Resumen

Recientemente se han creado muchas aplicaciones basadas en la tecnología de Internet de las Cosas (IoT) en el ámbito de la supervisión industrial. Miles de sensores de distintos tipos trabajan juntos en un sistema de supervisión industrial. Los sensores situados en distintas ubicaciones pueden generar datos en streaming, que pueden analizarse en el centro de datos. En este artículo, proponemos un marco para la detección de fallos de sensores en línea. Motivamos nuestra técnica en el contexto del problema de la detección de fallos en el valor de los datos y la detección de eventos. Utilizamos las ventanas deslizantes estadísticas (SSW) para contener los datos recientes de los sensores y regresionamos cada ventana mediante una distribución gaussiana. El resultado de la regresión puede utilizarse para detectar fallos en el valor de los datos. Los dispositivos de una línea de producción pueden trabajar con diferentes cargas de trabajo y los sensores asociados tendrán diferentes estados. Dividimos los sensores en varios grupos de estado según las distintas partes de la charla de flujo de producción. De este modo, el estado de un sensor se asocia con otros del mismo grupo. Ajustamos los valores en la ventana de transformación de estado (STW) para obtener la pendiente y generar un vector de tendencia de grupo. Comparando el vector de tendencia actual con los históricos, podemos detectar un evento racional o irracional. Con el fin de determinar los parámetros para cada grupo de estado, construimos un hilo de trabajo de autoaprendizaje en nuestro marco que puede editar el parámetro correspondiente en función de los comentarios del usuario. En este artículo se propone un algoritmo de detección de fallos basado en grupos (GbFD). Probamos el marco con un conjunto de datos de simulación extraídos de datos reales de un yacimiento petrolífero. Los resultados muestran que GbFD detecta con éxito el 95% de los fallos de los sensores.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:marco de trabajo, detección de fallos en el valor de los datos, detección de fallos en sensores en línea, ventanas deslizantes estadísticas, ventana de transformación de estado, vector de tendencia actual, fallo en el valor de los datos, vector de tendencia de grupo, área de supervisión de la industria, sistema de supervisión de la industria
• Keywords:framework, data value fault detection, online sensor fault detection, statistics sliding windows, status transform window, current trend vector, data value fault, group trend vector, industry monitoring area, industry monitoring system