Algorithmen zur Fehlererkennung und -diagnose in drahtlosen Sensornetzwerken mithilfe von Deep Learning und Machine Learning - Eine Übersicht

Die Integration von künstlicher Intelligenz (KI) mit drahtlosen Sensornetzwerken (WSN) hat mehrere Möglichkeiten geschaffen, was es zu einem vieldiskutierten Thema im technologischen Bereich macht und das Potenzial hat, die Datenerhebung, -analyse und Entscheidungsfindung in verschiedenen Bereichen zu optimieren. Die Zusammenführung von künstlicher Intelligenz (KI) und drahtlosen Sensornetzwerken (WSN) birgt enormes Potenzial für unterschiedliche Sektoren und Bereiche. Die Integration von künstlicher Intelligenz (KI) in drahtlose Sensornetzwerke (WSN) kann viele Sektoren revolutionieren und deren Effizienz, Produktivität und Nachhaltigkeit verbessern. WSNs bestehen aus zahlreichen energieeffizienten und kostengünstigen Sensorknoten, die in Umgebungen für verschiedene militärische und kommerzielle Anwendungen platziert sind. WSNs sind anfällig für verschiedene Arten von Fehlern, einschließlich Interaktionsfehler, Ausrüstungsfehler, Softwarefehler, Verbindungsfehler, Knotenfehler, Energieverlust und physische Beschädigungen. Aufgrund von kostengünstigen Chips können Sensorknoten unzuverlässig oder defekt werden. Wenn fehlerhafte Knoten die Fähigkeit zur Interaktion mit den verbleibenden Knoten im drahtlosen System verlieren, können sie, obwohl sie möglicherweise weiterhin betriebsfähig sind, beginnen, falsche Daten an die anderen Knoten zu übertragen, was letztendlich die Betriebseffizienz der WSNs beeinträchtigt. Um ein erfolgreiches Networking zu gewährleisten, benötigen Sensorknoten zuverlässige Techniken zur Fehleridentifikation und -diagnose. Die Studie zur Fehlerdiagnose wird die Datenqualität priorisieren, die Reaktionszeit verbessern und die Lebensdauer des Netzwerks verlängern. Diese Arbeit untersucht verschiedene Methoden und Algorithmen zur Fehleridentifikation und -diagnose in verschiedenen Branchen über die letzten fünf Jahre. Diese Arbeit bewertet die Wirksamkeit aktueller von künstlicher Intelligenz getriebener Algorithmen zur Fehleridentifikation und schlägt potenzielle Bereiche für zukünftige Forschungen im Bereich der künstlichen Intelligenz vor.