الرئيسية (PCA) ومشفّر تلقائي (AE). الهدف الرئيسي من هذا البحث هو تقييم فعالية هذه الطرق لاستخراج الميزات في مراقبة عملية تشكيل الحقن وتوقع جودة المنتج على نموذج متقدم من التعلم الآلي LSSVM. توفر النتائج التجريبية المقدمة في هذه الدراسة معلومات مفيدة في تحديد ملاءمة وعيوب كل طريقة، مع دقة التنبؤ تصل إلى 99.62% للميزات العميقة المستخرجة.
درس نغويان وآخرون (سان) هذا السؤال.