Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-11787
Authors: Imeri, Amil
Title: Prediction of failures of IoT devices by using machine learning
Issue Date: 2021
metadata.ubs.publikation.typ: Abschlussarbeit (Master)
metadata.ubs.publikation.seiten: 75
URI: http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-118046
http://elib.uni-stuttgart.de/handle/11682/11804
http://dx.doi.org/10.18419/opus-11787
Abstract: 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.
Im Zeitalter des Internets der Dinge (IoT) werden Alltagsgegenstände mit Sensoren und Aktuatoren ausgestattet. Sie werden auch als IoT-Geräte bezeichnet, die Daten sammeln und Aktionen ausführen, indem sie miteinander kommunizieren. Die ressourcenbeschränkten IoT-Geräte können einer erheblichen Belastung oder äußeren Einflüssen ausgesetzt werden, die zu ihrem Ausfall führen können. In IoT-Umgebungen in der Sicherheit eine wichtige Anforderung ist, müssen die Ausfälle verhindert werden bevor sie irgendeinen Schaden anrichten können. Durch die Implementierung von Predictive Maintenance (PdM) mit Maschinelles Lernen (ML) können verschiedene Methoden angewendet werden, um die Ausfälle vorherzusagen und genügend Zeit für die Wartung bereitzustellen. Die IoT-Geräte sammeln Daten, mit denen die ML-Algorithmen trainiert werden können, um die Ausfallmuster der einzelnen Geräte zu erkennen. In dieser Arbeit wird die Failure Prediction Platform (FPP) vorgestellt, die eine einfache Integration und Verwaltung von ML-Modellen, trainiert für die Vorhersage von Ausfällen von IoT-Geräten, ermöglicht. Zusätzlich werden verschiedene ML-Algorithmen hinsichtlich ihrer Leistung bei Ausfallvorhersagen und ihrer Geschwindigkeit beim Trainieren und Vorhersagen verglichen. Basierend auf den Bewertungsergebnissen, zeigten die baumbasierten Algorithmen die beste und lineare Klassifikatoren die schlimmste Leistung bei der Vorhersage von Ausfällen. Schließlich wird ein Prototyp der FPP implementiert und bei der Verwendung von Long Short-Term Memory (LSTM) vorgestellt. LSTM wurde als ML-Modell integriert, das online lernt und Zeitreihenvorhersagen macht.
Appears in Collections:05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Files in This Item:
File Description SizeFormat 
Masters_thesis_Amil_Imeri.pdf1,44 MBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.