基于边缘云协作的GA-Att-LSTM使用IIoT设施的实时故障检测

科学领域:

• 事物的工业互联网 (IIoT)
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 工业物联网 (IIoT) 设备产生了大量的空间时间相关和异质的传感器数据.
• 目前的异常检测算法面临着处理这些复杂,大规模数据的挑战.
• 在IIoT设施中,对高效准确的异常检测的需求至关重要.

研究的目的:

• 为工业物联网 (IIoT) 设施提出一个改进的异常检测框架.
• 为了提高大规模,复杂的传感器数据的处理.
• 为了提高 IIoT 系统中故障检测的准确性和效率.

主要方法:

• 开发了一个遗传算法注意力LSTM (GA-Att-LSTM) 框架.
• 实现了边缘云协作架构,用于实时数据处理.
• 整合了注意力机制,以关注关键特征,以及用于超参数优化的遗传算法.

主要成果:

• 在公共故障数据库上实现了高性能:准确率为99.6%,F1得分为84.2%,精度为89.8%,回忆率为77.6%.
• 与五种传统的机器学习方法相比,表现出更高的性能.
• 边缘云协作减少了数据上传到云平台的时间.

结论:

• 拟议的GA-Att-LSTM框架有效地检测到IIoT设施中的异常.
• 边缘云协作和先进的深度学习技术显著提高了异常检测能力.
• 该方法为工业环境中的实时故障检测提供了强大的解决方案.