Модель інтелектуального аналізу даних в IIoT

Abstract

В роботі подано огляд методів інтелектуальної обробки даних у системах промислового Інтернету речей. Наведено порівняння методів аналізу великих даних у промислових системах зі значним навантаженням. Запропоновано використовувати для опрацювання даних методи розподіленого машинного навчання. Розроблено програмну модель для аналізу даних різних обсягів. Проаналізовано основні підходи до організації машинного навчання: федеративне і нерозподілене навчання. Експериментально доведено ефективність використання федеративного машинного навчання, оскільки воно забезпечує вищу точність оброблення даних, навіть у разі збільшення їх обсягів. Визначено, що нерозподілене машинне навчання працює швидше, отже, може використовуватися в системах, пріоритетом для яких є менший час обробки даних. Такий підхід відкриває можливості створення адаптивної моделі системи промислового Інтернету речей, що здатна самонавчатися та коригувати власну інфраструктуру залежно від зміни параметрів.

An overview of intelligent data processing methods in the systems of the Industrial Internet of Things is presented in this paper. A comparison of Big Data analysis methods in industrial systems with a significant load is provided. The methods of distributed machine learning for data processing are offered. A software model for data analysis of different volumes is developed in the work. The analysis of the basic approaches to the organization of machine learning is carried out: federal and undistributed. The effectiveness of the use of federal machine learning was experimentally proven, as it provides higher accuracy of data processing, even when increasing their volume. It is determined that unallocated machine learning works faster, so it can be used in systems where fast data processing is a priority. This approach opens up the possibility of creating an adaptive model of the Industrial Internet of Things system that can self-learn and adjust itsinfrastructure depending on changing parameters.