Using Compressive Sampling to Fill Interbatch Data Gap From Low-Cost IoT Vibration Sensor
Notice bibliographique
Résumé
A low-cost wireless vibration sensor can be built using a 3-axis accelerometer, such as ADXL345, attached to a low-cost Wi-Fi microchip, such as ESP8266. In an Internet of Things (IoT) setting, a large number of such inexpensive sensor nodes can be setup with the widely used direct-read-and-send method which samples and sends individually acquired vibration data points from the sensor through the Internet to a server. In this work, we show that such a method is not effective. As the microcontroller alternates between sampling and sending the data, the micro delays of transmission will affect the sensor sampling rate and cause the data points to space unevenly, making the acquired data inaccurate. We propose that vibration should be sampled and transmitted in batches, as such data are acquired continuously without interruption and data points are more evenly spaced. However, the proposed batch-read-and-send will have interbatch gaps that need to be filled. Thus, the key contribution of this work is the novel use of compressive sampling (CS) technique to bridge those gaps. Experimental results show that the direct-read-and-send method loses more information and can only achieve a maximum sampling rate of 350 Hz with a standard uncertainty of 12.4, whereas the proposed solution can measure the vibration wirelessly and continuously up to 633 Hz. Gaps with up to 160 missing points can be filled using CS and achieve better accuracy, with a mean absolute error (MAE) of up to 0.048 and a standard uncertainty of 0.001, making the low-cost wireless vibration sensor a cost-effective solution in an IoT setting.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».