ZUSAMMENFASSUNG Mit der weit verbreiteten Einführung von Technologien des Industrial Internet of Things (IIoT) ist die automatische Klassifizierung und intelligente Reaktion auf englische Fehlerbeschreibungen in grenzüberschreitenden Betriebs- und Wartungsszenarien (O&M) entscheidend für die Verbesserung der O&M-Effizienz geworden. Bestehende Methoden zielen jedoch oft auf einzelne Sprachen oder spezifische Fachgebiete ab, was es schwierig macht, die komplexen Herausforderungen durch Mehrsprachigkeit, Terminologievariation und Textrauschen in grenzüberschreitenden Szenarien zu bewältigen. Dies führt zu unzureichender Genauigkeit und Aktualität der Antworten. Um dies anzugehen, schlägt dieses Papier ein intelligentes Klassifizierungs- und Reaktionsframework für Fehlertexte in der grenzüberschreitenden O&M vor. Das Framework integriert Mergerfusion, Entrauschung und Mechanismen des verstärkenden Lernens, um das Verständnis und die Qualität der Reaktionen bei komplexen Fehlertexten durch mehrstufige Merkmaleextraktion und adaptive Optimierung zu verbessern. Experimente mit einem selbstgebauten grenzüberschreitenden O&M-Datensatz zeigen, dass die vorgeschlagene Methode die Klassifizierungsgenauigkeit im Vergleich zur optimalen Basislinie (BERT) um etwa 2,2 % verbessert, die Inferenzgeschwindigkeit um etwa 20 % erhöht (bewertet mit einer Batchgröße von 32 und ca. 15 M Parametern auf einer Tesla V100 GPU) und eine stärkere Robustheit in Hochrauschen-Umgebungen demonstriert. Diese Studie bietet nicht nur eine effiziente intelligente Verarbeitungslösung für grenzüberschreitendes IIoT O&M, sondern liefert auch neue technische Ideen zum Verständnis und zur Generierung von Antworten auf mehrsprachige, rauschbehaftete Texte und leistet sowohl akademisch als auch praktisch bedeutende Beiträge.
Hongwei Wang (Thu,) hat diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: