整合边缘可部署的故障诊断算法用于物联网 (IoT):一种甲检测应用程序.

科学领域:

• 计算机科学 计算机科学
• 电气工程 电气工程
• 数据科学数据科学数据科学

背景情况:

• 物联网 (IoT) 系统对于实时监控至关重要,但易受感知层故障的影响.
• 物联网传感器的故障可能导致数据误解,带宽使用量增加和更高的功耗.
• 现有的故障检测方法可能对边缘部署不有效,导致延迟和增加云计算压力.

研究的目的:

• 开发一个边缘部署算法,用于在物联网中高效地检测和识别传感器故障.
• 为了减少检测,识别和修复传感器故障的时间.
• 为了节省网络带宽并降低云基础设施上的计算负载.

主要方法:

• 制定了一种综合算法,将随机森林 (RF) 结合起来用于故障检测和故障树分析 (FTA) 进行根源原因识别.
• 该算法使用甲 (CH4) 传感应用程序进行了测试,在传感器,处理器和通信模块中注入了故障.
• 使用包括精度,真正率 (TPR),马修斯相关系数 (MCC),假负率 (FNR),精度和F1分数在内的指标来评估性能.

主要成果:

• 集成的RF-FTA算法在算法复杂性,执行时间和准确性方面表现出优异的性能,与独立的FTA,RF,支持矢量机 (SVM) 和K-最近邻居 (KNN) 相比.
• 随机森林在故障检测中实现了97.27%的准确性,超过了SVM和KNN.
• 综合方法导致执行时间减少了27.73%,精确识别了故障源,比传统的FTA更低的计算资源使用率.

结论:

• 拟议的集成算法为基于边缘的传感器故障检测和识别在物联网应用程序中的有效解决方案.
• 这种方法有效地减少了检测和修复时间,节约了网络资源,并减少了云计算需求.
• 该研究验证了RF和FTA联合方法论的实际适用性和卓越性能,用于现实世界的物联网故障管理.