فلش‌کارت‌های آموزشی تشخیص ناهنجاری در داده‌های حسگرهای صنعتی: تکنیک‌ها و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری در داده‌های حسگرهای صنعتی: تکنیک‌ها و کاربردها

موضوع کلی: مهندسی داده و تحلیل پیشرفته

موضوع میانی: نگهداری پیش‌بینانه و تشخیص خطا در سیستم‌های صنعتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص ناهنجاری و نگهداری پیش‌بینانه
• 2. اهمیت تشخیص ناهنجاری در صنایع
• 3. انواع داده‌های حسگرهای صنعتی و ویژگی‌های آن‌ها
• 4. پیش‌پردازش داده‌های حسگر: پاکسازی و نرمال‌سازی
• 5. انتخاب ویژگی‌های مناسب برای تشخیص ناهنجاری
• 6. روش‌های آماری برای تشخیص ناهنجاری: میانگین، انحراف معیار و غیره
• 7. روش‌های مبتنی بر فاصله: k-نزدیک‌ترین همسایگان (k-NN)
• 8. روش‌های مبتنی بر تراکم: DBSCAN و OPTICS
• 9. روش‌های مبتنی بر درخت تصمیم برای تشخیص ناهنجاری
• 10. روش‌های مبتنی بر جنگل تصادفی برای تشخیص ناهنجاری
• 11. روش‌های مبتنی بر خوشه‌بندی برای تشخیص ناهنجاری
• 12. روش‌های مبتنی بر ماشین‌های بردار پشتیبان (SVM)
• 13. روش‌های مبتنی بر شبکه‌های عصبی برای تشخیص ناهنجاری
• 14. خودرمزگذارها (Autoencoders) برای تشخیص ناهنجاری
• 15. شبکه‌های بازگشتی (RNN) و تشخیص ناهنجاری در داده‌های سری زمانی
• 16. تشخیص ناهنجاری در داده‌های چندمتغیره
• 17. روش‌های مبتنی بر تجزیه ماتریس برای تشخیص ناهنجاری
• 18. روش‌های مبتنی بر تبدیل فوریه و ویولت برای تشخیص ناهنجاری
• 19. تشخیص ناهنجاری در داده‌های تصویر حسگرها
• 20. تشخیص ناهنجاری در داده‌های صوتی حسگرها
• 21. تشخیص ناهنجاری در داده‌های لرزشی حسگرها
• 22. کاربرد تشخیص ناهنجاری در سیستم‌های توربین‌های گاز
• 23. کاربرد تشخیص ناهنجاری در سیستم‌های پمپ‌ها و کمپرسورها
• 24. کاربرد تشخیص ناهنجاری در سیستم‌های موتورهای الکتریکی
• 25. کاربرد تشخیص ناهنجاری در سیستم‌های خطوط لوله
• 26. کاربرد تشخیص ناهنجاری در سیستم‌های نیروگاه‌ها
• 27. ارزیابی عملکرد روش‌های تشخیص ناهنجاری: دقت، بازیابی، F1-score
• 28. متریک‌های ارزیابی ناهنجاری: AUC-ROC و PR-curve
• 29. انتخاب آستانه بهینه برای تشخیص ناهنجاری
• 30. روش‌های نیمه‌نظارتی برای تشخیص ناهنجاری
• 31. روش‌های بدون نظارتی برای تشخیص ناهنجاری
• 32. روش‌های یادگیری تقویتی برای تشخیص ناهنجاری
• 33. تشخیص ناهنجاری آنلاین و بلادرنگ
• 34. چالش‌های تشخیص ناهنجاری در داده‌های صنعتی
• 35. تکنیک‌های کاهش ابعاد داده برای تشخیص ناهنجاری
• 36. مدل‌سازی داده‌های حسگر با استفاده از مدل‌های پنهان مارکوف (HMM)
• 37. مدل‌سازی داده‌های حسگر با استفاده از فرآیندهای گوسی (GP)
• 38. تفسیر نتایج تشخیص ناهنجاری و شناسایی علل ریشه‌ای
• 39. استفاده از داده‌های تاریخی برای بهبود دقت تشخیص ناهنجاری
• 40. نگهداری مبتنی بر وضعیت (CBM) و تشخیص ناهنجاری
• 41. پیش‌بینی عمر مفید تجهیزات با استفاده از تشخیص ناهنجاری
• 42. یکپارچه‌سازی تشخیص ناهنجاری با سیستم‌های SCADA
• 43. امنیت داده‌های حسگر و تشخیص ناهنجاری
• 44. استفاده از تشخیص ناهنجاری برای بهبود فرآیندهای کنترل کیفیت
• 45. روش‌های بهبود مقیاس‌پذیری تشخیص ناهنجاری
• 46. تشخیص ناهنجاری در داده‌های نامتوازن (Imbalanced Data)
• 47. روش‌های ترکیبی برای تشخیص ناهنجاری
• 48. تحلیل حساسیت و اهمیت ویژگی‌ها در تشخیص ناهنجاری
• 49. بهینه‌سازی پارامترهای مدل‌های تشخیص ناهنجاری
• 50. کاربرد تشخیص ناهنجاری در سیستم‌های روباتیک صنعتی
• 51. تشخیص ناهنجاری در داده‌های سنسورهای اینترنت اشیا (IoT) صنعتی
• 52. مفاهیم پیشرفته در تشخیص ناهنجاری: تشخیص ناهنجاری جمعی
• 53. استفاده از الگوریتم‌های تکاملی برای تشخیص ناهنجاری
• 54. تشخیص ناهنجاری مبتنی بر دانش (Knowledge-Based Anomaly Detection)
• 55. استفاده از یادگیری عمیق برای تشخیص ناهنجاری در داده‌های پیچیده
• 56. تشخیص ناهنجاری در سیستم‌های انرژی هوشمند
• 57. تشخیص ناهنجاری در سیستم‌های حمل و نقل هوشمند
• 58. آینده تشخیص ناهنجاری در صنایع