Detecting and isolating multiple faults in Internet of Things systems : a data-driven approach

In the last decade Internet of Things (IoT) has become a very interesting field of research and development, since the spread of interconnected objects has increased. Sensors that operate in real and possibly severe environments have an high probability to be affected by faults and faults at sensor level provide erroneous data that may lead to wrong decisions or reactions. In this scenario, Fault Detection and Isolation Systems have acquired an important role. In this thesis we study a novel technique for multiple fault detection and isolation based on data coming from sensors. We consider an environment of any kind which is monitored by sensors deployed all around. A novel clustering algorithm is developed, aiming to recognize the possible physical dependencies that are present among the data acquired by sensors operating in the same environment. After learning the dependencies, we create models of the behaviour of each sensor based on the correlated sensors and we define an intrinsic feature of each sensor, which characterizes how it behaves without considering any relationship. This knowledge will be used during the operative phase to detect faulty sensors, comparing the predicted data from the model of the sensor and the data arriving from the sensor itself. The final test checks if the dynamic is compliant with the generalization learned and isolate the sensor if it is not considered faulty. Extensive experiments are run in different environment considering different scenarios. Finally the performance of the proposed solution is compared with a traditional solution that does not take into account the relationships between the sensors in the environment.

Nell'ultimo decennio l'Internet of Things (IoT) è diventato un campo di ricerca e sviluppo molto interessante, dato dal fatto che il diffondersi di oggetti interconnessi è aumentato. I sensori che operano in ambienti reali e talvolta rigidi hanno un'alta probabilità di essere colpiti da guasti e guasti al livello dei sensori forniscono dati errati che possono portare a decisioni o reazioni sbagliate. In questo scenario, sistemi di rilevamento ed isolamento dei guasti hanno acquisito un ruolo importante. In questa tesi studiamo una tecnica innovativa per la rilevazione e l'iso-lamento di molteplici guasti basato esclusivamente sui dati ricevuti dai sensori. Consideriamo un ambiente di qualsiasi tipo monitorato da sensori distribuiti in diversi punti. È stato sviluppato un innovativo algoritmo di clustering con l'obiettivo di riconoscere le dipendenze fisiche presenti tra i dati acquisiti dai sensori che operano nello stesso ambiente. Dopo aver imparato le dipendenze, viene creato un modello di comportamento per ogni sensore, basato sui sensori correlati e viene definito un aspetto intrinsico di ogni sensore, il quale caratterizza il suo comportamento senza considerare relazioni. Questa conoscenza viene utilizzata durante la fase operativa per rilevare i sensori guasti, comparando i dati predetti dai modelli di comportamento con i dati ricevuti dai sensori stessi. Il test finale controlla se la dinamica è conforme alla generalizzazione studiata e isola il sensore in caso non sia considerato guasto. Numerosi esperimenti sono stati condotti considerando ambienti diversi e scenari diversi. In conclusione, la prestazione della soluzione proposta è comparata con la prestazione di una soluzione tradizionale che non tiene in considerazione le relazioni esistenti tra i sensori nell'ambiente.