Internet Industriel des Objets IIOT : (PDF) Analyse intégrée pour la maintenance prédictive IIoT à l'aide de systèmes cloud IoT Big Data

maintenance car l'IIoT demande divers services et supports au-delà de l'analyse de données typique.Nous utilisons la maintenance des équipements BTS dans notre prototype pour la preuve de concept. Cependant, le cadre est générique pour différents types d'équipement dans d'autres domaines, par exemple dans les hôpitaux. Les résultats d'une expérience sur le terrain avec des entreprises du monde réel seraient intéressants pour nos travaux futurs. Une question clé est de savoir comment mapper les résultats d'analyse de données vers la connaissance du domaine afin que les bons professionnels puissent être appelés. Cela nécessite une forte collaboration entre l'analyse IoT Cloud, la connaissance du domaine et les services d'approvisionnement humain. Ils feront l'objet de nos futures expériences. Divers aspects liés aux résultats d'analyse critique et à la génération de tâches humaines sont basés sur la connaissance du domaine afin que nous nous concentrions sur l'optimisation de la cartographie et de la génération de tâches appropriées.De plus, nous étendrons notre modèle avec des systèmes d'experts multi-entreprises en permettant différents types de catalogues de fonctions, de fonctions et Nous remercions Danh Pham et BachPhu pour des discussions fructueuses sur la surveillance des équipements et pour le partage des données de BTS.Khiem Ta met en œuvre des analyses d'Apache Spark que nous utilisons pour notre preuve de concept. Muhammad Candra prend en charge l'intégration avec RAHYMS.[1] J. Wang, L. Zhang, L. Duan et R. X. Gao, «Un nouveau paradigme de maintenance prédictive basée sur le cloud pour la fabrication intelligente», J. Intell.Manuf., Vol. 28, non. 5, pp. 1125-1137, juin 2017.[2] R. Sipos, D. Fradkin, F. Moerchen et Z. Wang, «Log-based predictivemaintenance», dans les actes de la 20e conférence internationale ACM SIGKDD sur la découverte des connaissances et l'exploration de données, ser. KDD '14. New York, NY, États-Unis: ACM, 2014, pp. 1867–1876.[3] «La maintenance prédictive de la suite Azure iot est désormais disponible», https://blogs.microsoft.com/iot/2015/12/01/azure-iot- suite-predictive-maintenance- now-available /, dernier accès: 25 mars 2018.[4] T. Foxworth, «Using iot and machine learning for indus-trial prédictive maintenance», https://www.losant.com/blog/using-iot- and-machine- learning-for-industrial-predictive-maintenance, août 2017 , dernier accès: 25 mars 2018.[5] Directions in Hybrid Intelligence: Complementing AISystems with Human Intelligence, mars 2016. [Online]. Disponible: https://www.microsoft.com/en-us/research/publication/directions-hybrid- intelligence-complementing- ai-systems- human-intelligence /[6] «Iiot est génial, mais n'oubliez pas les humains», https://www.redcom.com/iiot-dont-forget-about-humans/, 16 janvier 2017.[7] D. Haas, J. Ansel, L. Gu et A. Marcus, «Argonaut: Macrotask crowd-sourcing for complex data processing», Proc. VLDB Endow., Vol. 8, non. 12, pp. 1642-1653, août 2015.[8] V. Conotter, D.-T. Dang-Nguyen, M. Riegler, G. Boato et M. Larson, «Un ensemble de données en crowdsourcing d'images éditées en ligne», dans les actes de l'atelier international ACM 2014 sur le crowdsourcing pour le multimédia, ser. CrowdMM ’14. New York, NY, États-Unis: ACM, 2014, pp. 49-52.[Online]. Disponible: http://doi.acm.org/10.1145/2660114.2660120[9] D. Haas, J. Wang, E. Wu et M. J. Franklin, «Clamshell: Accélérer les foules pour l'étiquetage des données à faible latence», PVLDB, vol. 9, non. 4, pages 372 à 383, 2015.[10] A. Karkouch, H. Mousannif, H. A. Moatassime et T. Noel, «Dataquality in Internet of Things: A state-of-the-art survey», Journal ofNetwork and Computer Applications, vol. 73, pages 57 à 81, 2016.[11] P. Barnaghi, M. Bermudez-Edo et R. T¨onjes, «Défis pour la qualité des données dans les villes intelligentes», J. Data and Information Quality, vol. 6, non. 2-3, p. 6: 1–6: 4, juin 2015.[12] H.-L. Truong et M. Halper, «Caractérisation des incidents dans l'analyse des données émeutes basée sur le cloud», dans The 42nd IEEE International Conference onComputers, Software & Applications, Tokyo, Japon, 23-27 juillet.[13] F. Rosenthal, C. Groba, A. Gossling et S. Cech, «Architecture of a predictive maintenance framework», en 2007 6e Conférence internationale sur les systèmes informatiques et les applications de gestion industrielle (CISIM), vol. 00, 06 2007, pp. 59–64.[14] N. Savage, «Going serverless», Commun. ACM, vol. 61, non. 2, pp. 15-16, janv. 2018. [Online]. Disponible: http://doi.acm.org/10.1145/3171583[15] M. Yan, P. Castro, P. Cheng et V. Ishakian, «Construire un chatbot avec l'informatique sans serveur», dans les actes du 1er atelier international sur les mashups d'objets et les API, ser. MOTA ’16. New York, NY, États-Unis: ACM, 2016, pp. 5: 1–5: 4.[16] S. Basu Roy, I. Lykourentzou, S. Thirumuruganathan, S. Amer-Yahia et G. Das, «Optimisation de l'affectation des tâches dans la production de ressources à forte intensité de connaissances», The VLDB Journal, vol. 24, non. 4, pp. 467–491, août 2015. [Online]. Disponible: http://dx.doi.org/10.1007/s00778-015-0385-2[17] P. Mavridis, D. Gross-Amblard et Z. Mikl´os, «Utiliser les compétences hiérarchiques pour une affectation optimisée des tâches dans le crowdsourcing à forte intensité de connaissances», dans Actes de la 25e Conférence internationale sur le World WideWeb, ser. WWW ’16. République et canton de Genève, Suisse: Comité directeur des conférences internationales du World Wide Web, 2016, p. 843–853.[18] J. Goncalves, M. Feldman, S. Hu, V. Kostakos et A. Bernstein, «Taskrouting and assignment in crowdsourcing based on cognitive capabilities», dans Proceedings of the 26th International Conference on World WideWeb Companion, ser. Compagnon WWW '17. République et canton de Genève, Suisse: International World Wide Web ConferencesSteering Committee, 2017, pp. 1023–1031.[19] MZC Candra, HL Truong et S. Dustdar, «Provisioning quality-aware social compute units in the cloud», in Service-Oriented Computing – 11th International Conference, ICSOC 2013, Berlin, Germany, Decem-ber 2-5, 2013, Procédure, ser. Notes de cours en informatique, S. Basu, C. Pautasso, L. Zhang et X. Fu, Eds., Vol. 8274. Springer, 2013, pp. 313–327.[20] M. C. Garcia, M. A. Sanz-Bobi et J. del Pico, «Simap: Intelligentsystem pour l'application de maintenance prédictive à la surveillance de l'état de santé d'une boîte de vitesses d'éolienne», Comput. Ind., Vol. 57, non. 6, pages 552-568, août 2006.[21] S. Windmann, A. Maier, O. Niggemann, C. Frey, A. Bernardi, Y. Gu, H. Pfrommer, T. Steckel, M. Krger et R. Kraus, «Big data analysis ofmanufacturing process», Journal of Physics: Conference Series, vol.659, no. 1, p. 012055, 2015.[22] S. Aromaa, A. V¨a¨at¨anen, I. Aaltonen et T. Heimonen, «Un modèle pour rassembler et partager les connaissances dans les travaux de maintenance», dans Actes de la Conférence européenne sur l'ergonomie cognitive 2015, ser. ECCE’15. New York, NY, États-Unis: ACM, 2007, pp. 28: 1–28: 8.[23] N. I. Badler, C. A. Erignac et Y. Liu, «Des humains virtuels pour valider les procédures de maintenance», Commun. ACM, vol. 45, non. 7, pp. 56–63, juillet 2002. [Online]. Disponible: http://doi.acm.org/10.1145/514236.514264[24] G. Shah et A. Tiwari, «Anomaly detection in iiot: A case study usingmachine learning», dans Proceedings of the ACM India Joint InternationalConference on Data Science and Management of Data, ser. CoDS-COMAD »18. New York, NY, États-Unis: ACM, 2018, pp. 295–300.[25] Y. Xu, Y. Sun, J. Wan, X. Liu et Z. Song, «Big data industriel pour le diagnostic des pannes: taxonomie, examen et applications», IEEE Access, vol. 5, pages 17 368–17 380, 2017.[26] E. H. Chi, «Point de vue technique: humains et ordinateurs travaillant ensemble sur des tâches difficiles», Commun. ACM, vol. 60, non. 9, pp. 92–92, août. 2017. [Online]. Disponible: http://doi.acm.org/10.1145/3068614[27] G. Li, «Intégration de données humaines dans la boucle», Proc. VLDB Endow., Vol. 10, non. 12, pp. 2006-2017, août 2017.[28] P. Minder et A. Bernstein, «Crowdlang: Un langage de programmation pour l'exploration systématique des systèmes de calcul humains», dans Proceedings of the 4th International Conference on Social Informatics, ser. SocInfo’12. Berlin, Heidelberg: Springer-Verlag, 2012, pp. 124-137.[29] D. W. Barowy, E. D. Berger, D. G. Goldstein et S. Suri, «Voxpl: Programming with the Wisdom of the crowd», dans les actes de la Conférence CHI 2017 sur les facteurs humains dans les systèmes informatiques, ser.CHI '17. New York, NY, États-Unis: ACM, 2017, pp. 2347-2358.

Laisser un commentaire