Sistema ciberfísico IoT para detecção de anomalias em ambientes internos utilizando autoencoder embarcado e alerta móvel

Loading...
Thumbnail Image

Date

Co-advisor(s)

Committee members

Silva Júnior, Waldir Sabino da
Pinagé, Frederico da Silva

Graduate program

Journal Title

Journal ISSN

Volume Title

Publisher

Access rights

DOI

Resumo (Portuguese)

Esta monografia apresenta o desenvolvimento de um sistema para detecção de anomalias com base em dados de sensores IoT, buscando identificar automaticamente comportamentos atípicos, como princípios de incêndio, em ambientes residenciais ou industriais. O sistema integra sensores para aquisição contínua de temperatura e a concentração de gases inflamáveis, que são posteriormente processados por um modelo Autoencoder responsável por aprender o padrão normal de operação. A arquitetura implementada integra coleta, pré-processamento, inferência e comunicação dos resultados de forma compacta e eficiente, sem a necessidade de infraestrutura computacional pesada. Os principais resultados obtidos incluem valores quantitativos de erro quadrático médio (MSE) dentro dos limites esperados para distinguir condições normais e anômalas, além de bom desempenho do modelo tanto em testes simulados quanto em experimentos reais. O sistema demonstrou capacidade consistente de reconstrução e separação entre padrões normais e desvios significativos. Além disso, o projeto implementa um mecanismo de alerta em tempo real, permitindo que o usuário seja notificado imediatamente por meio de dispositivos conectados. O objetivo central deste trabalho está em apresentar uma solução leve, embarcada e orientada a IoT, capaz de realizar detecção de anomalias em tempo real, com menor custo computacional e maior portabilidade em comparação com abordagens convencionais.

Abstract

This monograph presents the development of a system for anomaly detection based on IoT sensor data, seeking to automatically identify atypical behaviors, such as fire hazards, in residential or industrial environments. The system integrates sensors for continuous acquisition of temperature and flammable gas concentration, which are subsequently processed by an Autoencoder model responsible for learning the normal operating pattern. The implemented architecture integrates collection, preprocessing, inference, and communication of results in a compact and efficient manner, without the need for heavy computational infrastructure. The main results obtained include quantitative mean squared error (MSE) values ​​within the expected limits to distinguish normal and anomalous conditions, as well as good model performance in both simulated tests and real experiments. The system demonstrated consistent capacity for reconstruction and separation between normal patterns and significant deviations. In addition, the project implements a real-time alert mechanism, allowing the user to be notified immediately through connected devices. The central objective of this work is to present a lightweight, embedded, and IoT-oriented solution capable of performing real-time anomaly detection, with lower computational cost and greater portability compared to conventional approaches.

Description

Controlled term

Sustainable Development Goals (SDG)

Citation

Endorsement

Review

Supplemented By

Referenced By

Creative Commons license

Except where otherwise noted, this item's license is described as Acesso Aberto