A fault detection mechanism based on short learning for the Internet-of-Things

The Internet-of-Things systems, in the course of these years, increased their presence in an enormous quantity of sectors, where they're deployed in complex systems. If, in one hand, this improves the control over a process, exponentially increasing the amount of data that is possible to know about it, in the other, it increases the dependence from these information, making more intolerable malfunctions on these networks. It follows that a proper system to detect if all the nodes in the IoT system are working properly and, eventually, reporting which part is not performing correctly, in order to fix the problem as soon as possible, is deeply necessary. The purpose of the thesis starts from this point, which is a scenario where there are a lot of heterogeneous sensors placed for monitoring a complex process. Moreover, this work assumes to know just a timely small part of these measurements, the common case of a newly deployed system. Since the measurements are considerable sequences, the purpose of the thesis is trying to implement a Fault Detection mechanism where data is heterogeneous and short in time, comparing this new approach to the methods proposed by literature. The approach offered by the State-of-the-Art consists in exploiting a single model based on neural network and trained on all the short time series available, without any type of preparatory phases. The thesis idea is to check if training some littler models on all available series subsets is enough to build a Fault Detection Systems with better performances than the standard one. As a result, this thesis implement both the literature approach and the other one, comparing their accuracy in detecting faults, using a scenario where faults are injected in non-faulty series.

I sistemi di Internet-of-Things, nel corso di questi anni, hanno aumentato la loro presenza in un'enorme quantità di settori, nei quali sono impiegati in sistemi complessi. Se, da un lato, questo migliora il controllo su un processo, aumentando in modo esponenziale la quantità di dati che è possibile conoscere, dall'altro aumenta anche la dipendenza da queste informazioni, rendendo più intollerabili i malfunzionamenti. Ne è diretta conseguenza il fatto che un adeguato sistema di controllo per monitorare il corretto funzionamento di tutti i nodi presenti nella rete di un sistema IoT e in grado di identificare, in caso di guasto, quale sia la parte difettosa al fine di risolvere il problema il più presto possibile, sia profondamente necessario. Lo scopo della tesi parte da questo problema, ovvero da uno scenario in grado di vantare parecchi sensori eterogenei capaci di monitorare un processo complesso. Inoltre, questa tesi si concentra principalmente nel caso in cui sia nota solamente una piccola parte delle misurazioni di queste unità, rientrando pertanto nel caso molto comune di un sistema appena installato. Poiché le misurazioni sono organizzate in serie temporali, lo scopo della tesi è cercare di implementare un meccanismo di rilevazione dei guasti capace di lavorare con dati eterogenei ma campionati in un breve periodo, confrontandolo successivamente con i metodi proposti dalla letteratura, di natura più generale. L'approccio offerto dallo Stato dell'arte consiste nello sfruttare un singolo modello basato su una rete neurale addestrata su tutte le serie temporali disponibili, senza alcun tipo di fase preparatoria. L'idea della tesi è quella di verificare se l'addestramento di alcuni modelli più piccoli su molti sottoinsiemi di tutte serie disponibili sia sufficiente per costruire un sistema di rilevamento guasti con prestazioni migliori rispetto a quello standard. Di conseguenza, questa tesi implementa sia l'approccio della letteratura sia quello proposto, confrontando la loro accuratezza nel rilevare i guasti, iniettandoli in serie non difettose.