Key points are not available for this paper at this time.
La fabrication intégrée par ordinateur est une caractéristique notable de l'industrie 4.0. L'intégration de l'apprentissage automatique (ML) dans l'Internet des objets industriels intelligents de périphérie (IIoT) est une technologie clé permettant d'atteindre un IIoT intelligent. Pour réaliser de nouvelles applications intelligentes de l'IIoT amélioré en périphérie, des méthodes d'apprentissage automatique sont proposées pour améliorer la capacité cognitive de l'IIoT intelligent de périphérie dans cet article. Tout d'abord, un cadre habilité par l'apprentissage automatique pour l'IIoT cognitif est proposé. Deuxièmement, les méthodes d'apprentissage automatique sont présentées pour améliorer la capacité cognitive de l'IIoT, y compris le modèle ML de l'IIoT, l'apprentissage et le raisonnement basés sur les données, et la coordination avec des méthodes cognitives. Enfin, en se concentrant sur la ligne de production reconfigurable, une planification adaptative dynamique consciente du contexte (DAP) avec apprentissage par renforcement profond (DRL) a été réalisée. Les résultats expérimentaux montrent que la planification adaptative dynamique basée sur le DRL (DAP basé sur le DRL) a montré de bonnes performances dans un environnement IIoT observable. Le principal objectif de ce travail est de souligner les effets des méthodes d'optimisation basées sur le ML sur l'analyse de l'IoT industriel d'un point de vue macroscopique.
Chen et al. (Sun,) ont étudié cette question.