IoT systems have been facing increasingly sophisticated technical problems due to the growing complexity of these systems and their fast deployment practices. Consequently, IoT managers have to judiciously detect failures (anomalies) in order to reduce their cyber risk and operational cost. While there is a rich literature on anomaly detection in many IoT-based systems, there is no existing work that documents the use of ML models for anomaly detection in digital agriculture and in smart manufacturing systems. These two application domains pose certain salient technical challenges. In agriculture the data is often sparse, due to the vast areas of farms and the requirement to keep the cost of monitoring low. Second, in both domains, there are multiple types of sensors with varying capabilities and costs. The sensor data characteristics change with the operating point of the environment or machines, such as, the RPM of the motor. The inferencing and the anomaly detection processes therefore have to be calibrated for the operating point. In this paper, we analyze data from sensors deployed in an agricultural farm with data from seven different kinds of sensors, and from an advanced manufacturing testbed with vibration sensors. We evaluate the performance of ARIMA and LSTM models for predicting the time series of sensor data. Then, considering the sparse data from one kind of sensor, we perform transfer learning from a high data rate sensor. We then perform anomaly detection using the predicted sensor data. Taken together, we show how in these two application domains, predictive failure classification can be achieved, thus paving the way for predictive maintenance.

Bản dịch tiếng Việt:

Các hệ thống IoT đang phải đối mặt với các vấn đề kỹ thuật ngày càng phức tạp do tính phức tạp ngày càng tăng của các hệ thống này và cách thức triển khai nhanh chóng của chúng. Do đó, các nhà quản lý IoT phải phát hiện một cách thận trọng các lỗi (bất thường) để giảm rủi ro mạng và chi phí vận hành. Mặc dù có tài liệu phong phú về phát hiện bất thường trong nhiều hệ thống dựa trên IoT, nhưng hiện chưa có công trình nào ghi lại việc sử dụng mô hình ML để phát hiện bất thường trong nông nghiệp kỹ thuật số và trong các hệ thống sản xuất thông minh. Hai miền ứng dụng này đặt ra những thách thức kỹ thuật nổi bật nhất định. Trong nông nghiệp, dữ liệu thường thưa thớt do diện tích trang trại rộng lớn và yêu cầu duy trì chi phí giám sát ở mức thấp. Thứ hai, trong cả hai lĩnh vực, có nhiều loại cảm biến với khả năng và chi phí khác nhau. Các đặc tính dữ liệu cảm biến thay đổi theo điểm vận hành của môi trường hoặc máy móc, chẳng hạn như RPM của động cơ. Do đó, quá trình suy luận và phát hiện sự bất thường phải được hiệu chỉnh cho điểm vận hành. Trong bài viết này, chúng tôi phân tích dữ liệu từ các cảm biến được triển khai trong một trang trại nông nghiệp với dữ liệu từ bảy loại cảm biến khác nhau và từ một thử nghiệm sản xuất tiên tiến có cảm biến rung. Chúng tôi đánh giá hiệu suất của các mô hình ARIMA và LSTM để dự đoán chuỗi thời gian của dữ liệu cảm biến. Sau đó, xem xét dữ liệu thưa thớt từ một loại cảm biến, chúng tôi thực hiện học chuyển từ cảm biến tốc độ dữ liệu cao. Sau đó, chúng tôi thực hiện phát hiện sự bất thường bằng cách sử dụng dữ liệu cảm biến được dự đoán. Kết hợp lại với nhau, chúng tôi chỉ ra cách có thể đạt được sự phân loại lỗi dự đoán trong hai lĩnh vực ứng dụng này, từ đó mở đường cho việc bảo trì dự đoán.

Document Ready

Click below to load the full PDF document natively.