نظارت هوشمند در اینترنت اشیاء با استفاده از یادگیری عمیق برای تحلیل و پیش‌بینی بلادرنگ
محورهای موضوعی : مهندسی برق ( الکترونیک، مخابرات، قدرت، کنترل)
سینا نصراالهی
1
,
سیدابراهیم دشتی
2
*
1 - دانشگاه آزاد اسلامی
2 - دانشکده برق و کامپیوتر ، واحد جهرم، دانشگاه آزاد اسلامی
کلید واژه: اینترنت اشیا , یادگیری عمیق, شبکه عصبی پیچشی , شبکه عصبی بازگشتی, شناسایی بلادرنگ ناهنجاری,
چکیده مقاله :
با فراگیر شدن و افزایش روز افزون استفاده و کاربردهای اینترنت اشیا مخصوصا در صنعت نیاز به نظارت هوشند و بلادرنگ به شدت احساس می شود، در این پژوهش ترکیب اینترنت اشیاء (IoT) و یادگیری عمیق با مدل‌های ترکیبی CNN و RNN، در نظارت بلادرنگ و تحلیل پیش‌بینانه پیشنهاد شده است. این روش سیستمی نوین ارائه می‌دهد که داده‌های حسگرهای IoT را با استفاده از CNN برای تحلیل ویژگی‌های مکانی و RNN برای پردازش توالی‌های زمانی ترکیب می‌کند. این سیستم ناهنجاری‌ها را شناسایی کرده و خرابی‌های احتمالی را پیش‌بینی می‌کند، و امکان مداخلات پیشگیرانه را برای کاهش هزینه‌های عملیاتی و افزایش کارایی فراهم می‌آورد. ارزیابی سیستم با مجموعه داده‌هایی شامل بیش از یک میلیون رکورد (پارامترهایی نظیر دما، رطوبت و فشار) انجام شد. نتایج نشان داد که دقت شناسایی دما به 99.2% افزایش یافته است. این دقت بالا نشان‌دهنده توانایی سیستم در پیش‌بینی دقیق خرابی‌های بحرانی است.
With the increasing use and applications of the Internet of Things, especially in industry, the need for smart and real-time monitoring is strongly felt. In this study, the combination of the Internet of Things (IoT) and deep learning with CNN and RNN hybrid models is proposed in real-time monitoring and predictive analysis. This method presents a novel system that combines IoT sensor data using CNN to analyze spatial features and RNN to process time sequences. This system detects anomalies and predicts possible failures, and enables preventive interventions to reduce operating costs and increase efficiency. The system was evaluated with a dataset containing more than one million records (parameters such as temperature, humidity, and pressure). The results showed that the accuracy of temperature detection increased to 99.2%. This high accuracy indicates the system's ability to accurately predict critical failures.
[1] A. H. Sodhro, A. Gurtov, N. Zahid, S. Pirbhulal, L. Wang, M. M. U. Rahman, M. A. Imran, and Q. H. Abbasi, ‘‘Toward convergence of AI and IoT for energy-efficient communication in smart homes,’’ IEEE Internet Things J., vol. 8, no. 12, pp. 9664–9671, Jun. 2021, doi: 10.1109/JIOT.2020.3023667.
[2] S. M. Zayed, G. Attiya, A. El-Sayed, A. Sayed, and E. E.-D. Hemdan, ‘‘An efficient fault diagnosis framework for digital twins using optimized machine learning models in smart industrial control systems,’’ Int. J. Comput. Intell. Syst., vol. 16, no. 1, pp. 2–18, May 2023, doi: 10.1007/s44196-023-00241-6.
[3] M. Murugan, J. Rajarajan, G. Hariharan, and S. Jeevitha, ‘‘Industry 4.0: A real-time implementation of automation and digitalization in an industry,’’ Natural Volatiles Essential Oils, vol. 8, no. 4, pp. 1568–1580, Nov. 2021.
[4] S. B. Atitallah, M. Driss, W. Boulila, and H. B. Ghézala, ‘‘Lever aging deep learning and IoT big data analytics to support the smart cities development: Review and future directions,’’ Comput. Sci. Rev., vol. 38, Nov. 2020, Art. no. 100303, doi: 10.1016/j.cosrev.2020. 100303.
[5] U. Ahmed, J. C.-W. Lin, and G. Srivastava, ‘‘A resource allocation deep active learning based on load balancer for network intrusion detection in SDN sensors,’’ Comput. Commun., vol. 184, pp. 56–63, Feb. 2022, doi: 10.1016/j.comcom.2021.12.009.
[6] Anna Namrita Gummadi, Jerry C. Napier, and Mustafa Abdallah “XAI-IoT: An Explainable AI Framework for Enhancing Anomaly Detection in IoT Systems’’May 2024
[7] T.Cerquitelli,N.Nikolakis,and P.Bethaz “Enabling predictive analytics for smart manufacturing through an IIoT platform’’IFAC PapersOnLine 53-3 (2020) 179–184
[8] Mahmoud Abouelyazid, CTO and Co-Founder, Exodia AI Labs, St. Louis, MO. USA “Advanced Artificial Intelligence Techniques for Real-Time Predictive Maintenance in Industrial IoT Systems: A Comprehensive Analysis and Framework’’vol 3,Jan-June 2023
[9] Paolo Visconti , , Giuseppe Rausa , Carolina Del-Valle-Soto , Ramiro Velázquez , Donato Cafagna and Roberto De Fazio “Machine Learning and IoT-Based Solutions in Industrial Applications for Smart Manufacturing: A Critical Review” Department of Innovation Engineering, University of Salento, 73100 Lecce, Italy Oct 2024
[10] T. Serrano-Ramírez, N. D. C. Lozano-Rincón, A. Mandujano-Nava, and Y. J. Sámano-Flores, ‘‘Artificial vision system for object classi fication in real time using raspberry pi and a web camera,’’ Revista Tecnologías Información Comunicaciones, vol. 5, pp. 20–25, Jun. 2021, doi: 10.35429/jitc.2021.13.5.20.25.
[11] P. Lemenkova, ‘‘Processing oceanographic data by Python libraries numpy, scipy and pandas,’’ Aquatic Res., vol. 2, no. 2, pp. 73–91, 2019.
[12] C. L. Vidal-Silva, A. Sánchez-Ortiz, J. Serrano, and J. M. Rubio, ‘‘Academic experience in rapid development of web information systems with Python and Django,’’ Formación Universitaria, vol. 14, no. 5, p. 85, 2021.
[13] K. Dheyaa Ismael and S. Irina, ‘‘Face recognition using Viola–Jones depending on Python,’’ Indonesian J. Electr. Eng. Comput. Sci., vol. 20, no. 3, p. 1513, Dec. 2020, doi: 10.11591/ijeecs.v20.i3.pp1513-1521.
[14] D. C. Niehorster, L. Li, and M. Lappe, ‘‘The accuracy and precision of position and orientation tracking in the HTC vive virtual reality system for scientific research,’’ I-Perception, vol. 8, no. 3, Jun. 2017, Art. no. 204166951770820, doi: 10.1177/2041669517708205.