Opis projektu
Nowy sposób wykrywania awarii w infrastrukturze krytycznej
Infrastruktura krytyczna jest niezbędna do sprawnego funkcjonowania społeczeństwa. Dzięki niej obywatele otrzymują kluczowe produkty i usługi. Awarie infrastruktury krytycznej, np. usterki czy uszkodzenia, mogą być przyczyną ogromnych strat ekonomicznych. To dlatego tak ważne jest ich szybkie wykrywanie. Zespół finansowanego przez UE projektu FAULT-LEARNING zaprojektuje i opracuje silnik diagnostyczny oparty na uczeniu maszynowym do monitorowania i analizowania danych napływających w czasie rzeczywistym z systemów infrastruktury krytycznej. W silniku naukowcy zastosują proces uczenia na bieżąco, co pozwoli im znaleźć rozwiązanie problemu niezrównoważenia klas, stanowiącego duże wyzwanie dla systemów uczenia maszynowego ze względu na to, że awarie nie są zdarzeniami o wysokim stopniu prawdopodobieństwa. W ramach projektu naukowcy stworzą również prototyp urządzenia do diagnostyki awarii czujników, którego skuteczność sprawdzą w środowisku testowym „inteligentnych budynków”. Dzięki temu będą mogli następnie rozpocząć testy w prawdziwych warunkach.
Cel
The aim of the project is to design and develop an online learning-based fault diagnosis engine with adaptation capabilities. This engine will monitor and analyse data arriving in real time from critical infrastructure (CI) systems, to accurately detect a potential fault and effectively isolate and identify its exact location. Modern society relies heavily on the availability and smooth operation of CI systems, such as electrical power systems, water distribution systems and telecommunication networks. In such large-scale, complex engineering systems when a failure occurs due to faults, it can have severe societal, health and economic consequences. The sequential arrival of data in CI systems calls for a fault diagnosis engine with adaptive behaviour to achieve and maintain optimal performance. However, the vast majority of existing work falls short on this requirement. This project will incorporate online learning capabilities to achieve adaptability and will also address class imbalance, a major challenge for learning systems, arising from the fact that faults are low probability events. Online class imbalance learning (OCIL) is an emerging research topic focusing on the combined challenges of online learning and class imbalance. We will shed light on supervised OCIL as very few methods currently deal with this problem and address for the first time the unsupervised and semi-supervised OCIL problems. The proposed algorithms will be evaluated in realistic fault diagnosis datasets from industrial partners and in an advanced Smart Buildings simulator allowing us to run sensor fault scenarios in large-scale multi-zone buildings. Furthermore, a prototype on sensor fault diagnosis will be delivered that will be evaluated on a physical Smart Buildings testbed to enable its efficient testing under realistic conditions. Overall, this novel and interdisciplinary project will provide invaluable insights on incorporating learning capabilities in CI systems fault diagnosis.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- inżynieria i technologiainżynieria elektryczna, inżynieria elektroniczna, inżynieria informatycznainżynieria elektronicznaczujniki
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
Temat(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-WF-01-2018
System finansowania
MSCA-IF-EF-ST - Standard EFKoordynator
1678 Nicosia
Cypr