Por favor, use este identificador para citar o enlazar este ítem:
http://ciateq.repositorioinstitucional.mx/jspui/handle/1020/656| Modelo de confiabilidad para una red de sensores inalámbricos para su implementación en la manufactura inteligente | |
| TETH AZRAEL CORTES AGUILAR | |
| JOSE ANTONIO CANTORAL CEBALLOS LEONOR ADRIANA CARDENAS ROBLEDO OSCAR HERNANDEZ URIBE | |
| Acceso Abierto | |
| Atribución-NoComercial-CompartirIgual | |
| Detección de fallas Redes de sensores inalámbricos Aprendizaje profundo Failure detection Wireless sensor network Deep learning | |
| La confiabilidad de los datos es de suma importancia en los procesos de toma de decisiones en la Industria, y contar con enlaces de calidad para redes inalámbricas de sensores juega un papel vital. El monitoreo de máquinas se puede llevar a cabo a través de torres Andon con transmisión inalámbrica y algoritmos de aprendizaje automático que predicen la calidad del enlace (LQE) para ahorrar tiempo y reducir costos por la detección temprana de fallas y la prevención de problemas. Sin embargo, en países en vías de desarrollo, la aplicación de este tipo de soluciones es un desafío, debido a la falta de tecnología accesible y de bajo costo. El presente proyecto de investigación se realizó en tres etapas. En la primera etapa se programó la herramienta sWSN3, la cual permite mediante una interfaz gráfica colocar nodos de sensores sobre la imagen de un diseño de planta y a través de modelos de comunicación y consumo de energía, calcular la confiabilidad de una red de sensores inalámbricos, utilizando parámetros tales como la relación señal a ruido y la tasa de paquetes recibidos. En la segunda etapa se generó un conjunto de datos que se utilizó para probar un modelo de aprendizaje profundo, logrando resultados satisfactorios. En la tercera etapa de esta investigación, se propone un modelo de aprendizaje profundo, basado en un perceptrón multicapa (MLP). A partir del análisis de las características de los datos de entrada, como la carga útil de datos, la distancia, la potencia y la tasa de error de bit, el modelo MLP puede predecir la clase de LQE con alta precisión. El conjunto de datos se recopiló de un escenario experimental, similar a los que se encuentran comúnmente en las aplicaciones industriales, y se dividió en datos de entrenamiento, validación y prueba. Después, se implementaron diferentes modelos de aprendizaje automático, cada uno con un proceso de búsqueda metódico para ajustar hiperparámetros como la tasa de aprendizaje. Se logró una precisión del 99.3% en el conjunto de datos de prueba, lo que convierte al modelo MLP en una solución viable para predecir la clase de LQE, que actualmente no está disponible para la industria, en particular para países en vías de desarrollo. Data reliability is of paramount importance in the decision making processes in Industry, for this, having quality links for wireless sensor networks plays a vital role. Process and machine monitoring can be carried out through ANDON towers with wireless transmission and machine learning algorithms that predict link quality (LQE) to save time, hence reducing expenses by early failure detection and problem prevention. However, in developing countries, with limited technological resources, the application of this type of solution can be challenging due to the lack of accessible and low-cost technology. The development of this research was carried out in three stages. In the first stage, the sWSN3 tool was programmed which, through an intuitive graphical interface allows placing sensor nodes on the virtual environment of a plant layout and, through models validated by published research on communication and energy consumption, calculates the reliability of a wireless sensor network using parameters such as signal to noise ratio and received packet rate. In the second stage, a theoretical data set was acquired from known communication models to verify the ability of deep learning models to make predictions about the quality of wireless links, achieving satisfactory results. In the third stage of this research, we propose a deep learning model, based on a multilayer perceptron MLP that is suitable for implementation in small workshops with limited computational resources. From the analysis of the characteristics of the input data, e.g. such as payload, distance, power, and bit error rate, our MLP model can predict LQE with high precision. The dataset was collected from a realistic experimental scenario, similar to those commonly found in industrial applications, and split into train, validation, and test sets. Then, different machine learning models were implemented, each with a methodical search process to adjust hyper-parameters such as the learning rate, we achieved an accuracy of 99.3% on the test dataset, making it a suitable solution to predict LQE that is not currently available in industry, in particular, for developing country. | |
| CIATEQ, A.C. | |
| 2022 | |
| Tesis de doctorado | |
| Español | |
| Público en general | |
| OTRAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Doctorado en Manufactura Avanzada |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| CortesAguilarTethA DMANAV 2022.pdf | Tesis de doctorado en texto completo | 7.54 MB | Adobe PDF | Visualizar/Abrir |