-۲٫۳۶۱۶۴

۰٫۲۵۶۰۷

-۰٫۴۴۴۴۴

۰٫۷۳۱۷۱

-۱٫۴۹۸۳

-۰٫۴۷۴۱۷

-۰٫۳۵۵۲۳

۹۷

-۲٫۵۷۱۵۶

-۰٫۰۳۰۷۷

-۰٫۷۴۱۸۵

۱٫۵۴۳۹

-۳٫۴۲۴۹۱

۰٫۰۷۹۸۹

-۰٫۰۶۵۵۴

همانطور که در شکل مشخص است این مجموعه داده آزمایشی می باشد و ستون برچسب failure خالی است و مدل بایستی بتواند با توجه به یادگیری خود برچسب مورد نظر برای خرابی را پیش بینی نماید.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

نتایج پیش بینی مدل با بهره گرفتن از درخت تصمیم در فصل بعد ارائه شده و مورد بررسی و تحلیل قرار گرفته است.
۴-۷-۲-طراحی مدل با بهره گرفتن از روش شبکه عصبی Multilayer Perceptron
روش دومی که در این پروژه برای طراحی مدل مورد استفاده قرار گرفته است یکی از متدهای شبکه عصبی به نام Multilayer Perceptron می باشد.MLP یک نوع شبکه عصبی feed forward می باشد که از back propagation ّ برای دسته بندی نمونه ها استفاده می کند[۱۸].
شبکه MLP مجموعه ای از نورون ها است که درچند لایه مختلف پشت سر هم قرار گرفته اند. مقادیر ورودی پس از ضرب در وزن های موجود در گذر گاه های بین لایه ها به نورون بعدی رسیده و در آن جا با هم جمع می شوند و پس از عبور از تابع شبکه مربوطه خروجی نورون ها را تشکیل می دهند. در پایان خروجی به دست آمده با خروجی مورد نظر مقایسه شده و خطای به دست آمده جهت اصلاح وزن های شبکه به کار می رود و این فرایند تکرار می شود تا وزنهای بهینه بدست آیند.هدف آموزش مدل با این روش این است که با اختصاص وزنهای مناسب به شبکه عصبی خروجی که به واقعیت نزدیک تر باشد به دست آید.برای ساخت این نوع شبکه عصبی پارامترهایی مورد استفاده قرار می گرد.پارامتر اول نرخ یادگیری(LR) نام دارد که مقدار وزنهایی است که برای یادگیری مدل به روز می شود.پارامتر دوم (M) است که برای تغییر وزنهای شبکه عصبی می باشد.و پارامتر سوم تعداد لایه های مخفی(H) در شبکه عصبی می باشد[۱۸].
برای بدست آوردن مقادیر مطلوب و بهینه برای پارامترهای ذکر شده برای یک بازه زمانی تعریف شده پارامترهای مختلف را تغییر داده و با بدست آوردن دقت پیش بینی مدل برای مقادیر مختلف پارامترها در نهایت آن مقادیری که دقت بالاتری داشتند انتخاب شده و مدل نهایی شبکه عصبی با آن مقادیر طراحی می شود.
برای بازه زمانی (۳-۱۵) از مقادیر پیش فرض شبکه عصبی استفاده کرده و مقدار پارامتر M را تغییر داده تا بتوان مقدار مطلوب و بهینه را پیدا نمود.نمونه ای از این تغییر پارامتر را در جدول زیر مشاهده می کنید.در این جدول مشخص است که مقادیر LR,H با عنوان نرخ یادگیری و تعداد لایه مخفی بطور پیش فرض گرفته شده است و مقدار M برای تغییر وزنها در شبکه عصبی تغییر داده شده تا بتوان مقدار M بهینه با بالاترین دقت را در ادامه برای طراحی و اجرای مدل استفاده نمود.
^۱ Learning Rate
^۲ Momentum
^۳ Hidden Layer
جدول ۲۱- نتیجه تغییر مقادیر پارامترها در روش MLP
همانطور که مشاهده می نمایید تغییرات در پارامتر ها انجام شده و در نهایت مقداری که دارای دقت بالاتری در پیش بینی است به عنوان مقدار اصلی پارامتر برای طراحی مدل استفاده می شود.با بررسی و این تغییر مقادیر پارامترها و مقایسه دقت پبش بینی سرانجام مقادیر بهینه و مطلوب برای هر پارامتر بدست آمد که در ادامه طراحی و ارزیابی مدل از آنها استفاده شد.
مقدار بهینه برای پارامترها عبارتند از M=0.2,LR=0.2,H=4.
بعد از تعیین مقادیر بهینه با طراحی مدل بر پایه شبکه عصبی MLP پیش بینی زمان خرابی انجام شد.و از دو مجموعه داده آموزشی و آزمایشی برای مدل پیش بینی استفاده شد.
در مجموعه داده آموزشی یک برچسب هدف به عنوان خوشه مورد نظر از بین سه خوشه A,B,C و با توجه به بازه زمانی خرابی بعدی اختصاص داده شد.سپس با یادگیری مدل مجموعه داده آزمایشی به عنوان ورودی به مدل داده شد و مدل با توجه به آموزش اقدام به پیش بینی و برچسب گذاری خرابی احتمالی نمود. در هر یک از بازه های زمانی ذکر شده مجموعه داده آموزشی و مجموعه داده آزمایشی حاوی تعدادی رکورد برای پیش بینی در نظر گرفته شد.
در ادامه جدولی از مجموعه داده آموزشی و آزمایشی را مشاهده می نمایید.
جدول ۲۲- مجموعه داده آموزشی برای بازه زمانی (۳-۱۵)

ردیف

fac1

fac2

fac3

fac4

fac5