ErrOut- Detekcja anomalii z czujników w szklarni

Projekt Pracy Magisterskiej - Detekcja anomalii z czujników
Opiekun pracy dr inż. Marcin Witkowski

Mariusz Sałaj
Uniwersytet Adama Mickiewicza

Czym jest outlier i dlaczego stanowi zagrożenie?

Outlier - punkt danych znacznie odbiegający od pozostałych obserwacji
W sensorach czujników plantacji: błędne odczyty mogą prowadzić do złych decyzji
Ryzyko: niewłaściwe nawodnienie, nieoptymalne warunki klimatyczne, strata plonów
Konieczność automatycznego wykrywania i filtrowania anomalii

Czujniki tracą dokładność z czasem

Wpływ urządzeń elektronicznych w pobliżu

Odkształcenia, korozja lub zatykanie czujników

Nagłe zmiany temperatury, wilgotności, oświetlenia

Metody progowe (Static Threshold) Nie adaptują się do zmiennych warunków, generują fałszywe alarmy

Średnia krocząca (Moving Average) Opóźniona detekcja, nieskuteczna dla anomalii o zmiennym charakterze

Analiza statystyczna Wymaga wcześniejszego profilu danych, trudna w praktyce

Szybka detekcja, niezależna od rozkładu danych

Nauczenie się normalnych wzorców, detekcja odchyleń

Analiza szeregów czasowych, zrozumienie sekwencji czasowych

✓ Adaptacyjne uczenie się z nowych danych

✓ Obsługa złożonych, nieliniowych wzorców

✓ Detekcja w czasie rzeczywistym

✓ Zmniejszenie fałszywych alarmów

Nagłe wskazanie wysokiej temperatury (45°C) w nocy na czujniku

Alarm, interwencja człowieka, brak wnioskowania

Analiza kontekstu czasowego, pozostałe czujniki normalne, brak prognozowanego skoku

AI klasyfikuje jako błąd czujnika (nie rzeczywistą anomalię)
Bez fałszywych alarmów: większa zdolność do szybkiego reagowania na rzeczywiste problemy
Poprawa dancyh do przyszłych analiz np. Cyfrowego bliźniaka