For example in (Fig.7a), model pred

For example in (Fig.7a), model predicts TPM3_PM_Forline as a recommended maintenance procedure in presence of 19 pressure Forline_Pirani alarms, zero RF_Gene_ouput bias alarms, and 3 alarms of pressure_chamber. In addition, the model predicts that likely failure is the Forline_Failure with 57% probability. Similarly, Fig. 7b presents that the same procedure TPM3_PM_Forline, with probability of 60%, in presence of different settings of alarms and warnings. The following table presents the predictions made by the learned BN model over 25% test dataset. The learned BN model is able to predict the most appropriate maintenance actions with 75% accuracy with alarms and warnings signatures.

ผลลัพธ์ (ไทย) 1:

ตัวอย่างเช่น ใน (Fig.7a), แบบจำลองทำนาย TPM3_PM_Forline กระบวนการบำรุงรักษาที่แนะนำในการแจ้งเตือน Forline_Pirani แรงดัน 19 ศูนย์เตือนภัย bias RF_Gene_ouput และสัญญาณเตือนภัย 3 ของ pressure_chamber นอกจากนี้ รูปแบบคาดการณ์ว่า แนวโน้มความล้มเหลวเป็น Forline_Failure ด้วยน่าเป็น 57% ในทำนองเดียวกัน รูป 7b แสดงที่กระบวนการเดียวกัน TPM3_PM_Forline มีน่า 60% ในที่ที่แตกต่างกันการตั้งค่าการแจ้งเตือนและคำเตือน นำเสนอตารางต่อไปนี้ที่คาดคะเนโดยพันล้านรู้รุ่นกว่า 25% ทดสอบชุดข้อมูล โดยรุ่นพันล้านที่เรียนรู้จะสามารถทำนายการดำเนินการบำรุงรักษาที่เหมาะสมที่สุดกับความแม่นยำ 75% ด้วยสัญญาณเตือนและลายเซ็นคำเตือน

ผลลัพธ์ (ไทย) 2:

ยกตัวอย่างเช่นใน (Fig.7a), รุ่นคาดการณ์ TPM3_PM_Forline เป็นขั้นตอนการบำรุงรักษาแนะนำในการปรากฏตัวของการเตือนภัย 19 ดัน Forline_Pirani เตือนอคติศูนย์ RF_Gene_ouput และ 3 ของการเตือนภัย pressure_chamber นอกจากนี้รูปแบบคาดการณ์ว่าน่าจะเป็นความล้มเหลว Forline_Failure ที่มีความน่าจะเป็น 57% ในทำนองเดียวกันรูป 7b นำเสนอว่า TPM3_PM_Forline ขั้นตอนเดียวกันกับความน่าจะเป็น 60% ในการปรากฏตัวของการตั้งค่าที่แตกต่างกันของการแจ้งเตือนและข้อควรระวัง ตารางต่อไปนี้นำเสนอการคาดการณ์ที่ทำโดยชุดทดสอบ BN รุ่นมากกว่า 25% ได้เรียนรู้ รุ่น BN เรียนรู้ก็คือสามารถที่จะคาดการณ์ดำเนินการบำรุงรักษาที่เหมาะสมที่สุดที่มีความแม่นยำ 75% มีการเตือนภัยและลายเซ็นคำเตือน

ผลลัพธ์ (ไทย) 3:

ตัวอย่างเช่นใน ( fig.7a ) แบบจำลองคาดการณ์ tpm3_pm_forline เป็นแนะนำการบำรุงรักษากระบวนการในการแสดงตนของ 19 ความดัน forline_pirani สัญญาณเตือนภัย , ศูนย์ rf_gene_ouput ตั้งค่าการเตือนภัยและ 3 สัญญาณเตือนของ pressure_chamber . นอกจากนี้ แบบจำลองคาดการณ์ว่ามีแนวโน้มความล้มเหลวเป็น forline_failure กับความน่าจะเป็น 57 % ในทํานองเดียวกัน รูปที่ 7b เสนอว่า tpm3_pm_forline ขั้นตอนเดียวกันกับความน่าจะเป็น 60% , ในการแสดงตนของการตั้งค่าที่แตกต่างกันของสัญญาณเตือนภัยและการเตือน ตารางต่อไปนี้แสดงการคาดการณ์ที่ทำโดยเรียนรู้ 3 รูปแบบชุดข้อมูลทดสอบ 25 % เรียนรู้ต่อรุ่น สามารถทำนายการกระทำบำรุงรักษาที่เหมาะสมที่สุดกับ 75% ความถูกต้องกับสัญญาณเตือนภัยและการเตือนลายเซ็น