ترجمه فارسی مقاله نگهداری پیش‌بینانه مبتنی بر ارتعاش با توان پایین برای صنعت ۴.۰ با استفاده از شبکه‌های عصبی: یک بررسی

چکیده

The advancements in smart sensors for Industry 4.0 offer ample opportunities for low-powered predictive maintenance and condition monitoring. However, traditional approaches in this field rely on processing in the cloud, which incurs high costs in energy and storage. This paper investigates the potential of neural networks for low-power on-device computation of vibration sensor data for predictive maintenance. We review the literature on Spiking Neural Networks (SNNs) and Artificial Neuronal Networks (ANNs) for vibration-based predictive maintenance by analyzing datasets, data preprocessing, network architectures, and hardware implementations. Our findings suggest that no satisfactory standard benchmark dataset exists for evaluating neural networks in predictive maintenance tasks. Furthermore frequency domain transformations are commonly employed for preprocessing. SNNs mainly use shallow feed forward architectures, whereas ANNs explore a wider range of models and deeper networks. Finally, we highlight the need for future research on hardware implementations of neural networks for low-power predictive maintenance applications and the development of a standardized benchmark dataset.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت در سنسورهای هوشمند برای صنعت 4.0 فرصت های کافی را برای نگهداری پیش بینی کننده کم مصرف و نظارت بر شرایط ارائه می دهد.با این حال ، رویکردهای سنتی در این زمینه به پردازش در ابر متکی هستند ، که هزینه های زیادی در انرژی و ذخیره سازی متحمل می شود.در این مقاله پتانسیل شبکه های عصبی برای محاسبه کم مصرف داده های حسگر ارتعاش برای نگهداری پیش بینی شده بررسی شده است.ما ادبیات مربوط به شبکه های عصبی سنبله (SNN) و شبکه های عصبی مصنوعی (ANNS) را برای نگهداری پیش بینی مبتنی بر لرزش با تجزیه و تحلیل مجموعه داده ها ، پیش پردازش داده ها ، معماری های شبکه و پیاده سازی های سخت افزاری مرور می کنیم.یافته های ما نشان می دهد که هیچ مجموعه داده معیار استاندارد رضایت بخش برای ارزیابی شبکه های عصبی در کارهای پیش بینی کننده نگهداری وجود ندارد.علاوه بر این ، تحولات دامنه فرکانس معمولاً برای پیش پردازش استفاده می شود.SNN ها عمدتا از معماری های کم عمق به جلو استفاده می کنند ، در حالی که ANN ها طیف گسترده تری از مدل ها و شبکه های عمیق تر را کشف می کنند.سرانجام ، ما نیاز به تحقیقات آینده در مورد اجرای سخت افزار شبکه های عصبی برای برنامه های نگهداری پیش بینی کم مصرف و توسعه یک مجموعه داده معیار استاندارد را برجسته می کنیم.