نموذج LSTM-DeepFM المدعوم من البيانات للتعلم الذاتي لمستشعرات البرمجيات الصناعية

يُعد مستشعر البرمجيات، كونه نموذجًا مهمًا للذكاء الصناعي، واسع الاستخدام في الإنتاج الصناعي لتحقيق مراقبة فعالة وتنبؤ بحالة الإنتاج بما في ذلك جودة المنتج. جذبت طرق مستشعرات البرمجيات المدعومة بالبيانات الانتباه، ورغم ذلك لا تزال تواجه تحديات بسبب البيانات الصناعية المعقدة ذات الخصائص المتنوعة، والعلاقات غير الخطية، وعينات غير موسومة ضخمة. في هذه المقالة، يتم اقتراح نموذج ذاكرة طويلة وقصيرة المدى ذاتية الإشراف - آلة التحليل العميق (LSTM-DeepFM) المدعوم بالبيانات لمستشعر البرمجيات الصناعية، حيث يتم اقتراح إطار عمل يشمل بشكل أساسي مراحل ما قبل التدريب والتدريب الدقيق لاستكشاف خصائص البيانات الصناعية المتنوعة. في مرحلة ما قبل التدريب، يتم أولًا تدريب LSTM-autoencoder بشكل غير مشرف. ثم، استنادًا إلى استراتيجيتين للإشراف الذاتي، يمكن لـ LSTM-deep استكشاف الاعتمادية المتبادلة بين الميزات وكذلك التذبذبات الديناميكية في السلاسل الزمنية. في مرحلة التدريب الدقيق، اعتمادًا على التمثيل المدرب مسبقًا، يمكن استخراج الميزات الزمنية والعالية الأبعاد والمنخفضة الأبعاد من مكونات LSTM وDeep وFM، على التوالي. أخيرًا، تُظهر التجارب على مجموعة بيانات التعدين في العالم الحقيقي أن الطريقة المقترحة تحقق أفضل أداء مقارنة بالنماذج المدعومة بـ stacked autoencoder ونماذج مدعومة بالـ variational autoencoder وDeepFM شبه الخاضعة للإشراف، إلخ.