基于迁移学习的农业与制造物联网系统异常检测
机器学习
2021-02-12 v1 神经与进化计算
摘要
由于物联网系统日益复杂且部署迅速，其面临的技术问题愈发精细。因此，物联网管理者须审慎检测故障（异常）以降低网络风险与运营成本。尽管基于物联网的异常检测文献丰富，但尚未有工作记录 ML 模型在数字农业与智能制造系统中的异常检测应用。这两个应用领域存在若干突出技术挑战。农业中数据常因农场面积广阔及监测低成本要求而稀疏。其次，两领域中均存在多种能力与成本各异的传感器。传感器数据特征随环境或机器的工况（如电机 RPM）变化，故推理与异常检测过程须针对工况校准。本文中，我们分析了部署于农业农场（含七类不同传感器）的传感器数据，以及来自带振动传感器的先进制造试验台的数据。我们评估了 ARIMA 与 LSTM 模型在传感器数据时间序列预测上的性能。随后，针对某类传感器的稀疏数据，我们从高数据率传感器执行迁移学习，再利用预测传感器数据进行异常检测。综上，我们展示了在这两个应用领域中如何实现预测性故障分类，从而为预测性维护铺平道路。
引用
@article{arxiv.2102.05814,
title = {Anomaly Detection through Transfer Learning in Agriculture and Manufacturing IoT Systems},
author = {Mustafa Abdallah and Wo Jae Lee and Nithin Raghunathan and Charilaos Mousoulis and John W. Sutherland and Saurabh Bagchi},
journal= {arXiv preprint arXiv:2102.05814},
year = {2021}
}