Browsing by Author "Imeri, Amil"

Now showing 1 - 2 of 2

Open Access
Modellierung und Deployment von IoT-Umgebungen in MBP
(2019) Imeri, Amil
Viele Alltagsgegenstände werden ein Teil des Internets, über welches sie Daten miteinander austauschen und autonom funktionieren können. Das Internet wird als Internet der Dinge (IoT) bezeichnet und enthält Geräte die typischerweise mit Sensoren und Aktuatoren ausgestattet sind und somit eine intelligente IoT-Umgebung schaffen. Die IoT-Umgebungen können von verschiedenen Typen sein und eine hohe Anzahl an Geräten enthalten. Die, an der Universität Stuttgart entwickelte, Multi-purpose Binding and Provisioning Platform (MBP), erleichtert die Konfiguration und Anbindung von verschiedenen Typen von Geräten aus einer IoT-Umgebung. Die Plattform verwendet Adapter, die an die Geräte geschickt werden, um Sensordaten zu erhalten oder Aktuatoren zu aktivieren. Die automatisierte Anbindung der Geräte durch das Deployment der Adapter, kann bei vielen Geräten in einer IoT-Umgebung sehr aufwendig sein, da die Geräte einzeln konfiguriert und angeschlossen werden müssen. In dieser Bachelorarbeit wird dieser Prozess durch ein grafisches Modellierungswerkzeug vereinfacht, mit dem Modelle von IoT-Umgebungen erstellt und ihre Geräte in einem Schritt angeschlossen werden können. Hierzu wird eine prototypische Implementierung des Werkzeugs realisiert, die in dem vorhandenen Prototyp der MBP integriert wird. Das Ergebnis ist eine Plattform, die durch die Modellierung die physische IoT-Umgebungen widerspiegelt und anschließend ihr Deployment ermöglicht.
Open Access
Prediction of failures of IoT devices by using machine learning
(2021) Imeri, Amil
In the era of the Internet of Things (IoT), everyday objects are equipped with sensors and actuators. They are also referred to as IoT devices that collect data and perform actions by communicating with each other. The resource-constrained IoT devices may be put under significant stress or external influences that may lead to their failures. In IoT environments where safety is a critical requirement, the failures need to be prevented before they can cause any harm. By implementing Predictive Maintenance (PdM) with Machine Learning (ML), different methods can be applied to predict the failures and provide enough time for maintenance. IoT devices collect data that can be used to train the ML algorithms to recognize the failure patterns of individual devices. This thesis presents the Failure Prediction Platform (FPP), a platform that enables simple integration and management of ML models trained for failure prediction of IoT devices. Furthermore, different ML algorithms are compared regarding their failure prediction performance and their training and prediction speed. Based on the evaluation results, the tree-based algorithms showed the best performance in predicting failures, while the linear classifiers had the worst results. Finally, a prototype of the FPP is implemented and presented by using Long Short-Term Memory (LSTM) as an online learning approach to make time series predictions.