OPTIMIZING WAREHOUSE MONITORING WITH IOT SENSORS AND MACHINE LEARNING: AN EMPIRICAL STUDY

Аңдатпа

Осы мақалада интернет заттарының (IoT) датчиктік
деректерін машиналық оқыту (ML) əдістерімен біріктіру арқылы қойма
мониторингі мен басқаруды оңтайландыру мәселесі қарастырылған.
Ұсынылған жүйе қазіргі заманғы қойма операцияларының екі негізгі
мәселесін шешеді: (1) қозғалыс датчиктері негізінде сүтқоректілердің
(құрсақтар, тышқандар және т.б.) белсенділігін анықтау және (2) өнімнің
бұзылуын, газ шығарындылары, температура мен ылғалдылықтағы ауытқулар
арқылы көрініс табатын экологиялық тәуекелдерді анықтау. Зерттеу әдісі
ретінде 30 күндік кезеңді сағат сайын өлшенетін синтетикалық деректер
жиынтығы жасалды, оның әрбір сенсорлық оқиғасы «Сүтқоректілер
анықталды» және «Бұзу туралы ескерту» сияқты белгілермен белгіленді.
Негізгі классификация әдісі ретінде Random Forest классификаторы
қолданылды, ол өз кезегінде шуды және теңгерілмеген деректерді өңдеуде
жоғары тұрақтылыққа және маңызды белгілерді бағалауға мүмкіндік береді.
Модель қоймада сүтқоректілердің белсенділігін анықтауда шамамен 95,24 %
дәлдікке қол жеткізді, бұл ұсынылған әдістің тиімділігін дәлелдейді.
Мақалада жүйенің техникалық, экономикалық және әлеуметтік
артықшылықтары жан-жақты талқыланып, ескертулерді генерациялау процесі
егжей-тегжейлі көрсетілді. Қойма операцияларында IoT мен ML
технологияларын енгізудің экономикалық тиімділігі, яғни, инвестициялардың
қайтарымдылығы (ROI) шамамен 108 % деңгейінде екені анықталды. Бұл
зерттеу IoT мен ML интеграциясының қойма басқаруын оңтайландырудағы,
операциялық шығындарды төмендетудегі және өнімнің сапасын арттырудағы
әлеуетін көрсетеді.