A Practical Approach to Residential Appliances on-Line Anomaly Detection: A Case Study of Standard and Smart Refrigerators
Notice bibliographique
Résumé
Anomaly detection is a significant application of residential appliances load monitoring systems. As an essential prerequisite of load diagnosis services, anomaly detection is critical to energy saving and occupant comfort actualization. Notwithstanding, the investigation into diagnosis of household anomalous appliances has not been decently taken into consideration. This paper presents an extensive study about operation-time anomaly detection of household devices particularly, refrigerators, in terms of appliances candidate, by utilizing their energy consumption data. Energy as a quantitative property of electrical loads, is a reliable information for a robust diagnosis. Additionally, it is very practical since it is low-priced to measure and definite to interpret. Subsequently, an on-line anomaly detection approach is proposed to effectively determine the anomalous operation of the household appliances candidate. The proposed approach is capable of continuously monitoring energy consumption and providing dynamic information for anomaly detection algorithms. A machine learning-based technique is employed to construct efficient models of appliances normal behavior with application to operation-time anomaly detection. The performance of the suggested approach is evaluated through a set of diagnostic tests, by utilizing normal and anomalous data of targeted devices, measured by an acquisition system. In addition, a comparison analysis is provided in order to further examine the effectiveness of the developed mechanism by exploiting a public database. Moreover, this study elaborates sensible remarks on an effective management of anomaly detection and diagnosis decision phases, pivotal to correctly recognition of a faulty/abnormal operation. Indeed, through experimental results of case studies, this work assists in the development of a load monitoring and anomaly detection system with practical implementation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».