Wireless Sensor Networks Fault Detection and Identification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We have developed and experimentally tested a set of models for the detection and identification of sensor faults that commonly occur in wireless sensor networks. Considered faults include outlier, spike, variance, high-frequency noise, offset, gain, and drift faults. These faults affect the system operations and can endanger operators, final users, and the general public. The fault detection models are divided into two classes: data-centric models, which only analyze a single data stream, and system-centric models, which consider the overall system. For data-centric models, we use the magnitude, the gradient, and the variance of raw sensor data to model faults. For system-centric models, we introduce variogram-based techniques that allow faults to be detected by comparing readings from multiple sensors that measure related phenomena. For data-centric and system-centric sensor fault detection, we show how a few model parameters affect the sensitivity of wireless sensor network fault models. We present simulation and experimental results that illustrate the fault detection and identification models. The system is intended for health monitoring applications of the NASA Stennis Space Center (SSC) test stands and widely distributed support systems, including pressurized gas lines, propellant delivery systems, and water coolant lines. The testbed consists of Coremicro® reconfigurable embedded smart sensor nodes [29] capable of wireless communication, a network-capable application processor, a wireless base station, the software that supports sensor and actuator health monitoring, a database server, and a smartphone running a health monitoring Android application.
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.
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 découle