IoT adatgyűjtési és elemzési platform a vízellátó infrastruktúra-rendszerek anomáliáinak észlelésére
IoT data collection and analysis platform used for anomaly detection in water supply infrastructure systems
Kulcsszavak:
IoT, anomáliák, mesterséges intelligencia, vízminőségAbsztrakt
A vízellátás kritikus közszolgáltatás, amely közvetlen hatással van a lakosság jólétére és biztonságára. A modern vízellátási infrastruktúrák összetett kiberfizikai rendszerek, amelyek fizikai eszközöket (pl. csövek, szivattyúk, tartályok, tisztítóállomások stb.), valamint automatizálási és felügyeleti eszközöket foglalnak magukba. Az ilyen rendszerek fő kihívásai: a minőségi víz folyamatos ellátása, a vízkészletek optimális elosztása és a meglévő erőforrások hatékony felhasználása. Az anomáliák észlelése a vízellátó infrastruktúrákban fontos szempont, amely befolyásolja a teljes rendszer megfelelő működését és biztonságát. Az ilyen infrastruktúrák egyre összetettebbé válásával az anomáliák észlelését automatizált módon kell végrehajtani. Ebben a cikkben egy olyan IoT infrastruktúrát és platformot mutatunk be, amely lehetővé teszi az adatok begyűjtését különbőzö szenzoroktól és azok automatikus elemzését elősegíti különböző mesterséges intelligencia algoritmusok felhasználásával. Ezen platform segítségével létrehoztunk egy olyan mesterséges intelligencia modelt, amely képes automatikusan detektálni a víz minőségének különböző változásait, melyeket anómáliákként könyvelhetünk el.
Hivatkozások
C. Gakii, J. Jepkoech, A classification model for water quality analysis using decision tree, European Journal of Computer Science and Information Technology, Vol.7, No.3, pp.1-8, June 2019
F. Muharemi, D. Logofătu, and F. Leon, Review on general techniques and packages for data imputation in r on a real-world dataset, Springer, 2018
A. H. Haghiabi, A. H. Nasrolahi, and A. Parsaie, Water quality prediction using machine learning methods, Water Quality Research Journal, 2018
Q. T. Boon, Secure Water Treatmen SWaT, 2015, https://itrust.sutd.edu.sg/testbeds/secure-water-treatment-swat/
T. C. Hock, Water distribution testbed (WADI), 2016, https://itrust.sutd.edu.sg/testbeds/water-distribution-wadi/
F. Muharemia, D. Logofătua and F. Leonb, Machine learning approaches for anomaly detection of water quality on a real-world data set, Journal of information and telecommunication, 2019
J. Zhang, X. Zhu, Y. Yue, and P. W. Wong, ``A real-time anomaly detection algorithm/or water quality data using dual time-moving windows'', Seventh international conference on innovative computing technology (INTECH), pp. 36–41, 2017
OGC SensorThingsAPI, https://www.ogc.org/standards/sensorthings
GECCO 2019 Industrial Challenge: Monitoring of drinking-water quality, http://gecco-2017.sigevo.org/index.html/Competitions.html
C. Nitesh, B. Kevin, H. Lawrence, and W. Kegelmeyer, "SMOTE: Synthetic Minority Over-sampling Technique", Journal of Artificial Intelligence Research (JAIR), vol. 16, pp. 321-357, 2002, 10.1613/jair.953
P. Joseph, K. Taghi, D. David, and N. Amri, "Using Random Undersampling to Alleviate Class Imbalance on Tweet Sentiment Data", pp. 197-202, 2015, 10.1109/IRI.2015.39
Vacariu L., Hangan A., Mocanu M., Pollution Detection On The Cyberwater Platform, in Environmental Engineering And Management Journal, vol. 14, no. 9, pp. 2043-2050, 2015. ISSN: 1582-9596
Sebestyen G, Hangan A., Czako Z. and Kovacs G., A taxonomy and platform for anomaly detection, 2018 IEEE International Conference on Automation, Quality and Testing, Robotics (AQTR), Cluj-Napoca, Romania, 2018, pp. 1-6.
Zoltan Czako, Gheorghe Sebestyen, Anca Hangan, AutomaticAI – A hybrid approach for automatic artificial intelligence algorithm selection and hyperparameter tuning, Expert Systems with Applications, Volume 182, 2021
