A cognitive fault detection and diagnosis system for sensor networks

Cognitive fault detection and diagnosis systems represent a novel class of systems, which are able to detect and diagnose faults by characterizing the functional relationships existing among datastreams and by learning the nominal conditions and the fault dictionary during the operational life directly from incoming data. These abilities make the use of these systems particularly suitable for the field of sensor networks, where no a priori information is generally available about the monitored process and the possibly occurring faults. Moreover, these sensor networks generally work in harsh environmental conditions, thus the occurrence of faults, degradation effects and ageing effects in their units and sensors are likely to happen. It is of paramount importance to detect and diagnose such anomalous working conditions of sensor networks. This dissertation introduces a novel Cognitive Fault Detection and Diagnosis System for sensor networks, able to characterize the nominal state of the process by relying on a fault-free dataset, detect and diagnose faults as soon as they appear and learn in an on-line manner the set of possible faults. To the best of our knowledge, we propose the first complete Cognitive Fault Detection and Diagnosis System where the cognitive approach is applied to all its phases: detection, isolation and identification. The proposed system is based on a theoretically grounded statistical framework, able to characterize the functional relationships existing among the acquired datastreams by relying on their modeling in the space of the parameters. As a basis for the detection and diagnosis phases, the proposed system is able to learn a dependency graph, which models the functional relationships existing among the acquired data. The detection phase is performed by analysing the variation of these functional relationships, through a Hidden Markov Model statistical modeling of the nominal state in the parameter space of linear discrete time dynamic systems approximating models. By considering a logic partition of the learned dependency graph, the proposed system is able to isolate the possible occurring faults, through the analysis of the statistical behaviour of multiple relationships. The identification phase is performed by means of a novel evolving clustering-labeling algorithm specifically designed for this task, which is also capable of learning the fault dictionary in an on-line manner. The proposed Cognitive Fault Detection and Diagnosis System has been validated in a wide experimental campaign on both synthetic data and two real-world challenging and valuable applications: an environmental monitoring application for rock collapse and landslide forecasting system and a water network distribution monitoring system. The experimental results, compared with state of the art methods in the field, provided evidence for the better detection and diagnostic abilities of the proposed Cognitive Fault Detection and Diagnosis System.

I sistemi cognitivi per la rilevamento e la diagnosi di guasti sono una nuova classe di sistemi, che rilevano e diagnosticano guasti grazie alla caratterizzazione delle relazioni funzionali esistenti tra le stream di dati: essi apprendono le condizioni nominali e il dizionario dei guasti durante la loro vita operativa direttamente dai dati raccolti. Queste caratteristiche rendono l’utilizzo di questi sistemi particolarmente adatto allo scenario delle reti di sensori, dove solitamente non sono disponibili informazioni a priori relative al processo monitorato e ai guasti che possono presentarsi. Inoltre, le reti di sensori operano in condizioni ambientali sfavorevoli, il che implica che guasti, effetti dovuti all’usura e effetti di invecchiamento si presentino di frequente nelle loro unità o nei sensori. Questa tesi di dottorato introduce un nuovo Sistema di Rilevamento e di Diagnosi di Guasti Cognitivo per reti di sensori, capace di caratterizzare lo stato nominale del processo basandosi su di un set di dati privo di guasti, di rilevare e diagnosticare guasti non appena essi si presentano e di apprendere on-line l’insieme dei possibili guasti. Proponiamo il primo Sistema di Rilevamento e di Diagnosi di Guasti Cognitivo in cui l’approccio cognitivo è stato utilizzato in tutte le sue fasi: rilevamento, isolamento ed identificazione. Il sistema proposto è basato su un solido approccio statistico, che caratterizza le relazioni funzionali esistenti tra le stream di dati grazie alla loro modellizzazione nello spazio dei parametri dei sistemi dinamici lineari a tempo discreto che le approssimano. Alla base delle fasi di rilevamento e diagnosi, il sistema proposto apprende un grafo delle dipendenze, che modellizza le relazioni funzionali esistenti tra le stream di dati. La fase di rilevamento dei guasti si basa sull’analisi della variazione delle relazioni funzionali considerate nella fase precedente, che viene rilevata grazie alla modellizzazione statistica dello stato nominale fornita dagli Hidden Markov Model. Grazie alla partizione logica del grafo delle dipendenze ed all’analisi statistica del comportamento di tutte le relazioni funzionali considerate, il sistema proposto riesce inoltre ad isolare il guasto. La fase di identificazione del guasto viene svolta da un innovativo algoritmo di clustering evolutivo, il quale è in grado di apprendere on-line il dizionario dei guasti. Il Sistema di Rilevamento e di Diagnosi di Guasti Cognitivo proposto è stato validato in un’estesa campagna sperimentale, che ha considerato sia dati sintetici, sia dati generati da due applicazioni particolarmente interessanti: un sistema di monitoraggio ambientale per la predizione di frane ed un sistema di monitoraggio di una rete di distribuzione idrica. I risultati sperimentali ottenuti dal Sistema di Rilevamento e di Diagnosi di Guasti Cognitivo proposto sono stati confrontati con quelli dei metodi nello stato dell’arte nel campo considerato e hanno dimostrato di ottenere migliori performance in termini di rilevamento e di diagnosi dei guasti.