基于混合机器学习的容错传感器数据融合和异常检测,用于IIoT环境中减轻火灾风险

科学领域:

• 事物的工业互联网 (IIoT)
• 传感器网络 传感器网络
• 人工智能的人工智能

背景情况:

• 石油和天然气IIoT中的火灾检测系统依赖于传感器数据,易受传感器故障导致的不准确性影响.
• 噪音,异常值和漂移等传感器问题可能导致火灾预测延迟或错过,增加安全和运营风险.

研究的目的:

• 介绍一种先进的方法来处理IIoT环境中的边缘服务器中的故障传感器.
• 通过多传感器融合,机器学习和不确定性处理,提高火灾预测系统的可靠性和准确性.

主要方法:

• 实时异常检测和统计评估用于传感器数据预处理.
• 机器学习 (ML) 驱动的概率模型调整与动态值和信念质量赋值.
• 使用Hellinger和Deng和用于传感器融合的Dempster-Shafer理论的不确定性量化.

主要成果:

• 通过对概率模型的动态调整,即使传感器数据不可靠,也提高了火灾预测的准确性.
• 通过有效管理传感器差异和减少错误读数的影响,增强决策.
• 在具有挑战性的IIoT环境中提高火灾检测系统的可靠性.

结论:

• 拟议的方法为石油和天然气 IIoT 设置中的实时火灾预测提供了强大的解决方案,即使传感器输入有故障.
• 通过通过智能传感器数据管理来提高火灾检测系统的准确性和可靠性来降低火灾风险.