Piezoelectric Energy Harvesting Prediction and Efficient Management for Industrial Wireless Sensor
Notice bibliographique
Résumé
The vibrations, due to their abundance in most industrial processes, constitute an attractive solution for the power supply of Industrial Wireless Sensor (IWS). However, the amount of energy that can be harvested presents numerous fluctuations due to the engines’ different operating modes (overload, full load, or even operation without charge). Most designs do not incorporate this fluctuation in the definition of the specifications of the autonomous IWS. This paper then presents a design method to ensure the node’s energy autonomy while maximizing its Quality of Service (QoS). To precisely define the specifications of the IWS, vibration measurements were carried out at its location for one month. The recorded data was used to propose a new Predictor of the Harvestable Energy from Vibrations (PHEV). A comparative evaluation of the proposed PHEV performances with a state-of-the-art predictor is carried out. The results obtained show that the PHEV makes it possible to minimize the Root Mean Square Error (RMSE) from 28.63 mW to 19.52 mW. A model of energy dissipation in IWS, considering the Internet of Things’ requirements, was established. The model is based on Long-Range (LoRa)/Long-Range Communication Wide Area Network (LoRaWan). The amount of data transmitted is then maximized according to the expected energy harvest rate by setting up a Maximization Data Size Protocol (MDSP). The proposed method makes it possible to ensure an acceptable QoS without resorting to reconfigurable circuits, which are sometimes bulky for miniature devices such as the IWS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».