The Big Role of Data Analytics in the Industrial Internet of Things
Notice bibliographique
Résumé
An IoT architecture is presented in the article which is a predictive way to maintain a group of buses using J1939 sensor data[1]. The authors adopted a minimally viable prototype (MVP) at the Socie´te´ de Transport de l’Outaouais (STO) garage in Gatineau, Canada, which was able to capture around 1 GB of uncompressed J1939 data per bus every day.[1] Data is a combination of the sensor reading and consists of data for the wheel speed, vehicle distance, driver pedal positions, engine information, oil information, coolant information, and transmission fluid information. The authors are trying to come up with a variant of Consensus Self-Organized Models (COSMO) named ICOSMO, which can self-fit the sensor selection for anomaly detection. The fourth industrial revolution has changed the face of ancient manufacturing by bringing in new technologies such as sensors, AI, IoT, and big data analytics. This equipment is used to convert factories into intelligent and interconnected systems that generate a huge amount of data. The data collected, when properly processed, can be utilized to improve decision making and reliability and safety. In addition, it makes predictive maintenance inevitable, thus minimizing the downtime and optimization of the performance[2]. Industrial big data is identified by the ”5V” elements: volume, velocity, variety, veracity, and value. Due to these characteristics, traditional data processing techniques become inadequate, so these circumstances require novel approaches to the treatment of the numerous and diverse data types that are produced in industry 4.0. The Proposed ICOSMO Infrastructure for IoT Predictive Maintenance consists of the following key activities: 1) finding out which sensor classes are the reasons for the faulty components, 2) adaptation of the sensor class (SC) and the sensor prediction capability (SPC) using fault detection abilities and 3) COSMO sensor configuration has to be rearranged after a certain period of time. ICOSMO has been verified with data from a minimally viable prototype (MVP) deployed on buses at the Socie´te´ de Transport de l’Outaouais in Canada. Furthermore, the interviewees said that the framework also includes techniques for the composition and the characterization of industrial big data, which is essential to make a practical predictive maintenance system that can work in smart manufacturing environments
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».