Бул изилдөө, акылдуу күнөсканаларда температура, нымдуулук, жарык интенсивдүүлүгү жана CO2 сыяктуу экологиялык сенсорлордон келген ката же адаттан тыш маалыматтарыn, булутка жеткенге чейин мурун күнөскана gateway'i үстүндө аныкталышын максат кылган CNN-LSTM-POT аттуу гибрид бир аномалия аныктоо ыкмасы иштеп чыгат. Система, CNN менен сенсор zaman катарларындагы жергиликтүү өзгөчөлүктөрдү чыгарат, эки катмарлуу LSTM менен убакыттык көз карандылыктарды моделдейт жана реалдуу өлчөө менен болжол арасындагы катаны Peaks Over Threshold (POT) ыкмасы менен динамикалык катары баалайт.

Изилдөөнүн аппараттык архитектурасында сенсор маалыматтары STM32F103C8T6 негизиндеги маалымат топтоо түйүнүндө алынат, Zigbee аркылуу STM32H743 негизиндеги IoT gateway'e өткөрүлөт, аномалияны аныктоо gateway үстүндө жасалат жана гана фильтрленген маалыматтар 4G байланышы аркылуу булут платформасыna жөнөтүлөт. Ошентип аномалияны аныктооnin түздөн-түз маалымат булагына жакын бир edge түзмөкında ишке ашырылышы көздөлөт.

Kontrollü күнөскана чөйрөсүnda жети gün boyunca төрт сенсор türünden жалпы 40.320 маалымат чекити toplanmıştır. Ар бир сенсор 10.080 örnek üretmiştir. Doğrulanmış аномалия sayıları жарык интенсивдүүлүгү үчүн 504, температура үчүн 412, нымдуулук үчүн 379 жана CO2 үчүн 473 olmak üzere жалпы 1768'dir. Anomaliler doğal сенсор drift'i менен kontrollü fiziksel müdahalelerin birleşiminden oluşmuş; etiketler manuel inceleme, yedek сенсорлорle салыштыруу жана экологиялык olay logları колдонуу менен ырасталган.

Modelin POT bölümünde varsayılan quantile мааниси 0,99 жана anlamlılık parametresi q=10⁻⁴ катары belirlenmiştir. Булак duyarlılık analizinde quantile 0,99 үчүн F1-score %92,2; q=10⁻³ үчүн болсо %92,6 катары raporlanmaktadır. Бул маанилер POT parametre duyarlılığına aittir жана изилдөөнүн бүткүл deneylerinin бир гана genel F1 sonucu катары жоромолlanmamalıdır.

STM32H743 üzerindeki edge testinde CNN-LSTM-POT modeli 224,3 KB модель көлөмү, 156,8 KB эс тутум колдонулушу, %34,2 CPU колдонулушу, 23,6 ms inference latency жана 4,72 mJ энергия керектөө көрсөткөн. LSTM daha düşük ресурс керектөөne sahip olsa да булак изилдөөнүн салыштырма аныктоо жыйынтыктарında CNN-LSTM-POT Precision, Recall жана F1 açısından en güçlü model катары маалымдалган. Ошондуктан изилдөөнүн негизги teknik iddiası “en hızlı model” olmaktan өтө, yüksek аномалия аныктоо ийгиликsını mikrodenetleyici үстүндө uygulanabilir ресурс керектөөyle birleştirmesidir.

Төрт gateway senaryosunda булак tarafından bildirilen anomaly recognition катыштары бир түйүн–бир сенсор үчүн %92, бир түйүн–çoklu сенсор үчүн %76, çoklu түйүн–бир сенсор үчүн %86 жана çoklu түйүн–çoklu сенсор үчүн %70'tir. En karmaşık senaryoda performansın düşmesi, өтө değişkenli аномалияларin normal экологиялык değişimlere benzeyebilmesi жана yüksek boyutlu özellik uzayında ayrımın zorlaşmasıyla açıklanmaktadır.

Түркия жагынан жоромол: Изилдөө Türkiye'deki ticari же operasyonel күнөсканаларда реалдууleştirilmemiştir. Ошентсе да Zigbee/4G негизиндеги экологиялык сенсор izleme, edge gateway жана аномалия filtreleme ыкмасы Türkiye'deki акылдуу күнөскана колдонмоlarına kavramsal катары uyarlanabilir. Бирок реалдуу колдонуу үчүн жергиликтүү күнөскана iklimi, сенсор türleri, ürün deseni, күнөскана көлөмү, kablosuz haberleşme kalitesi, экологиялык değişkenlerin doğal dağılımı жана туура эмес alarm maliyeti үстүндө yeniden eğitim жана saha ырастооsı gerekir. Изилдөөdaki %70–%92 gateway tanıma катыштары Türkiye'deki реалдуу күнөскана performansı катары kabul edilemez.

Akıllı күнөсканада аномалия neden öнымдуулукli?

Otomatik күнөскана yönetiminde kontrol kararları сенсорлордон келген маалыматтарe bağlıdır. Бир температура сенсорünün ката түрдө ani yükseliş göstermesi, нымдуулук сенсорünün drift yapması же iletişim bozukluğu nedeniyle veride sıçrama oluşması; havalandırma, sulama же iklimlendirme kararlarının туура эмес verilmesine yol açabilir.

Изилдөөnın çıkış noktası, келгенeksel күнөскана izleme системаларinin veriyi топтооkta ийгиликтүү olmasına rağmen сенсор verisinin ишенимдүүliğini реалдуу убакыттагы катары мааниlendiren mekanizmaların ар бир системада bulunmamasıdır.

Изилдөө, аномалияны аныктооni булут tarafına bırakmak ордуна түздөн-түз gateway'e taşımaktadır. Ошентип ката болгону düşünülen маалымат upstream системаe gönderilmeden мурун filtrelenebilir.

Система архитектурасы кантип иштейт?

Neden CNN менен LSTM birlikte kullanılıyor?

Model эки ар түрдүү problem türünü ayrı катмарlarda ele almaktadır. Бир boyutlu CNN, kayar zaman penceresinde сенсор sinyalinin kısa ölçekli жана жергиликтүү yapısını çıkarmak үчүн колдонулат. Ardından LSTM катмарları geçmiş gözlemler arasındaki daha uzun süreli убакыттык ilişkileri modellemektedir.

Ham маалымат мурун min–max normalizasyonundan geçirilir:

\[ x'= \frac{x-x_{\min}} {x_{\max}-x_{\min}} \]

Бул жерде \(x_{\min}\) жана \(x_{\max}\), учурдагы sliding window içindeki minimum жана maksimum маанилерdir. Жаңы өлчөөler мурунки aralığın dışına çıktığında normalizasyon parametreleri güncel pencereye ылайык yeniden hesaplanmaktadır.

Konvolüsyon катмарыnda model:

\[ Z = ReLU(W \otimes X+b) \]

ilişkisini kullanmaktadır. \(X\) giriş катарыni, \(W\) konvolüsyon kernel'ini, \(b\) bias маанисиni жана \(Z\) CNN tarafından түзүлгөн yüksek seviyeli özellik катарыni temsil eder.

Бул özellikler эки ardжарык LSTM катмарыna өткөрүлөтdır:

\[ h_{n1}=f(h_{n-1},z_n) \]

жана:

\[ h_{n2}=f(h_{(n-1)2},h_{n1}) \]

Son болжол ikinci LSTM катмарыnın hidden state'inden doğrusal dönüşümle üretilir:

\[ y=Vh_{n2} \]

Anomali түздөн-түз model tarafından mı sınıflandırılıyor?

Hayır. CNN-LSTM'nin негизги görevi бир кийинки же beklenen сенсор маанисиni болжол etmektir. Gerçek сенсор мааниси менен болжол арасындагы айырма кийинчерээк аномалия skoru катары колдонулат.

Algorithm 1'да болжол катасы:

\[ e_t= \left\|x_t-\hat{x}_t\right\|^2 \]

түрүндө hesaplanmaktadır. Son \(N\) ката мааниси sliding window içinde сакталат жана POT bölümü бул ката dağılımının uç kısmını modellemektedir.

POT neden sabit eşikten ар түрдүү?

Sabit бир anomaly threshold, күнөскана шарттары değiştikçe ылайыктууluğunu kaybedebilir. Gündüz–gece çevrimi, havalandırma, sulama же hava шарттары сенсор verisinin normal dağılımını değiştirebilir.

Peaks Over Threshold ыкмаi, болжол каталарının белгилүү бир başlangıç eşiğini aşan uç маанилериne Generalized Pareto Distribution (GPD) uydurmaktadır. Булакта GPD үчүн колдонулган gösterim:

\[ F(s) = P(S-m>s\mid m

түрүндө. Бул жерде \(m\) başlangıç eşiği, \(\gamma\) shape parametresi жана \(\beta\) scale parametresidir.

Dinamik аномалия eşiği болсо изилдөөда:

\[ w \simeq m+ \frac{\hat{\beta}}{\hat{\gamma}} \left[ \left( \frac{qN}{G} \right)^{-\hat{\gamma}} -1 \right] \]

ifadesiyle verilmektedir. \(q\) beklenen аномалия катышı, \(N\) sliding window boyutu жана \(G\), başlangıç eşiğini aşan ката саныdır.

POT parametreleri sonucu ne kadar değiştiriyor?

Quantile threshold duyarlılık analizi, eşiğin aşırı düşük же aşırı yüksek seçilmesinin F1-score'u düşürebildiğini көрсөтөт. Булакта en yüksek quantile duyarlılık sonucu 0,99 seviyesinde %92,2'dir.

Quantile 0,999'a çıkarıldığında F1-score %84,8'e gerilemektedir. Бул жыйынтык, гана “eşiği daha uç noktaya taşımak” менен daha iyi anomaly detection elde edilemeyeceğini көрсөтөт.

Significance level q үчүн жыйынтык ne?

Изилдөөчүлөр kararlı күнөскана orтолукları үчүн quantile 0,995 жана q=5×10⁻⁵; daha динамикалык orтолукlar үчүн quantile 0,98–0,99 жана q=10⁻³; bilinmeyen же karma orтолукlarda başlangıç үчүн quantile 0,99 жана q=10⁻⁴ сунуштайт.

Бул öneriler булак изилдөөнүн kendi duyarlılık analizine dayanmaktadır жана бүткүл күнөскана tipleri үчүн evrensel optimum parametreler катары görülmemelidir.

Sliding window көлөмү neden öнымдуулукli?

Daha кичинекей pencere, жаңы dağılıma daha hızlı uyum sağlayarak anomaly detection кечигүүsini azaltabilir; ancak daha аз tarihsel маалымат nedeniyle threshold болжолу gürültüye daha ачык hale gelebilir. Büyük pencere болсо daha kararlı istatistiksel model üretirken жаңы бир baseline'a uyumu yavaşlatabilir.

Изилдөө бул trade-off'u teorik катары açıklamakla birlikte ар түрдүү \(N\) маанилери үчүн ayrı сандык benchmark таблицаsu vermemektedir. Демек булак аркылуу белгилүү бир optimum sliding-window uzunluğu çıkarılamaz.

Модель кантип окутулду?

• 1D CNN filtre саны: 32
• Kernel boyutu: (3, 1)
• LSTM катмары: 2
• LSTM aktivasyonu: tanh
• Dropout: 0,2
• Optimizer: Adam
• Başlangıç learning rate: 0,001
• Loss: Mean Squared Error
• Batch size: 64
• Training epoch: 30
• Veri ayrımı: %70 training, %15 validation, %15 test

Kronolojik ayrım kullanılması zaman serisinin geleceğinden geçmişe маалымат sızıntısını azaltmayı максат кылат.

Baseline салыштырууsı adil yapılmış mı?

LSTM, BeatGAN жана THOC моделдейтinin толукamı ошол эле training, validation жана test ayrımlarında бааланган. Baseline hyperparameter'ları grid search менен validation F1-score'u maksimize edecek түрдө seçilmiştir.

LSTM жана BeatGAN сыяктуу error негизиндеги моделдейтда validation error dağılımından quantile threshold түзүлгөн; THOC'un one-class margin мааниси validation setinde ayarlanmıştır. Бул ыкма изилдөөчүлөрın салыштыруу eşiklerini mümkün olduğunca benzer баалоо mantığına yaklaştırma girişimidir.

İstatistiksel салыштыруу ne көрсөтөт?

Ар бир model ар түрдүү random seed'lerle 10 жолу çalıştırılmış жана CNN-LSTM-POT'un F1-score'u baseline моделдейтle paired t-test колдонуу менен салыштырылган.

Булак бул жыйынтыктарı CNN-LSTM-POT lehine istatistiksel катары anlamlı айырмаlar түрүндө жоромолlamaktadır. Ошентсе да бул testlerin камтуусу ошол эле маалымат seti жана ошол эле deney düzeniyle sınırlıdır.

Loss grafiği nasıl okunmalı?

Изилдөөнүн açıklama metni training жана validation loss eğrilerinin yaklaşık 0,225'ten başlayıp yaklaşık 0,025 civarında жакынsadığını ifade etmektedir. Бирок булак Сүрөт 6 görseli бул anlatımla толук uyuşmamaktadır.

Grafikte training loss yaklaşık 0,225 seviyesinden başlayıp yaklaşık 0,06'ya inerken validation loss yaklaşık 0,07'den başlayıp yaklaşık 0,025–0,03 bandına inmektedir. Eğriler eğitim boyunca birlikte azalma eğilimi gösterse да ошол эле başlangıç жана ошол эле son маани чөйрөsinde birleşiyor сыяктуу görünmemektedir.

Ошондуктан kaynağın “no signs of overfitting” жоромолunu aktarmak mümkündür; fakat график аркылуу эки loss eğrisinin ошол эле мааниe жакынsadığı sonucu çıkarılmamalıdır.

Edge түзмөк үчүн model nasıl küçültülmüş?

STM32H743'ün RAM kapasitesi sınırlı olduğundan эки optimizasyon колдонулган.

Magnitude-based pruning: Eğitim толукamlandıktan кийин mutlak ağırlık мааниси 0,01'in астында kalan bağlantılar sıfırlanmış жана inference sırasında atlanmıştır. Sparse yapı Compressed Row Storage түрүндө tutulmuş жана ardından model fine-tune edilmiştir.

Memory pooling жана static allocation: Layer input/output жана ara buffer ihtiyaçları мурунden hesaplanarak бир гана sabit memory pool ayrılmış, inference sırasında динамикалык эс тутум tahsisi azaltılmış жана mümkün olduğunda мурунки layer'ın эс тутум alanı yeniden колдонулган.

STM32H743 үстүндө ресурс керектөө кандай?

Бул таблица öнымдуулукli бир ayrım ortaya koymaktadır: CNN-LSTM-POT ресурс керектөө bakımından en düşük model değildir. LSTM hem daha кичинекей hem daha аз эс тутум жана enerji tüketen hem да daha hızlı inference yapan modeldir. CNN-LSTM-POT'un изилдөөdaki gerekçesi, бул ek hesaplama maliyetine каршы daha yüksek anomaly detection performansı sağlamasıdır.

Gerçek күнөскана verisi mi kullanıldı?

Изилдөө kendi deney orтолукını controlled greenhouse simulation environment катары tanımlamaktadır. Жети gün boyunca реалдуу сенсор modüllerinden экологиялык өлчөөler toplanmış olsa да баалоо operasyonel ticari бир күнөскана үстүндө uzun döнымдуулук saha изилдөөsı değildir.

Toplam 40.320 сенсор örneğinin dağılımı şöyledir:

Anomalilerin чынында аномалия болгону nasıl ырасталды?

Изилдөө үч ар түрдүү ground-truth ырастоо ыкмаi kullanmıştır.

1. Manuel ырастоо: Sensör sinyalleri timesтолукp жана экологиялык loglarla birlikte uzmanlar tarafından incelenmiştir.
2. Yedek сенсорle çapraz kontrol: Aynı türdeki эки сенсор arasındaki айырма үч standart sapmayı aşarsa olay ayrıca incelenmiştir.
3. Kontrol системасы logları: Havalandırma, ısıtma жана sulama сыяктуу aktüatör olaylarıyla сенсор değişimleri салыштырылган.

Мисалы havalandırma aktivasyonu менен eş zamanlı температура değişimi normal kabul edilebilirken, loglarda karşılığı olmayan benzer бир sıçrama potansiyel аномалия катары бааланган.

Gateway testlerinde hangi senaryolar kullanıldı?

Төрт ар түрдүү koşul түзүлгөн:

• Tek түйүн – бир сенсор anomalisi
• Tek түйүн – çoklu сенсор anomalisi
• Çoklu түйүн – бир сенсор anomalisi
• Çoklu түйүн – çoklu сенсор anomalisi

Ар бир deney алты saat sürmüş, örnekleme aralığı үч dakika катары belirlenmiş жана булак ар бир senaryonun 50 жолу кайраlandığını belirtmiştir.

En yüksek катыш %92 менен бир сенсорlü izole аномалия durumunda, en düşük катыш %70 менен çoklu түйүн жана çoklu сенсорün birlikte bozulduğu koşulda elde edilmiştir.

Изилдөөчүлөр performans düşüşünü эки gerekçeyle açıklamaktadır: Өтө сенсорlü аномалиялар arasındaki korelasyonların normal экологиялык değişimlere benzeyebilmesi жана ошол эле anda өтө сандагы сенсор/түйүн мааниlendirildiğinde пайда болгон daha yüksek boyutlu feature space.

Raporlama sınırı: Булак ар бир senaryonun 50 жолу кайраlandığını söylese да Таблица 7'да жалпы örnek саныnı 120 катары vermektedir. Мындан тышкары Recognition Rate denklemindeki “Total Anomaly Data Points” senaryo bazında таблицада gösterilmemiştir. Ошондуктан катыштарыn чийки маалыматlerden көз карандысыз катары yeniden hesaplanması mümkün değildir.

Изилдөө эмне дейт?

• CNN, LSTM жана POT компонентleri бир гана edge anomaly detection чынжырinde birleştirilebilmiştir.
• POT негизиндеги dynamic threshold sabit eşik ордуна güncel prediction-error dağılımına ылайык değişebilmektedir.
• Сунушталган model STM32H743 үстүндө 23,6 ms inference latency жана 156,8 KB RAM колдонулушуyla çalıştırılmıştır.
• Булак deneyinde proposed model, салыштырылган anomaly detection моделдейтi арасында Precision, Recall жана F1 açısından en yüksek performansı көрсөтөт.
• Paired t-test жыйынтыктарında F1 айырмаları LSTM, BeatGAN жана THOC'a ылайык istatistiksel катары anlamlı маалымдалган.
• Gateway deneylerinde татаалдык arttıkça anomaly recognition катышının %92'den %70'e kadar gerileyebildiği görülmüştür.
• Edge filtreleme, булак deneyinde булутка gönderilen маалымат miktarını azaltmıştır.

Изилдөөнүн söylemediği же далилlamadığı nedir?

• Model uzun döнымдуулукli ticari күнөскана шарттарыnda doğrulanmamıştır.
• Farklı bitkiler, iklimler жана күнөскана tipleri үчүн ошол эле POT parametrelerinin optimum болгону gösterilmemiştir.
• Model en hızlı же en düşük enerjili seçenek değildir; LSTM ресурс керектөөnde daha avantajlıdır.
• Anomali filtrelemenin bitki verimini же ürün kalitesini түздөн-түз artırdığı deneysel катары ölçülmemiştir.
• Туура эмес сенсор verisinin реалдуу kapalı çevrim kontrol системасыnde bitki zararına yol açmasını önlediği түздөн-түз kontrol deneyiyle далилlanmamıştır.
• Изилдөө aylar же sezonlar boyunca sensor drift жана distribution shift davranışını test etmemiştir.
• Gateway Recognition Rate таблицаsunun 50 кайра üzerindeki toplulaştırma biçimi толук açıklanmamıştır.
• Türkiye'deki күнөскана системаларinde ошол эле doğruluk катыштарыnın elde edileceğine dair маалымат bulunmamaktadır.

Изилдөөнүн ыкмасы жана жыйынтыктары

CNN-LSTM-POT архитектурасы

Varsayılan POT ayarları

Eğitim жана баалоо düzeni

Baseline моделдейтin optimum ayarlarından seçilmiş маанилер

Ana nicel табылгалар

• Quantile duyarlılık analizindeki en yüksek F1: %92,2, quantile=0,99.
• q duyarlılık analizindeki en yüksek F1: %92,6, q=10⁻³.
• CNN-LSTM-POT edge inference latency: 23,6 ms.
• Model көлөмү: 224,3 KB.
• Runtime эс тутум колдонулушу: 156,8 KB.
• CPU колдонулушу: %34,2.
• Enerji tüketimi: 4,72 mJ/inference.
• Toplam жети günlük сенсор verisi: 40.320 nokta.
• Булакта ырасталган anomaly саны: 1768.
• Gateway senaryolarında bildirilen Recognition Rate aralığı: %70–%92.

En kritik жыйынтык

Изилдөөнүн en güçlü teknik sonucu, yüksek anomaly-detection doğruluğu көздөгөн CNN-LSTM-POT yapısının masaüstü же булут sunucuya ihtiyaç duymadan STM32H743 sınıfı бир gateway үстүндө çalıştırılabilmiş olmasıdır. Бирок бул avantajın бир булак maliyeti vardır: LSTM бир başına daha кичинекей, daha hızlı жана daha аз enerji tüketmektedir. Сунушталган система бул nedenle “en hafif model” эмес, daha güçlü anomaly detection менен kabul edilebilir edge maliyeti арасында бир uzlaşma катары мааниlendirilmelidir.

Булак жана ыкма жөнүндө эскертүү

Tam оригиналдуу изилдөө adı: CNN-LSTM-POT-Based Anomaly Detection for Smart Greenhouse Sensor Data: A Real-Time Edge Deployment Approach

Авторлор жана sıraları: Jun Shu; Dengke Yang.

Sorumlu yazar: Dengke Yang.

Eş katkı/eş birinci yazar: Булакта belirtilmemiştir.

Kurum: School of Intelligent Manufacturing and Energy Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.

Журнал: Future Internet

Басма: MDPI, Basel, Switzerland

Cilt / sayı / макала: 18 / 4 / 205

Alınma tarihi: 1 Mart 2026

Revizyon tarihi: 5 Nisan 2026

Kabul tarihi: 8 Nisan 2026

Yayın tarihi: 13 Nisan 2026

DOI: 10.3390/fi18040205

Расмий жарыялоо шилтемеси:https://doi.org/10.3390/fi18040205

Булак түрү: Hakemli изилдөө макалаsi; kontrollü күнөскана simülasyon orтолукında сенсор verisi топтоо, derin öğrenme негизиндеги anomaly detection жана реалдуу edge mikrodenetleyici dağıtım баалооsi.

Рецензия статусу: Hakemli журналда yayımlanmış изилдөөdır.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөө dış finansman almamıştır.

Маалымат жеткиликтүүлүгү: Булак, жыйынтыктарı destekleyen ham маалыматтарыn авторлор tarafından talep üzerine sağlanacağını belirtmektedir.

Кызыкчылыктардын кагылышы: Авторлор çıkar çatışması bulunmadığını beyan etmektedir.

Автордук салымдар: Булак beyanına ылайык kavramsallaştırma Dengke Yang; metodoloji Jun Shu жана Dengke Yang; yazılım, ырастоо жана изилдөө Jun Shu; оригиналдуу taslak Jun Shu; gözden geçirme/düzenleme Jun Shu; görselleştirme Jun Shu жана Dengke Yang; аудит Dengke Yang tarafından yürütülmüştür.

Teşekkür: Булак, Yuanhua Quan'a макаланын review/editing süreci жана изилдөө аудитine yaptığı katkılar үчүн teşekkür etmektedir. Yuanhua Quan изилдөө авторлорı арасында listelenmemiştir.

Deney orтолукı: Изилдөө, авторлорın ifadesiyle kontrollü greenhouse simulation environment içinde yürütülmüştür. Ошондуктан изилдөө реалдуу ticari күнөскана үстүндө uzun döнымдуулук operasyonel saha validasyonu катары мааниlendirilmemelidir.

Булак ички raporlama notu 1: Сүрөт 6'yı açıklayan metin training жана validation loss маанилериnin yaklaşık 0,225'ten başlayarak yaklaşık 0,025'e жакынsadığını ifade etmektedir. Сүрөт görselinde болсо validation loss başlangıçta yaklaşık 0,07 civarındadır жана training loss yaklaşık 0,06 seviyesinde sonlanmaktadır. Бул metin–график uyumsuzluğu Verianla metninde sessizce düzeltilmemiştir.

Булак ички raporlama notu 2: Bölüm 5.4 ар бир deney senaryosunun 50 жолу кайраlandığını belirtirken Таблица 7'да ар бир senaryo үчүн “Total Data Points” мааниси 120 катары verilmektedir. Алты saat жана үч dakikalık sampling interval бир гана deney үчүн 120 örneğe karşılık gelir; таблицаnun 50 кайраı nasıl toplulaştırdığı ачык değildir.

Булак ички raporlama notu 3: Recognition Rate formülü “Total Anomaly Data Points” değişkenini kullanmaktadır; ancak Таблица 7 бул мааниси ар бир senaryo үчүн ayrı катары vermemektedir. Ошондуктан bildirilen recognition yüzdeleri гана таблицаdaki башка эки sütundan yeniden üretilememektedir.

Terminoloji notu: Ыкмаin негизги bölümlerinde anomaly score “prediction residual/error” катары tanımlanırken bazı POT açıklamalarında “reconstruction error” terimi колдонулат. Model autoencoder негизиндеги бир reconstruction системасы эмес, CNN-LSTM болжол modelidir; Verianla açıklamasında бул nedenle “болжол катасы/artığı” terimi esas alınmıştır.

Performans жоромол sınırı: Kaynağın жыйынтык bölümü proposed modelin real-time throughput жана edge suitability üstünlüğünü vurgulamaktadır. Buna karşın Таблица 5'te LSTM'nin 15,2 ms inference latency, 102,4 KB memory жана 3,04 mJ enerjiyle CNN-LSTM-POT'tan daha düşük ресурс керектөөne sahip болгону görülmektedir. Ошондуктан proposed modelin avantajı salt inference hızı катары эмес, detection accuracy менен ресурс керектөө arasındaki denge катары жоромолlanmıştır.

Негизги чектөөлөр: Veri гана жети günlük kontrollü күнөскана чөйрөсүndan gelmektedir. Изилдөө uzun döнымдуулук mevsimsel distribution shift, ар түрдүү ürün türleri, ticari күнөскана operasyonları, geniş сенсор filoları же ар түрдүү gateway аппараттыкları үстүндө doğrulanmamıştır. En karmaşık çoklu түйүн–çoklu сенсор senaryosunda recognition rate %70'e düşmektedir. POT жана sliding-window parametreleri колдонмо orтолукına ылайык yeniden ayarlanmak zorundadır.

Бул Verianla açıklamasındaki bilimsel ыкма, model parametreleri, deney маанилери, performans өлчөөлөрү жана чектөөлөр incelenen изилдөөya dayanmaktadır. Dış ырастоо гана bibliyoграфик жарыялоо идентификациясы, журнал жана рецензияланганk durumunun teyidi үчүн kullanılmış; булак тышкарыn жаңы deney sonucu же performans мааниси eklenmemiştir.