Development of the industrial Internet concept dictates the need for identification and improvement of approaches, models, and methods for analyzing the state of the Internet of Things. Implementation of modern industrial, social, and household systems is impossible without the use of artificial intelligence methods in the machine-to-machine communication of individual elements, automatic data collection, analysis, and storage. The paper presents an approach to identifying the state of devices based on the application of classification technology, which implements compositions of independently trained algorithms processing time series, reflecting the functioning of elements during the implementation of processes. The application of the proposed solution allows parallel processing of information received from the device, which enables scaling. The developed approach was tested on time series sequences, obtained experimentally in different operating conditions, and processed by a sequence of classifiers. The paper presents the results of the probability estimate of erroneously classified states. The main advantages of the proposed solution are relatively small requirements to computational resources, simplicity of implementation, and the ability to scale by adding new classification algorithms.

Развитие концепции промышленного Интернета обусловливает необходимость поиска и совершенствования подходов, моделей и методов анализа состояния элементов Интернета Вещей. Реализация современных индустриальных, промышленных, социальных и бытовых систем невозможна без применения методов искусственного интеллекта межмашинного обмена отдельных элементов, автоматического сбора, анализа, хранения данных. В статье представлен подход к идентификации состояния устройств, основанный на использовании технологии классификации, реализующей композиции независимо обученных алгоритмов, обрабатывающих временные ряды, отражающих функционирование элементов во время выполнения процессов. Применение предлагаемого решения позволяет осуществлять параллельную обработку поступающей от устройства информации, что дает возможность масштабирования. Разработанный подход протестирован на последовательностях временных рядов, полученных экспериментальным путем в различных условиях функционирования, обработанных последовательностью классификаторов. Приведены результаты оценки вероятности ошибочно классифицированных состояний. Основными достоинствами предложенного решения являются относительно небольшие требования к вычислительным ресурсам, простота реализации, возможности по масштабированию путем добавления новых классифицирующих алгоритмов.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Computing, Telecommunications and Control = Информатика, телекоммуникации и управление. — Санкт-Петербург: СПбПУ, 2020-. Vol. 13, № 3, 2020. — 1 файл (5,96 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j21-2.pdf>.