Performance Analysis of IoT-Based Sensor, Big Data Processing, and Machine Learning Model for Real-Time Monitoring System in Automotive Manufacturing

تحليل أداء مستشعر قائم على إنترنت الأشياء، ومعالجة البيانات الضخمة، ونموذج التعلم الآلي لنظام مراقبة في الوقت الفعلي في تصنيع السيارات

Clicks: 347
ID: 115182
2018
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #481 of 1,694 articles by views in sensors

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 1,694 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
With the increase in the amount of data captured during the manufacturing process, monitoring systems are becoming important factors in decision making for management. Current technologies such as Internet of Things (IoT)-based sensors can be considered a solution to provide efficient monitoring of the manufacturing process. In this study, a real-time monitoring system that utilizes IoT-based sensors, big data processing, and a hybrid prediction model is proposed. Firstly, an IoT-based sensor that collects temperature, humidity, accelerometer, and gyroscope data was developed. The characteristics of IoT-generated sensor data from the manufacturing process are: real-time, large amounts, and unstructured type. The proposed big data processing platform utilizes Apache Kafka as a message queue, Apache Storm as a real-time processing engine and MongoDB to store the sensor data from the manufacturing process. Secondly, for the proposed hybrid prediction model, Density-Based Spatial Clustering of Applications with Noise (DBSCAN)-based outlier detection and Random Forest classification were used to remove outlier sensor data and provide fault detection during the manufacturing process, respectively. The proposed model was evaluated and tested at an automotive manufacturing assembly line in Korea. The results showed that IoT-based sensors and the proposed big data processing system are sufficiently efficient to monitor the manufacturing process. Furthermore, the proposed hybrid prediction model has better fault prediction accuracy than other models given the sensor data as input. The proposed system is expected to support management by improving decision-making and will help prevent unexpected losses caused by faults during the manufacturing process.
مع تزايد حجم البيانات التي يتم جمعها أثناء عملية التصنيع، باتت أنظمة المراقبة عنصراً حاسماً في اتخاذ القرارات الإدارية. ويمكن اعتبار التقنيات الحالية، مثل أجهزة الاستشعار القائمة على إنترنت الأشياء (IoT)، حلاً لتوفير مراقبة فعالة لعملية التصنيع. تقترح هذه الدراسة نظام مراقبة في الوقت الفعلي يعتمد على أجهزة استشعار قائمة على إنترنت الأشياء، ومعالجة البيانات الضخمة، ونموذج تنبؤ هجين. أولاً، تم تطوير جهاز استشعار قائم على إنترنت الأشياء يجمع بيانات درجة الحرارة، والرطوبة، ومقياس التسارع، والجيروسكوب. وتتميز بيانات أجهزة الاستشعار المتولدة عن إنترنت الأشياء في عملية التصنيع بأنها: فورية، وذات أحجام ضخمة، وغير مهيكلة. وتستخدم منصة معالجة البيانات الضخمة المقترحة أداة Apache Kafka كطابور انتظار للرسائل، وApache Storm كمحرك معالجة في الوقت الفعلي، وMongoDB لتخزين بيانات أجهزة الاستشعار الناتجة عن عملية التصنيع. ثانياً، وفيما يتعلق بنموذج التنبؤ الهجين المقترح، تم استخدام خوارزمية اكتشاف القيم الشاذة القائمة على التجميع المكاني للتطبيقات ذات الضوضاء المعتمد على الكثافة (DBSCAN) وخوارزمية تصنيف الغابة العشوائية (Random Forest) لإزالة بيانات الاستشعار الشاذة والكشف عن الأعطال أثناء عملية التصنيع، على التوالي. وقد تم تقييم النموذج المقترح واختباره في خط تجميع لتصنيع السيارات في كوريا. وأظهرت النتائج أن أجهزة الاستشعار القائمة على إنترنت الأشياء ونظام معالجة البيانات الضخمة المقترح يتمتعان بكفاءة كافية لمراقبة عملية التصنيع. علاوة على ذلك، يتمتع نموذج التنبؤ الهجين المقترح بدقة تنبؤ بالأعطال تتفوق على النماذج الأخرى بالاعتماد على بيانات أجهزة الاستشعار كمدخلات. ومن المتوقع أن يدعم النظام المقترح الإدارة عبر تحسين عملية اتخاذ القرار، فضلاً عن المساهمة في منع الخسائر غير المتوقعة الناجمة عن الأعطال أثناء عملية التصنيع.
Reference Key
syafrudin2018sensorsperformance Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Muhammad Syafrudin, Ganjar Alfian, Norma Latif Fitriyani, Jongtae Rhee, Muhammad Syafrudin, Ganjar Alfian, Norma Latif Fitriyani, Jongtae Rhee
Are you one of these authors? Claim your profile
Journal sensors
Year 2018
DOI
10.3390/s18092946
URL
https://www.mdpi.com/1424-8220/18/9/2946
Keywords
random forest monitoring system fault detection iot-based sensor big data processing dbscan

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.