اکسپرس 24
ترجمه فارسی مقاله SRTFD: تشخیص خطای مقیاس‌پذیر در زمان واقعی از طریق یادگیری مداوم آنلاین

ترجمه فارسی مقاله SRTFD: تشخیص خطای مقیاس‌پذیر در زمان واقعی از طریق یادگیری مداوم آنلاین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی SRTFD: Scalable Real-Time Fault Diagnosis through Online Continual Learning
عنوان مقاله به فارسی SRTFD: تشخیص خطای مقیاس‌پذیر در زمان واقعی از طریق یادگیری مداوم آنلاین
نویسندگان Dandan Zhao, Karthick Sharma, Hongpeng Yin, Yuxin Qi, Shuhao Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 10 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 10 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 520,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Fault diagnosis (FD) is essential for maintaining operational safety and minimizing economic losses by detecting system abnormalities. Recently, deep learning (DL)-driven FD methods have gained prominence, offering significant improvements in precision and adaptability through the utilization of extensive datasets and advanced DL models. Modern industrial environments, however, demand FD methods that can handle new fault types, dynamic conditions, large-scale data, and provide real-time responses with minimal prior information. Although online continual learning (OCL) demonstrates potential in addressing these requirements by enabling DL models to continuously learn from streaming data, it faces challenges such as data redundancy, imbalance, and limited labeled data. To overcome these limitations, we propose SRTFD, a scalable real-time fault diagnosis framework that enhances OCL with three critical methods: Retrospect Coreset Selection (RCS), which selects the most relevant data to reduce redundant training and improve efficiency; Global Balance Technique (GBT), which ensures balanced coreset selection and robust model performance; and Confidence and Uncertainty-driven Pseudo-label Learning (CUPL), which updates the model using unlabeled data for continuous adaptation. Extensive experiments on a real-world dataset and two public simulated datasets demonstrate SRTFD's effectiveness and potential for providing advanced, scalable, and precise fault diagnosis in modern industrial systems.

چکیده به فارسی (ترجمه ماشینی)

تشخیص گسل (FD) برای حفظ ایمنی عملیاتی و به حداقل رساندن تلفات اقتصادی با تشخیص ناهنجاری های سیستم ضروری است.اخیراً ، روشهای FD یادگیری عمیق (DL) برجستگی به دست آورده اند و از طریق استفاده از مجموعه داده های گسترده و مدلهای پیشرفته DL ، پیشرفت های قابل توجهی در دقت و سازگاری ارائه می دهند.با این حال ، محیط های صنعتی مدرن ، روش های FD را تقاضا می کنند که می توانند انواع جدید گسل ، شرایط پویا ، داده های در مقیاس بزرگ را اداره کنند و پاسخ های در زمان واقعی را با حداقل اطلاعات قبلی ارائه دهند.اگرچه یادگیری مداوم آنلاین (OCL) با فعال کردن مدل های DL برای یادگیری مداوم از داده های جریان ، پتانسیل در پرداختن به این الزامات را نشان می دهد ، اما با چالش هایی مانند افزونگی داده ها ، عدم تعادل و داده های دارای برچسب محدود روبرو است.برای غلبه بر این محدودیت ها ، ما SRTFD را پیشنهاد می کنیم ، یک چارچوب تشخیص تقصیر در زمان واقعی که OCL را با سه روش مهم تقویت می کند: انتخاب هسته گذشته نگر (RCS) ، که مناسب ترین داده ها را برای کاهش آموزش اضافی و بهبود بهره وری انتخاب می کند.تکنیک تعادل جهانی (GBT) ، که انتخاب Coreset متعادل و عملکرد مدل قوی را تضمین می کند.و اعتماد به نفس و یادگیری شبه برچسب محور محور (CUPL) ، که مدل را با استفاده از داده های بدون برچسب برای سازگاری مداوم به روز می کند.آزمایش های گسترده ای در مورد مجموعه داده های دنیای واقعی و دو مجموعه داده شبیه سازی شده عمومی نشان دهنده اثربخشی SRTFD و پتانسیل برای ارائه تشخیص گسل پیشرفته ، مقیاس پذیر و دقیق در سیستم های صنعتی مدرن است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.