Fehlererkennung in IIoT-Systemen verbessern

Das Industrial Internet of Things (IIoT) besteht aus vernetzten Geräten und Systemen, die in der Industrie eingesetzt werden, um Daten zu sammeln, auszutauschen und zu analysieren. Diese Technologie hilft, die Effizienz und Produktivität der Abläufe zu verbessern. Allerdings können diese Systeme auf verschiedene Probleme stossen, wie Ausfälle von Geräten, Kommunikationsprobleme, Cybersecurity-Bedrohungen und Datenfehler. Es ist wichtig, diese Probleme schnell zu finden und zu beheben, um die Abläufe reibungslos am Laufen zu halten und die Sicherheit zu gewährleisten.

Die Erkennung und Vorhersage dieser Probleme kann Geld sparen und Systeme sicher halten. Allerdings ist diese Aufgabe herausfordernd, da Fehler oft seltene Ereignisse sind. Bestehende Methoden können zu falschen Alarmen oder verpassten Erkennungen führen. Einige Studien haben untersucht, wie man IIoT-Netzwerke und deren Herausforderungen modelliert, aber es besteht weiterhin Bedarf an besseren Lösungen in diesem Bereich.

#Der Bedarf an einem besseren Ansatz

Die Fehlersuche in industriellen Systemen ist nicht einfach. Probleme treten auf, wenn verschiedene Geräte nicht reibungslos zusammenarbeiten und es Herausforderungen gibt, genaue Daten zu sammeln. Der derzeit führende Ansatz nutzt fortschrittliche Techniken, die Generative Adversarial Networks (GANs) genannt werden, um Fehler zu finden und zu klassifizieren. Unser Fokus liegt darauf, eine einfache, aber effektive Methode zur Erkennung und Klassifizierung von IIoT-Fehlern mithilfe von realen Daten zu entwickeln.

Die meisten bisherigen Forschungen konzentrieren sich entweder darauf, ungewöhnliche Ereignisse zu erkennen oder Fehler zu klassifizieren, jedoch oft nicht beides gleichzeitig. Wir präsentieren ein neues Framework namens Sequential Multitask Cascaded Neural Network (SMTCNN), das beide Aufgaben vereint. Dieses Framework lässt sich von einer Technik inspirieren, die zur Gesichtserkennung verwendet wird, bei der verschiedene Aufgaben in einer Reihe abgeschlossen werden. In unserem Fall sind die drei Aufgaben die Erkennung von Änderungen in den Daten, die Identifikation von Anomalien und schliesslich die Klassifizierung von Fehlern.

#Beiträge der Studie

Wir haben die SMTCNN-Architektur entwickelt, die drei Hauptaufgaben umfasst:

1. Change-point Detection: Dies hebt Zeiträume hervor, in denen signifikante Änderungen in den Daten auftreten.
2. Anomaly Detection: Dieser Schritt konzentriert sich auf die Identifizierung von ungewöhnlichem Verhalten innerhalb der erkannten Änderungszeitpunkte.
3. Fault Classification: Diese finale Aufgabe klassifiziert die erkannten Probleme in spezifische Kategorien.

Zusätzlich haben wir eine detaillierte Methode zur Datensammlung erstellt, die normale Operationen, abnormale Situationen und reale Szenarien umfasst. Nach der Sammlung dieser Daten haben wir unser SMTCNN-Modell bewertet. Unsere Experimente zeigten, dass unsere Methode bestehende Ansätze übertrifft, insbesondere in Bezug auf spezifische Messgrössen.

#Übersicht des Frameworks

Das vorgeschlagene System umfasst vier IIoT-Geräte. Diese Geräte überwachen Umgebungen, wie die Temperatur des Ofens, den Rauchgehalt und die Luftfeuchtigkeit. Sie senden Daten an ein zentrales Gateway, das Netzwerkaufgaben und Sicherheit verwaltet. Die Analyse erfolgt auf Basis der von diesen Geräten gesammelten Daten.

Um die Systemleistung unter realen Bedingungen zu bewerten, haben wir Datensätze erstellt, indem wir die Geräte über längere Zeiträume betrieben haben. Wir haben absichtlich Fehler eingeführt, um reale Situationen zu simulieren, die den Betrieb stören könnten. Unser Datensatz umfasst 11 verschiedene Fehlertypen, sodass wir die Leistung unseres Fehlersuchsystems gründlich testen konnten.

#Generierte Datensätze

Für unsere Forschung haben wir drei verschiedene Datensätze erstellt:

1. Anomaly Only Dataset: Dieser Datensatz konzentriert sich auf Fälle, in denen Anomalien absichtlich eingeführt werden, um 11 verschiedene Arten von ungewöhnlichem Verhalten zu erfassen.
2. Normal Only Dataset: Dieser Datensatz zeichnet Daten der Geräte im Normalzustand auf, wenn keine Fehler vorhanden sind.
3. Real-time Mixed Dataset: Dieser Datensatz ahmt reale Abläufe nach, bei denen Fehler zufällig mit niedriger Frequenz eingeführt werden, was Bedingungen repräsentiert, die näher an dem sind, was in einer Arbeitsumgebung vorkommen könnte.

#Techniken zur Anomalieerkennung und Fehlerklassifizierung

Wir haben einen unbeaufsichtigten Ansatz zur Erkennung von Veränderungspunkten entwickelt, der eine Art von neuronalen Netzwerken namens Long Short-Term Memory (LSTM) verwendet. Dieses Modell lernt, Muster in Zeitreihendaten zu erkennen und kann signifikante Änderungen pinpointen. Während des Trainings haben wir das Modell optimiert, um Eingabedaten zu rekonstruieren und dabei ungewöhnliche Abweichungen zu identifizieren.

Für die Fehlerklassifizierung, angesichts der begrenzten Menge von gesammelten Fehlertdaten, haben wir mehrere Nicht-neuronale Netzwerk-Algorithmen wie Random Forest, Support Vector Machines und Decision Trees angewendet. Wir haben die Daten in Segmente und Fenster strukturiert, um diese Algorithmen effektiv anzuwenden.

#Die SMTCNN-Architektur

Die SMTCNN besteht aus drei Aufgaben:

1. Anomalous Segment Identification: Das Modell erkennt Veränderungspunkte und markiert den Beginn und das Ende von Ereignissen, die ungewöhnlich erscheinen.
2. Fine-tuning Anomaly Detection: Nach der Identifizierung der Segmente sagt ein einfaches zweilagiges LSTM-Netzwerk Anomalien in diesen Bereichen voraus.
3. Anomaly Detection and Classification: Dies kombiniert Eingaben aus den vorherigen Aufgaben und klassifiziert die Arten der erkannten Probleme.

#Experimentelle Bewertung

Um unser Framework zu bewerten, haben wir Python und Tools wie TensorFlow und scikit-learn verwendet. Wir haben Datenpunkte aus unseren Datensätzen gesammelt und unsere Algorithmen trainiert. Wir haben mehrere Frameworks untersucht, einschliesslich solcher, die spezifische Komponenten entfernt haben, um deren Bedeutung für die Aufrechterhaltung der Genauigkeit zu überprüfen.

Um die Leistung zu messen, verwendeten wir Techniken, die die Natur der zeitlich geordneten Daten berücksichtigen. Das beinhaltete, das gesamte Dataset in Teile zu teilen, wobei ein Teil für das Training und ein anderer für das Testen verwendet wurde. Wir haben dies 10 Mal wiederholt, um eine robuste Bewertung sicherzustellen.

#Leistungsergebnisse

Unsere Ergebnisse zeigen, dass das SMTCNN-Framework im Vergleich zu Basislinienmethoden bemerkenswerte Verbesserungen aufweist, insbesondere in der spezifischen Massnahme der Spezifität. Während die Gesamtgenauigkeit, Präzision, Recall und der F1-Wert nur leichte Verbesserungen zeigten, ist der Anstieg der Spezifität besonders signifikant. Die Analyse der Ergebnisse hat gezeigt, dass das Entfernen von Komponenten aus unserem Framework zu einem deutlichen Rückgang der Erkennungsleistung führte, was die Bedeutung jeder Aufgabe innerhalb unseres Modells unterstreicht.

#Fazit und zukünftige Richtungen

Diese Forschung ist ein wertvoller Ausgangspunkt, um Fehler in realen IIoT-Systemen zu adressieren. Das Hauptziel dieser Studie war es, Daten zu sammeln, potenzielle Fehler zu simulieren und einen Weg für zukünftige Arbeiten zu definieren. Wir beabsichtigen, unsere vorläufigen Datensätze zur Verfügung zu stellen, um weitere Studien zur Fehlererzeugung im IIoT und zu Anwendungen des Multitasking-Lernens zu unterstützen.

Wenn wir in die Zukunft blicken, ist es wichtig, die Vielfalt in verschiedenen Industrieeinrichtungen zu erkennen, die spezifische Anpassungen an unseren Fehlererkennungsmethoden erfordern könnten. Reale IIoT-Systeme sehen sich regelmässig Problemen wie fehlenden Daten aufgrund von Verbindungsproblemen oder Stromausfällen gegenüber-Herausforderungen, die nicht im Fokus dieser Studie standen.

Insgesamt sind kontinuierliche Verbesserungen und Anpassungen der Fehlererkennungstechniken entscheidend für die Entwicklung zuverlässiger und sicherer Industiesysteme im IIoT-Bereich.