A Robust Fault Detection and Classification Approach for Wireless Sensor Networks Using Stabilized Model Predictive Control and Optimized SVM Classifier

Промышленные и экологические системы беспроводных сенсорных сетей очень чувствительны к ошибкам измерения, повреждению пакетов и зашумленным измерениям, которые могут привести к дестабилизации контура управления и небезопасному поведению привода. Обнаружение неисправностей в режиме реального времени, классификация неисправностей и устойчивое предиктивное управление становятся возможными благодаря полностью интегрированной системе предиктивного управления с учетом неисправностей на основе ПЛИС (MPC), представленной в этом исследовании. Предлагаемая архитектура объединяет адаптивную предварительную обработку, статистическое обнаружение неисправностей, аппаратно-оптимизированный классификатор Tiny-SVM с контроллером MPC, который использует встроенную вероятность неисправности при своей оптимизации. Установленная на XilinxZynqUltraScale+ MPSoC и протестированная с использованием общедоступного набора данных WSN, система обеспечивает задержку в масштабе микросекунд, высокую точность классификации, а также высокую устойчивость к серьезным сбоям. Совместное проектирование аппаратного и программного обеспечения сокращает объем используемых ресурсов ПЛИС, сохраняя при этом стабильную работу в замкнутом цикле даже в том случае, если несколько датчиков становятся ненадежными. Полученные результаты доказывают, что платформа может предложить высокопроизводительное, ресурсосберегающее и отказоустойчивое решение для управления, которое может быть использовано в промышленном IoT, экологическом мониторинге и киберфизических системах, критически важных для безопасности.