محققان در یک پژوهش جدید، راهکاری هوشمند برای حل یکی از چالشهای بزرگ در تعمیر و نگهداری پیشدستانه (Predictive Maintenance) پیدا کردهاند! 🛠️
مشکل اصلی اینجاست که دادههای مربوط به «وضعیتهای میانی» یا همان مرزی خرابی بلبرینگها بسیار کمیاب هستند. این تیم با استفاده از دو روش نوآورانه (PR-GAN و یک رویکرد ضدواقعی یا Counterfactual)، موفق شدند سیگنالهای لرزشی مصنوعی تولید کنند که دقیقا با نرخ خطای هدف (مثلاً ۲۵ یا ۵۰ درصد) مطابقت دارند. این پیشرفت به صنایع کمک میکند تا سیستمهای هوش مصنوعی خود را برای تصمیمگیری در شرایط بحرانی و پیچیده بسیار دقیقتر آموزش دهند. 🤖📈
منبع: arXiv Machine Learning