Trabajo Fin de Máster
Aprendizaje automático para la detección de anomalías en sensores de bajo coste
Autor/es | Rocha Íñigo, Adrián |
Director | García-Campos, José Manuel
Gutiérrez Reina, Daniel |
Departamento | Universidad de Sevilla. Departamento de Ingeniería Electrónica |
Fecha de publicación | 2021 |
Fecha de depósito | 2021-10-14 |
Titulación | Universidad de Sevilla. Máster en Ingeniería Electrónica, Robótica y Automática |
Resumen | Este trabajo nace a partir del proyecto Agricultura 4.0, en el cual se despliegan redes de sensores
de bajo coste en entornos agrícolas. Este tipo de sensores de baja calidad son más propensos
a introducir anomalías entre ... Este trabajo nace a partir del proyecto Agricultura 4.0, en el cual se despliegan redes de sensores de bajo coste en entornos agrícolas. Este tipo de sensores de baja calidad son más propensos a introducir anomalías entre sus mediciones, es decir, valores fuera de lo común que no se ajustan al comportamiento esperado. Este hecho supone un problema, puesto que dificulta la explotación posterior de los datos registrados y, por ello, surge la necesidad real de mejorar la fiabilidad de las mediciones tomadas. Para solventar dicho problema, en este trabajo se desarrolla una metodología para la detección de anomalías en las mediciones tomadas por sensores de bajo coste. La base del método consiste en convertir el problema de detección de anomalías en una serie temporal en un problema de identificación de outliers basado en una nube de puntos. De esta manera, se consigue resolver la cuestión original mediante las técnicas conocidas para dar solución al problema derivado. En concreto, se ha empleado el método de los k vecinos más cercanos, al cual se le ha aplicado una serie de ideas propias para mejorar su desempeño en este contexto. Además, para poder evaluar la metodología propuesta, se ha elaborado, a modo de banco de pruebas o testbed, una red de sensores inalámbrica de bajo coste y fácilmente escalable, cuya implementación también es descrita en este documento. Esta, además, también podrá ser usada como entorno controlado para estudiar, desarrollar, poner a prueba y comparar nuevas técnicas para la detección de anomalías. Los resultados obtenidos son prometedores, puesto que reflejan una exactitud, sensibilidad y especifidad superiores al 95%, por lo que la solución obtenida, tras los ajustes requeridos, será usada en el proyecto Agricultura 4.0 para solventar el problema original. This work was born from the Agricultura 4.0 project, in which low-cost sensor networks are deployed in agricultural environments. This type of low quality sensors are more prone to introduce anomalies among their ... This work was born from the Agricultura 4.0 project, in which low-cost sensor networks are deployed in agricultural environments. This type of low quality sensors are more prone to introduce anomalies among their measurements, i.e., out-of-the-ordinary values that do not conform to the expected behavior. This fact is a problem, since it hinders the subsequent exploitation of the recorded data and, for this reason, there is a real need to improve the reliability of the measurements taken. In order to solve this problem, this work proposes a methodology for the detection of anomalies in the measurements that are taken by low-cost sensors. The basis of the method consists of converting the anomaly detection problem, which is a time serie problem, into an outlier identification problem, which is based on a point cloud. In this way, using this approach is possible to solve this problem applying the known techniques, in terms of anomaly detection. Specifically, the k-nearest neighbors method is the selected technique in this work. Moreover, a set of approaches have been proposed and validated in order to improve the performance of the selected anomaly detection algorithm. In addition, in order to evaluate the proposed methodology, a low-cost and easily scalable wireless sensor network has been developed as a testbed, whose implementation is also described in this document. It can be also used as a controlled environment to study, develop, test, and compare new techniques for anomaly detection. The achieved results are promising, they reflect an accuracy, sensitivity and specificity higher than 95%. For these reasons, this methodology, after the required adjustments, will be used in the Agricultura 4.0 project to solve the original problem. |
Cita | Rocha Íñigo, A. (2021). Aprendizaje automático para la detección de anomalías en sensores de bajo coste. (Trabajo Fin de Máster Inédito). Universidad de Sevilla, Sevilla. |
Ficheros | Tamaño | Formato | Ver | Descripción |
---|---|---|---|---|
TFM-2043-ROCHA IÑIGO.pdf | 3.023Mb | [PDF] | Ver/ | |