Endüstriyel nesnelerin internetinde derin öğrenme ve dempster shafer teorisine dayalı karar verme

IIoT'nin ana hedeflerinden biri, endüstriyel ortamlardaki olayları, beklenmedik değişiklikleri ve anomalileri izlemek ve otomatik olarak tespit etmek için endüstriyel ortamlardan veri toplamaktır. Endüstriyel ortamlarda toplanan hacimli verilerin işlenmesine yönelik DL gibi verimli ML yöntemlerinin kullanılması gereklidir. Sensör teknolojisinin gelişmesine paralel olarak farklı sensör kaynaklarından elde edilen veriler kullanılarak amaca uygun çıkarımlar yapılabilir. Bu da tek ve güvenilir bir karar elde etmek için ortaya çıkan alt kararların birleştirilmesini gerektirir. Birçok kararı birleştirmek için çok kullanılan yöntemlerden biri DS'in birleştirme teorisidir. Bu nedenle, bu tezde IIoT anomalileri hakkında karar vermek için iki yöntem önerilmiştir. Birinci yöntem sınıflandırma için Yapay Sinir Ağları (Artificial Neural Network, ANN), Destek Vektör Makinesi (Support Vector Machine, SVM) ve kararları birleştirmek için DS teorisini kullanır. Bu yöntem nispeten az miktarda veriye sahip küçük ve orta ölçekli endüstriyel birimler için uygundur. Önerilen ikinci yöntemde, bilgi sınıflandırması için Tek Boyutlu Evrişimli Sinir Ağları (One Dimensional Convolutional Neural Network, 1DCNN) ve kararları birleştirmek için DS birleştirme teorisi kullanılır. Bu yöntem, DL ağlarının devasa verileri işleme gücü nedeniyle büyük endüstriyel birimlerde kullanıma uygundur.