基于机器学习和信息期望值的快速可部署移动传感机器人的动态布置

尽管工业物联网增加了工业工厂中永久安装的传感器数量，但由于传感器损坏或超大型工厂（如石化行业）中密度稀疏，仍会存在覆盖盲区。现代应急响应行动开始使用能够向精确位置投放传感机器人的小型无人 aerial 系统（sUAS）。sUAS 可提供 aerial 无人机无法提供的更长期的持续监测。尽管这些资产成本相对较低，但在应急响应期间，在复杂工厂环境中选择将哪些机器人传感系统部署到工业过程的哪些部分仍然具有挑战性。本文描述了一个优化应急传感器部署的框架，作为实现灾难环境下机器人响应能力的初步步骤。AI 技术（长短期记忆、一维卷积神经网络、逻辑回归和随机森林）识别出最有价值的传感器布置区域，而无需人员进入潜在危险区域。在所描述的案例研究中，优化的代价函数考虑了假阳性和假阴性错误的成本。缓解决策包括实施维修或关闭工厂。信息期望值（EVI）用于识别最具价值的物理传感器类型与部署位置，以提升传感器网络的决策分析价值。该方法应用于使用化工厂 Tennessee Eastman 过程数据集的案例研究，我们讨论了我们的发现对工厂应急与韧性场景中传感器的操作、分布和决策的影响。