دانلود ترجمه مقاله پایش وضعیت ترانسفورماتور توزیع بر اساس هوش لبه برای اینترنت اشیا

1. مقدمه 2. معماری هوش لبه 3. اثبات مفهوم و نتایج آزمایش 4. نتیجه گیری و کار آینده

چکیده - اتخاذ IoT در کاربردهای صنعتی منجر گشت تا حجم عظیمی از داده ها مورد پردازش قرار گیرند. با استفاده از رایانش لبه ای و معماری سیستم مبتنی بر عامل، می توان تصمیمات خودمختار را با داده های محلی در دسترس و بدون تکیه به ابر اتخاذ کرد. جنبه مهمی که باید در هنگام طراحی سیستم های لبه ای هوشمند مورد توجه قرار گیرد، معماری است که باعث می شود هوش محلی و تجزیه و تحلیل های واقعی انجام شود. این مقاله یک رویکرد معماری ارائه می نماید که جنبه های کلیدی رایانش لبه ای و عوامل هوشمند را ترکیب می نماید و نتایج آزمایش را با استفاده از اثبات مفهوم (PoC) در پایش وضعیت ترانسفورماتورهای توزیع در یک محیط صنعتی ارائه می نماید. مقدمه: با وجود ابتکارات صنعت 4.0 و دیجیتالی سازی جهان صنعتی، دارایی ها به طور فزاینده ای به حسگرهای داخلی یا مقاوم سازی مجهز شده اند تا با پارامترهای متنوع در برنامه های کاربردی برقرار کنند و KPI ها را فراتر از وضعیت و وضعیت عملیاتی ساده محاسبه کنند. در طی چند سال گذشته، با ارجحیت غلبه بر نگرانی های امنیتی، ابر در یک لایه اجتناب ناپذیر از معماری اینترنت اشیاء در صنعت (IIoT) ظهور یافته است (به عنوان مثال، مایند اسپیر (Mindsphere)، پردیکس (Predix)). بسیاری از برنامه های تحلیلی صنعتی مبتنی بر ابر با موفقیت بر روی چنین پلتفرم هایی راه اندازی شده اند. بطور همزمان، دستگاه های قدرتمند صنعتی لبه (به عنوان مثال مایند کانکت(MindConnect)، Dell PC 5000) به بازار راه یافته اند. با این حال، در بیشتر سناریوها، نقش دستگاه لبه فقط محدود به کار کردن به عنوان یک سیستم دستیابی به اطلاعات می باشد. طبق شواهد موجود در ادبیات مربوط به این زمینه [1] [2] [3] [7] [9]، رایانش مه/لبه یک سری ویژگی اضافی، از جمله محرمانه بودن داده ها، قابلیت اطمینان، عملکرد و در دسترس بودن از طریق رایانش لبه را به اکوسیستمIIoT ارائه می دهد. بنابراین مشکل پردازش داده ها را می توان در چندین سطح تقسیم کرد (شکل 1) و این کار به انتقال داده به بخش خادم کمک می کند [3] [9]. با این حال، ارائه هوش مصنوعی (AI) در لبه چالش های منحصر به خود از قبیل در دسترس پذیری منابع، مسائل مربوطه به شبکه، نگرانی های مربوطه به بهینه محلی و امنیتی را به همراه دارد.

Adoption of IoT in industrial applications results in huge volumes of data to be processed. By leveraging edge computing and agent based system architecture, autonomous decisions can be made at edge with locally available data without relying on the cloud. An important aspect to consider while designing smart edge systems is the architecture that enables local intelligence and real-time analytics. This paper proposes an architectural approach that combines the key aspects of edge computing and intelligent agents and presents experiment results using a Proof of Concept (PoC) on condition monitoring of distribution transformers in an industrial setting. INTRODUCTION: With Industry 4.0 and digitalization initiatives sweeping the industrial world, assets are increasingly equipped with in-built or retrofit sensors to communicate a variety of parameters to applications that calculate KPIs beyond simple operating conditions and status. Over the past few years, overriding the security apprehensions, cloud has emerged to be an inevitable layer of the Industrial Internet of Things (IIoT) architecture (e.g. Mindsphere, Predix. Many cloud based industrial analytics applications are successfully launched on such platforms. As a parallel emergence, powerful industrial edge devices (e.g. MindConnect, Dell PC 5000) have made their way to the market. However, in most scenarios, the role of an edge device is restricted to work as a data acquisition system only. As evident in the existing literature in this field [1][2][3][7][9], edge/fog computing offers additional features to the IIoT ecosystem, including data privacy, reliability, performance and availability via edge computing. The problem of processing the data thus can be divided across multiple levels (Fig. 1.), which helps relieve the load off the backend [3][9]. However, bringing Artificial Intelligence (AI) to the edge has its own challenges such as resource availability, network issues, local optima and security concerns.