Enhancing data anomaly prediction and real-time physical problem detection with Digital Twins and Cognitive Super Digital Twins
Notice bibliographique
Résumé
The increasing reliance on Internet of Things (IoT) systems has highlighted the need for effective strategies to detect data anomalies and address physical malfunctions in real time. This paper proposes a Cognitive Super Digital Twin (CSDT) to detect data anomalies and flag physical problems in IoT systems. The framework augments a standard DT with a synthetic data layer that balances rare events and improves model learning. We validate the method on an environmental-sensing and robot actuation case study, showing higher recall and F1 when training with augmented data, and a practical DT that detects incomplete robot motions. The approach improves resilience while keeping costs low by prioritizing digital experiments before physical changes. • Innovative Framework: The Cognitive Super Digital Twin (CSDT) extends the traditional digital twin concept by integrating cognitive capabilities for enhanced data anomaly prediction and real-time physical problem detection. • Resilience Enhancement: Our approach emphasizes proactive monitoring and predictive analysis to improve system resilience in complex IoT environments. • Case Study Validation: We demonstrate the effectiveness of the CSDT using an IoT-based environmental monitoring system integrated with a robotic platform, showcasing its practical applicability and accuracy. • Methodological Contribution: The paper presents a robust combination of model-driven engineering, machine learning algorithms, and digital twin technology, contributing to the field’s body of knowledge.
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 | 0,001 | 0,003 |
| 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 ».