Ин таҳқиқот равиши гибридии ошкорсозии аномалия бо номи CNN-LSTM-POT-ро таҳия мекунад, ки ҳадафаш муайян кардани маълумоти хато ё ғайриоддии аз сенсорҳои муҳити зист, аз қабили ҳарорат, намӣ, шиддати рӯшноӣ ва CO2 дар гармхонаҳои интеллектуалӣ пеш аз расидани онҳо ба абр, дар gateway-и гармхона мебошад. Система бо CNN хусусиятҳои маҳаллиро аз силсилаҳои замонии сенсорҳо ҷудо мекунад, бо LSTM-и дуқабата вобастагиҳои замониро модел мекунад ва хатои байни ченаки воқеӣ ва пешгӯиро бо усули Peaks Over Threshold (POT) ба таври динамикӣ арзёбӣ мекунад.

Дар меъмории сахтафзории таҳқиқот маълумоти сенсорҳо дар гиреҳи ҷамъоварии додаҳо бар асоси STM32F103C8T6 гирифта шуда, тавассути Zigbee ба IoT gateway-и бар асоси STM32H743 интиқол дода мешавад, ошкорсозии аномалия дар худи gateway иҷро мегардад ва танҳо додаҳои филтршуда тавассути пайвасти 4G ба платформаи абрӣ фиристода мешаванд. Ҳамин тавр, ҳадаф иҷро кардани ошкорсозии аномалия мустақиман дар дастгоҳи edge-и наздик ба манбаи додаҳо мебошад.

Дар муҳити назоратшавандаи гармхона дар давоми ҳафт рӯз аз чор навъи сенсор дар маҷмӯъ 40.320 нуқтаи дода ҷамъоварӣ шудааст. Ҳар як сенсор 10.080 намуна тавлид кардааст. Шумораи аномалияҳои тасдиқшуда барои шиддати рӯшноӣ 504, барои ҳарорат 412, барои намӣ 379 ва барои CO2 473 буда, дар маҷмӯъ 1768-ро ташкил додааст. Аномалияҳо аз омезиши drift-и табиии сенсор ва дахолатҳои физикии назоратшаванда ба вуҷуд омадаанд; тамғаҳо бо баррасии дастӣ, муқоиса бо сенсорҳои эҳтиётӣ ва истифодаи логҳои рӯйдодҳои муҳити зист тасдиқ шудаанд.

Дар қисми POT-и модел quantile-и пешфарз 0,99 ва параметри аҳамиятнокӣ q=10⁻⁴ таъин шудааст. Дар таҳлили ҳассосияти манбаъ барои quantile 0,99 F1-score %92,2 ва барои q=10⁻³ бошад %92,6 гузориш шудааст. Ин арзишҳо ба ҳассосияти параметрҳои POT тааллуқ доранд ва набояд ҳамчун як натиҷаи умумии F1 барои ҳамаи таҷрибаҳои таҳқиқот тафсир шаванд.

Дар санҷиши edge дар STM32H743 модели CNN-LSTM-POT андозаи модели 224,3 KB, истифодаи хотираи 156,8 KB, истифодаи CPU-и %34,2, inference latency-и 23,6 ms ва масрафи энергияи 4,72 mJ нишон додааст. Гарчанде LSTM захираҳои камтар истифода мебарад, дар натиҷаҳои муқоисавии ошкорсозии таҳқиқоти манбаъ CNN-LSTM-POT аз рӯйи Precision, Recall ва F1 ҳамчун модели қавитарин гузориш шудааст. Аз ин рӯ, даъвои асосии техникии таҳқиқот на «модели аз ҳама зуд», балки якҷо кардани муваффақияти баланди ошкорсозии аномалия бо истифодаи амалишавандаи захираҳо дар микроконтроллер мебошад.

Дар чор сенарияи gateway, anomaly recognition-и гузоришшуда аз ҷониби манбаъ барои як гиреҳ–як сенсор %92, барои як гиреҳ–чанд сенсор %76, барои чанд гиреҳ–як сенсор %86 ва барои чанд гиреҳ–чанд сенсор %70 мебошад. Паст шудани иҷроиш дар сенарияи мураккабтарин бо он шарҳ дода мешавад, ки аномалияҳои бисёртағйирёбанда метавонанд ба тағйироти муқаррарии муҳити зист монанд бошанд ва ҷудокунии онҳо дар фазои хусусиятҳои андозаи баланд душвортар гардад.

Шарҳ аз нигоҳи Туркия: Таҳқиқот дар гармхонаҳои тиҷоратӣ ё амалкунандаи Туркия гузаронида нашудааст. Бо вуҷуди ин, мониторинги сенсорҳои муҳити зист бар асоси Zigbee/4G, edge gateway ва равиши филтркунии аномалия метавонад аз ҷиҳати консептуалӣ ба барномаҳои гармхонаҳои интеллектуалии Туркия мутобиқ карда шавад. Аммо барои истифодаи воқеӣ омӯзиши дубора ва тасдиқи саҳроӣ бо назардошти иқлими маҳаллии гармхона, навъи сенсорҳо, таркиби зироат, андозаи гармхона, сифати алоқаи бесим, тақсимоти табиии тағйирёбандаҳои муҳити зист ва арзиши огоҳии бардурӯғ лозим аст. Нишондодҳои %70–%92-и шинохти gateway дар таҳқиқотро наметавон ҳамчун иҷроиши воқеии гармхонаҳои Туркия қабул кард.

Чаро аномалия дар гармхонаи интеллектуалӣ муҳим аст?

Дар идоракунии автоматии гармхона қарорҳои назоратӣ ба маълумоти аз сенсорҳо омада вобастаанд. Агар сенсори ҳарорат ба таври хато болоравии ногаҳонӣ нишон диҳад, сенсори намӣ drift кунад ё бинобар вайроншавии алоқа дар додаҳо ҷаҳиш ба вуҷуд ояд, ин метавонад ба қарорҳои нодурусти вентилятсия, обёрӣ ё танзими иқлим оварда расонад.

Нуқтаи оғози таҳқиқот ин аст, ки гарчанде системаҳои анъанавии мониторинги гармхона дар ҷамъоварии додаҳо муваффақанд, механизмҳое, ки эътимоднокии маълумоти сенсорро дар вақти воқеӣ арзёбӣ мекунанд, дар ҳар система мавҷуд нестанд.

Таҳқиқот ба ҷойи гузоштани ошкорсозии аномалия дар тарафи абр онро мустақиман ба gateway интиқол медиҳад. Ҳамин тавр, додае, ки хато ҳисобида мешавад, пеш аз фиристодан ба системаи upstream метавонад филтр карда шавад.

Меъмории система чӣ гуна кор мекунад?

Чаро CNN ва LSTM якҷо истифода мешаванд?

Модел ду навъи гуногуни масъаларо дар қабатҳои ҷудогона ҳал мекунад. CNN-и якандоза барои ҷудо кардани сохтори кӯтоҳмуддат ва маҳаллии сигнали сенсор дар равзанаи лағжандаи вақт истифода мешавад. Сипас қабатҳои LSTM муносибатҳои дарозмуддати замониро байни мушоҳидаҳои гузашта модел мекунанд.

Додаи хом аввал аз нормализатсияи min–max гузаронида мешавад:

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

Дар ин ҷо \(x_{\min}\) ва \(x_{\max}\) қиматҳои minimum ва maximum дар sliding window-и ҷорӣ мебошанд. Вақте ченакҳои нав аз доираи қаблӣ берун мераванд, параметрҳои нормализатсия мувофиқи равзанаи ҷорӣ аз нав ҳисоб карда мешаванд.

Дар қабати конволютсионӣ модел:

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

муносибатро истифода мекунад. \(X\) пайдарпаии вурудӣ, \(W\) kernel-и конволютсионӣ, \(b\) қимати bias ва \(Z\) пайдарпаии хусусиятҳои сатҳи баландеро, ки CNN тавлид кардааст, ифода мекунад.

Ин хусусиятҳо ба ду қабати пайдарпайи LSTM интиқол дода мешаванд:

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

ва:

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

Пешгӯии ниҳоӣ аз hidden state-и қабати дуюми LSTM тавассути табдили хаттӣ ҳосил мешавад:

\[ y=Vh_{n2} \]

Оё аномалия мустақиман аз ҷониби модел тасниф мешавад?

Не. Вазифаи асосии CNN-LSTM пешгӯии арзиши навбатӣ ё интизории сенсор мебошад. Фарқи байни арзиши воқеии сенсор ва пешгӯӣ баъдан ҳамчун anomaly score истифода мешавад.

Дар Algorithm 1 хатои пешгӯӣ:

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

бо ҳамин шакл ҳисоб мешавад. \(N\) қимати охирини хато дар sliding window нигоҳ дошта мешавад ва қисми POT думи тақсимоти ин хатоҳо, яъне қисми экстремалии онро модел мекунад.

Чаро POT аз остонаи собит фарқ мекунад?

Anomaly threshold-и собит метавонад бо тағйир ёфтани шароити гармхона мутобиқати худро аз даст диҳад. Давраи рӯз–шаб, вентилятсия, обёрӣ ё шароити обу ҳаво метавонанд тақсимоти муқаррарии маълумоти сенсорро тағйир диҳанд.

Усули Peaks Over Threshold ба қиматҳои экстремалии хатоҳои пешгӯӣ, ки аз остонаи ибтидоии муайян мегузаранд, Generalized Pareto Distribution (GPD)-ро мутобиқ мекунад. Нишондоди истифодашуда барои GPD дар манбаъ:

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

ба ҳамин шакл аст. Дар ин ҷо \(m\) остонаи ибтидоӣ, \(\gamma\) параметри shape ва \(\beta\) параметри scale мебошад.

Остонаи динамикии аномалия дар таҳқиқот чунин дода шудааст:

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

бо ин ифода дода мешавад. \(q\) таносуби интизории аномалия, \(N\) андозаи sliding window ва \(G\) шумораи хатоҳоест, ки аз остонаи ибтидоӣ гузаштаанд.

Параметрҳои POT натиҷаро то чӣ андоза тағйир медиҳанд?

Таҳлили ҳассосияти quantile threshold нишон медиҳад, ки интихоби остона ба таври аз ҳад паст ё аз ҳад баланд метавонад F1-score-ро коҳиш диҳад. Дар манбаъ баландтарин натиҷаи ҳассосияти quantile дар сатҳи 0,99 ба %92,2 баробар аст.

Вақте quantile то 0,999 зиёд мешавад, F1-score то %84,8 коҳиш меёбад. Ин натиҷа нишон медиҳад, ки танҳо бо «ба нуқтаи экстремалитар бурдани остона» anomaly detection-и беҳтар ба даст намеояд.

Натиҷа барои significance level q чӣ гуна аст?

Муҳаққиқон барои муҳитҳои устувори гармхона quantile 0,995 ва q=5×10⁻⁵; барои муҳитҳои динамикитар quantile 0,98–0,99 ва q=10⁻³; барои муҳитҳои номаълум ё омехта ҳамчун оғози кор quantile 0,99 ва q=10⁻⁴-ро тавсия медиҳанд.

Ин тавсияҳо ба таҳлили ҳассосияти худи таҳқиқоти манбаъ асос ёфтаанд ва набояд ҳамчун параметрҳои универсалии оптималӣ барои ҳамаи навъҳои гармхона қабул карда шаванд.

Чаро андозаи sliding window муҳим аст?

Равзанаи хурдтар метавонад бо мутобиқшавии тезтар ба тақсимоти нав таъхири anomaly detection-ро кам кунад, аммо бинобар камтар будани маълумоти таърихӣ баҳодиҳии threshold метавонад ба садо ҳассостар шавад. Равзанаи калонтар бошад, модели омории устувортар месозад, вале мутобиқшавӣ ба baseline-и навро суст карда метавонад.

Таҳқиқот ин trade-off-ро аз ҷиҳати назариявӣ шарҳ медиҳад, аммо барои қиматҳои гуногуни \(N\) ҷадвали алоҳидаи рақамии benchmark пешниҳод намекунад. Аз ин рӯ, аз рӯйи манбаъ дарозии муайяни оптималии sliding-window-ро баровардан мумкин нест.

Модел чӣ гуна омӯзонида шудааст?

• Шумораи филтрҳои 1D CNN: 32
• Андозаи kernel: (3, 1)
• Қабатҳои LSTM: 2
• Функсияи фаъолсозии LSTM: tanh
• Dropout: 0,2
• Optimizer: Adam
• Learning rate-и ибтидоӣ: 0,001
• Loss: Mean Squared Error
• Batch size: 64
• Training epoch: 30
• Тақсимоти додаҳо: %70 training, %15 validation, %15 test

Истифодаи тақсимоти хронологӣ барои коҳиш додани ихроҷи маълумот аз ояндаи силсилаи замонӣ ба гузашта равона шудааст.

Оё муқоисаи baseline одилона анҷом дода шудааст?

Ҳамаи моделҳои LSTM, BeatGAN ва THOC бо ҳамон тақсимоти training, validation ва test арзёбӣ шудаанд. Hyperparameter-ҳои baseline бо grid search тавре интихоб шудаанд, ки validation F1-score-ро ба ҳадди аксар расонанд.

Дар моделҳои error-асос, ба монанди LSTM ва BeatGAN, аз тақсимоти validation error quantile threshold сохта шудааст; арзиши one-class margin-и THOC дар validation set танзим шудааст. Ин равиш кӯшиши муҳаққиқон барои то ҳадди имкон ба як мантиқи монанд наздик кардани остонаҳои муқоиса мебошад.

Муқоисаи оморӣ чиро нишон медиҳад?

Ҳар як модел бо random seed-ҳои гуногун 10 маротиба иҷро шуда, F1-score-и CNN-LSTM-POT бо моделҳои baseline тавассути paired t-test муқоиса шудааст.

Манбаъ ин натиҷаҳоро ҳамчун фарқҳои аз ҷиҳати оморӣ аҳамиятнок ба фоидаи CNN-LSTM-POT тафсир мекунад. Бо вуҷуди ин, доираи ин санҷишҳо бо ҳамон dataset ва ҳамон тарҳи таҷриба маҳдуд аст.

Графики loss-ро чӣ гуна бояд хонд?

Матни тавзеҳии таҳқиқот мегӯяд, ки каҷҳои training ва validation loss тақрибан аз 0,225 оғоз шуда, дар атрофи 0,025 наздик шудаанд. Аммо тасвири Шакл 6 дар манбаъ бо ин тавсиф пурра мувофиқат намекунад.

Дар график training loss тақрибан аз сатҳи 0,225 оғоз шуда то тақрибан 0,06 поён меравад, дар ҳоле ки validation loss тақрибан аз 0,07 оғоз шуда ба диапазони тақрибан 0,025–0,03 мерасад. Гарчанде ҳар ду каҷ дар ҷараёни омӯзиш тамоюли коҳишро нишон медиҳанд, онҳо ба назар намерасанд, ки аз як нуқтаи оғоз то як қимати ниҳоӣ ҳамгаро шаванд.

Аз ин рӯ, мумкин аст шарҳи манбаъро дар бораи “no signs of overfitting” интиқол дод, аммо аз рӯйи график набояд хулоса кард, ки ду каҷи loss ба як қимат наздик шудаанд.

Модел барои дастгоҳи edge чӣ гуна хурд карда шудааст?

Азбаски иқтидори RAM-и STM32H743 маҳдуд аст, ду оптимизатсия истифода шудааст.

Magnitude-based pruning: Пас аз анҷоми омӯзиш пайвастҳое, ки қимати мутлақи вазнашон аз 0,01 кам буд, ба сифр табдил дода шуда, ҳангоми inference гузаронида шуданд. Сохтори Sparse дар формати Compressed Row Storage нигоҳ дошта шуда, баъдан модел fine-tune шудааст.

Memory pooling ва static allocation: Эҳтиёҷоти Layer input/output ва buffer-ҳои миёнарав пешакӣ ҳисоб шуда, як memory pool-и собит ҷудо шудааст, ҷудокунии динамикии хотира ҳангоми inference кам карда шудааст ва дар ҳолатҳои имконпазир фазои хотираи layer-и қаблӣ дубора истифода шудааст.

Истифодаи захираҳо дар STM32H743 чӣ гуна аст?

Ин ҷадвал фарқи муҳимро нишон медиҳад: CNN-LSTM-POT аз ҷиҳати масрафи захираҳо модели каммасрафтарин нест. LSTM ҳам хурдтар аст, ҳам хотира ва энергияро камтар истифода мебарад ва ҳам inference-и тезтар дорад. Сабаби истифодаи CNN-LSTM-POT дар таҳқиқот он аст, ки дар баробари ин хароҷоти иловагии ҳисоббарорӣ performance-и баландтари anomaly detection пешниҳод мекунад.

Оё маълумоти воқеии гармхона истифода шудааст?

Таҳқиқот муҳити таҷрибавии худро ҳамчун controlled greenhouse simulation environment тавсиф мекунад. Гарчанде дар давоми ҳафт рӯз аз модулҳои воқеии сенсор ченакҳои муҳити зист ҷамъоварӣ шудаанд, арзёбӣ тадқиқоти дарозмуддати саҳроӣ дар гармхонаи амалкунандаи тиҷоратӣ нест.

Тақсимоти 40.320 намунаи сенсор чунин аст:

Чӣ гуна тасдиқ шуд, ки аномалияҳо воқеан аномалия мебошанд?

Таҳқиқот аз се усули гуногуни тасдиқи ground-truth истифода кардааст.

1. Тасдиқи дастӣ: Сигналҳои сенсор ҳамроҳ бо timestamp ва логҳои муҳити зист аз ҷониби мутахассисон баррасӣ шудаанд.
2. Санҷиши муқоисавӣ бо сенсори эҳтиётӣ: Агар фарқи байни ду сенсори якнавъ аз се инҳирофи стандартӣ зиёд мешуд, рӯйдод иловатан санҷида мешуд.
3. Логҳои системаи идоракунӣ: Тағйироти сенсор бо рӯйдодҳои актуатор, аз қабили вентилятсия, гармкунӣ ва обёрӣ муқоиса шудаанд.

Масалан, тағйироти ҳарорате, ки ҳамзамон бо фаъолшавии вентилятсия рух медиҳад, метавонад муқаррарӣ ҳисоб шавад, дар ҳоле ки ҷаҳиши монанд бе рӯйдоди мувофиқ дар логҳо ҳамчун аномалияи эҳтимолӣ арзёбӣ шудааст.

Дар санҷишҳои gateway кадом сенарияҳо истифода шуданд?

Чор шароити гуногун сохта шудааст:

• Як гиреҳ – аномалияи як сенсор
• Як гиреҳ – аномалияи чанд сенсор
• Чанд гиреҳ – аномалияи як сенсор
• Чанд гиреҳ – аномалияи чанд сенсор

Ҳар таҷриба шаш соат давом карда, фосилаи намунагирӣ се дақиқа таъин шудааст ва манбаъ мегӯяд, ки ҳар сенария 50 маротиба такрор шудааст.

Баландтарин нишондиҳанда %92 дар ҳолати аномалияи ҷудогонаи як сенсор ва пасттарин нишондиҳанда %70 дар шароите ба даст омадааст, ки чанд гиреҳ ва чанд сенсор ҳамзамон вайрон шудаанд.

Муҳаққиқон пастшавии performance-ро бо ду сабаб шарҳ медиҳанд: коррелятсияҳои байни аномалияҳои чандсенсорӣ метавонанд ба тағйироти муқаррарии муҳити зист монанд шаванд ва ҳангоми ҳамзамон арзёбӣ кардани сенсорҳо/гиреҳҳои зиёд feature space-и андозаи баланд ба вуҷуд меояд.

Ҳудуди гузориш: Манбаъ мегӯяд, ки ҳар сенария 50 маротиба такрор шудааст, аммо дар Ҷадвал 7 шумораи умумии намунаҳо 120 дода шудааст. Ғайр аз ин, “Total Anomaly Data Points” дар формулаи Recognition Rate барои ҳар сенария дар ҷадвал нишон дода нашудааст. Аз ин рӯ, ин фоизҳоро мустақилона аз додаҳои хом дубора ҳисоб кардан имкон надорад.

Таҳқиқот чӣ мегӯяд?

• Ҷузъҳои CNN, LSTM ва POT дар як занҷири ягонаи edge anomaly detection якҷо карда шудаанд.
• Dynamic threshold-и бар асоси POT метавонад ба ҷойи остонаи собит мувофиқи тақсимоти ҷории prediction-error тағйир ёбад.
• Модели пешниҳодшуда дар STM32H743 бо inference latency-и 23,6 ms ва истифодаи 156,8 KB RAM иҷро шудааст.
• Дар таҷрибаи манбаъ proposed model дар байни моделҳои муқоисашудаи anomaly detection аз рӯйи Precision, Recall ва F1 performance-и баландтаринро нишон додааст.
• Дар натиҷаҳои paired t-test фарқҳои F1 нисбат ба LSTM, BeatGAN ва THOC аз ҷиҳати оморӣ аҳамиятнок гузориш шудаанд.
• Дар таҷрибаҳои gateway дида шудааст, ки бо зиёд шудани мураккабӣ anomaly recognition метавонад аз %92 то %70 коҳиш ёбад.
• Филтркунии edge дар таҷрибаи манбаъ ҳаҷми додаҳои ба абр фиристодашударо кам кардааст.

Таҳқиқот чӣ намегӯяд ё исбот намекунад?

• Модел дар шароити дарозмуддати гармхонаҳои тиҷоратӣ тасдиқ нашудааст.
• Нишон дода нашудааст, ки барои растаниҳо, иқлимҳо ва навъҳои гуногуни гармхона ҳамон параметрҳои POT оптималӣ мебошанд.
• Модел варианти аз ҳама тез ё каммасрафтарин нест; LSTM аз ҷиҳати истифодаи захираҳо бартарӣ дорад.
• Аз ҷиҳати таҷрибавӣ чен карда нашудааст, ки филтркунии аномалия ҳосилнокии растанӣ ё сифати маҳсулотро мустақиман зиёд мекунад.
• Бо таҷрибаи мустақими назоратӣ исбот нашудааст, ки додаҳои нодурусти сенсор дар системаи воқеии идоракунии closed-loop аз зарар ба растанӣ пешгирӣ карда шудаанд.
• Таҳқиқот рафтори sensor drift ва distribution shift-ро дар давоми моҳҳо ё мавсимҳо санҷида нашудааст.
• Тарзи ҷамъбасти ҷадвали Gateway Recognition Rate барои 50 такрор пурра шарҳ дода нашудааст.
• Ягон маълумот вуҷуд надорад, ки дар системаҳои гармхонаии Туркия ҳамин нишондиҳандаҳои дақиқӣ ба даст меоянд.

Усул ва натиҷаҳои таҳқиқот

Меъмории CNN-LSTM-POT

Танзимоти пешфарзи POT

Тартиби омӯзиш ва арзёбӣ

Қиматҳои интихобшуда аз танзимоти оптималии моделҳои baseline

Натиҷаҳои асосии миқдорӣ

• Баландтарин F1 дар таҳлили ҳассосияти quantile: %92,2, quantile=0,99.
• Баландтарин F1 дар таҳлили ҳассосияти q: %92,6, q=10⁻³.
• CNN-LSTM-POT edge inference latency: 23,6 ms.
• Андозаи модел: 224,3 KB.
• Истифодаи хотираи runtime: 156,8 KB.
• Истифодаи CPU: %34,2.
• Масрафи энергия: 4,72 mJ/inference.
• Маҷмӯи додаҳои сенсор дар ҳафт рӯз: 40.320 нуқта.
• Шумораи anomaly-и тасдиқшуда дар манбаъ: 1768.
• Диапазони Recognition Rate-и гузоришшуда дар сенарияҳои gateway: %70–%92.

Натиҷаи муҳимтарин

Натиҷаи қавитарини техникии таҳқиқот он аст, ки сохтори CNN-LSTM-POT, ки дақиқии баланди anomaly-detection-ро ҳадаф мегирад, бе ниёз ба компютери мизи корӣ ё сервери абрӣ дар gateway-и синфи STM32H743 иҷро шудааст. Аммо ин бартарӣ арзиши захиравӣ дорад: LSTM танҳо хурдтар, тезтар ва каммасрафтар аст. Аз ин рӯ, системаи пешниҳодшуда на «модели аз ҳама сабук», балки ҳамчун созиш байни anomaly detection-и қавитар ва хароҷоти қобили қабули edge арзёбӣ карда мешавад.

Ёддошт оид ба манбаъ ва усул

Номи пурраи аслии таҳқиқот: CNN-LSTM-POT-Based Anomaly Detection for Smart Greenhouse Sensor Data: A Real-Time Edge Deployment Approach

Муаллифон ва тартиби онҳо: Jun Shu; Dengke Yang.

Муаллифи масъул: Dengke Yang.

Саҳми баробар/муаллифи якуми баробар: Дар манбаъ зикр нашудааст.

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

Маҷалла: Future Internet

Ношир: MDPI, Basel, Switzerland

Ҷилд / шумора / мақола: 18 / 4 / 205

Санаи дарёфт: 1 Март 2026

Санаи бозбинӣ: 5 Апрел 2026

Санаи пазируфтан: 8 Апрел 2026

Санаи нашр: 13 Апрел 2026

DOI: 10.3390/fi18040205

Пайванди расмии нашр:https://doi.org/10.3390/fi18040205

Навъи манбаъ: Мақолаи таҳқиқотии ҳамтоарзёбишуда; ҷамъоварии маълумоти сенсор дар муҳити симулятсионии назоратшавандаи гармхона, anomaly detection бар асоси омӯзиши амиқ ва арзёбии deployment дар микроконтроллери воқеии edge.

Ҳолати ҳамтоарзёбӣ: Таҳқиқот дар маҷаллаи ҳамтоарзёбишуда нашр шудааст.

Литсензия: Creative Commons Attribution (CC BY).

Маблағгузорӣ: Таҳқиқот маблағгузории беруна нагирифтааст.

Дастрасии додаҳо: Манбаъ мегӯяд, ки додаҳои хоми дастгиркунандаи натиҷаҳо аз ҷониби муаллифон бо дархост пешниҳод мешаванд.

Бархӯрди манфиатҳо: Муаллифон изҳор доштаанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Саҳми муаллифон: Тибқи изҳороти манбаъ, консептуализатсия Dengke Yang; методология Jun Shu ва Dengke Yang; нармафзор, тасдиқ ва таҳқиқ Jun Shu; тарҳи аслӣ Jun Shu; бозбинӣ/таҳрир Jun Shu; визуализатсия Jun Shu ва Dengke Yang; supervision Dengke Yang анҷом додаанд.

Ташаккур: Манбаъ ба Yuanhua Quan барои саҳм дар раванди review/editing-и мақола ва supervision-и таҳқиқот изҳори сипос мекунад. Yuanhua Quan дар рӯйхати муаллифони таҳқиқот нест.

Муҳити таҷриба: Таҳқиқот, ба гуфтаи муаллифон, дар controlled greenhouse simulation environment гузаронида шудааст. Аз ин рӯ, онро набояд ҳамчун тасдиқи дарозмуддати амалии саҳроӣ дар гармхонаи воқеии тиҷоратӣ арзёбӣ кард.

Ёддошти гузоришдиҳии дохили манбаъ 1: Матне, ки Шакл 6-ро шарҳ медиҳад, мегӯяд, ки training ва validation loss тақрибан аз 0,225 оғоз шуда, ба тақрибан 0,025 наздик мешаванд. Аммо дар тасвири шакл validation loss дар ибтидо тақрибан 0,07 аст ва training loss тақрибан дар сатҳи 0,06 анҷом меёбад. Ин номувофиқии матн–график дар матни Verianla хомӯшона ислоҳ нашудааст.

Ёддошти гузоришдиҳии дохили манбаъ 2: Бахш 5.4 мегӯяд, ки ҳар сенарияи таҷриба 50 маротиба такрор шудааст, аммо дар Ҷадвал 7 барои ҳар сенария “Total Data Points” ба 120 баробар дода шудааст. Шаш соат ва sampling interval-и се дақиқа барои як таҷриба ба 120 намуна мувофиқат мекунад; маълум нест, ки ҷадвал 50 такрорро чӣ гуна ҷамъбаст кардааст.

Ёддошти гузоришдиҳии дохили манбаъ 3: Формулаи Recognition Rate тағйирёбандаи “Total Anomaly Data Points”-ро истифода мекунад; аммо Ҷадвал 7 ин қиматро барои ҳар сенария алоҳида намедиҳад. Аз ин рӯ, фоизҳои recognition-и гузоришшударо танҳо аз ду сутуни дигари ҷадвал дубора ҳосил кардан мумкин нест.

Ёддошти истилоҳот: Дар бахшҳои асосии усул anomaly score ҳамчун “prediction residual/error” таъриф мешавад, дар ҳоле ки дар баъзе шарҳҳои POT истилоҳи “reconstruction error” истифода шудааст. Модел системаи reconstruction-и бар асоси autoencoder нест, балки модели пешгӯии CNN-LSTM мебошад; бинобар ин дар шарҳи Verianla истилоҳи «хатои пешгӯӣ/боқимонда» асос гирифта шудааст.

Ҳудуди тафсири performance: Бахши натиҷаҳои манбаъ бартарии proposed model-ро дар real-time throughput ва edge suitability таъкид мекунад. Аммо дар Ҷадвал 5 дида мешавад, ки LSTM бо inference latency-и 15,2 ms, memory-и 102,4 KB ва энергияи 3,04 mJ нисбат ба CNN-LSTM-POT захираҳои камтар истифода мебарад. Аз ин рӯ, бартарии proposed model на танҳо ҳамчун суръати inference, балки ҳамчун тавозун байни detection accuracy ва истифодаи захираҳо тафсир шудааст.

Маҳдудиятҳои асосӣ: Додаҳо танҳо аз муҳити назоратшавандаи гармхона дар давоми ҳафт рӯз гирифта шудаанд. Таҳқиқот барои distribution shift-и мавсимии дарозмуддат, навъҳои гуногуни зироат, фаъолияти гармхонаҳои тиҷоратӣ, паркҳои калони сенсор ё сахтафзорҳои гуногуни gateway тасдиқ нашудааст. Дар мураккабтарин сенарияи чанд гиреҳ–чанд сенсор recognition rate то %70 коҳиш меёбад. Параметрҳои POT ва sliding-window бояд мувофиқи муҳити истифода аз нав танзим шаванд.

Усули илмӣ, параметрҳои модел, қиматҳои таҷрибавӣ, ченакҳои performance ва маҳдудиятҳои ин шарҳи Verianla ба таҳқиқоти баррасишуда асос ёфтаанд. Тасдиқи беруна танҳо барои санҷиши шахсияти библиографии нашр, маҷалла ва ҳолати ҳамтоарзёбӣ истифода шудааст; аз манбаъҳои беруна натиҷаи нави таҷриба ё қимати performance илова нашудааст.