Revision: Energy Harvest of Multiple Smart Sensors With Real-Time Fault-Detection

 

1. Smart Grid (Red Inteligente):

   • La asignación de sensores (SA) y la gestión de energía (EM) colaboran para operar la red inteligente bajo restricciones de la dinámica de los electrodomésticos, como los sensores inteligentes, y los requisitos de asignación eficiente de recursos en redes de sensores con recolección de energía inalámbrica.

2. Internet Industrial (Industrial Internet):

   • La asignación de sensores y la gestión de energía guían a múltiples sensores inteligentes para lograr una comunicación sin interrupciones entre dispositivos de Internet distribuidos en diferentes áreas.

3. Transporte Inteligente:

   • Mejora de la eficiencia del tráfico y la seguridad para los ciudadanos y pasajeros mediante la aplicación razonable de SA y EM en participantes del tráfico verde, como vehículos inteligentes, peatones y caminos intersecados.

4. Acuicultura:

   • Los sistemas de acuicultura no tripulados dependen de la SA y EM para operar sensores inteligentes de manera energéticamente suficiente y crear y mantener un entorno adecuado para la vida acuática.

5. Sistemas de sensores inteligentes en general:

• Los sensores inteligentes desempeñan un papel fundamental en diversas aplicaciones del mundo real, como en la captura de parámetros ambientales submarinos para mantener un contenido de oxígeno adecuado para las criaturas acuáticas, con el objetivo de prevenir fallos y agotamiento de energía de los sensores.

problemas

Suministro de energía limitado: El reto de garantizar una recolección de energía eficiente debido a la disponibilidad limitada de energía. La energía recolectada por los sensores puede verse afectada por factores aleatorios como fugas de energía, pérdidas de transmisión, errores de medición y ruido térmico.

Detección de fallos y control del suministro de energía: Una de las dificultades más importantes es determinar la relación entre el suministro de energía y las zonas libres de fallos del sensor. Un control eficaz del suministro de energía es difícil sin conocer la información estructural interna del sensor ni las condiciones operativas externas.

Precisión del modelo del sensor: Obtener un modelo preciso para sensores inteligentes que tenga en cuenta sus circunstancias estructurales y operativas es un reto. Esta dificultad incrementa el coste de modelar con precisión el comportamiento de los sensores, especialmente porque las condiciones pueden cambiar dinámicamente.

Impacto de los fallos del sensor en la eficiencia energética: Cuando un sensor falla, la energía que recolecta no puede utilizarse ni transferirse a otros sensores, lo que provoca una recolección de energía ineficaz (IEH) y desperdicio. Este problema se agrava si los sensores defectuosos continúan consumiendo energía, lo que reduce aún más la eficiencia energética general.

Asignación de energía: Un desafío clave es asignar el suministro energético de forma que se evite el desperdicio de energía debido a sensores defectuosos, con el objetivo de maximizar la cosecha de energía efectiva (EEH). La sobreasignación de energía a sensores defectuosos resulta en desperdicio de energía y una reducción de la eficiencia.

estado del arte

1) los métodos basados en modelos (MBMs) que dependen del modelo matemático preciso de los sensores inteligentes [2], [3], [20], [21], [22], [23]; 2) los métodos basados en datos (DBMs) que dependen de big data para identificar la dinámica del proceso de los sensores inteligentes [15], [16], [24], [25], [26], [27]; 3) los métodos basados en señales (SBMs) que suponen que los sensores inteligentes operan sincrónicamente [28], [29], [30], [31], [32], [33]; y 4) los métodos basados en topología (TBMs) que dependen de la topología de red de alto rendimiento de los sensores inteligentes [34], [35], [36], [37], [38], [39]

Asignación de Sensores (SA): El proceso de distribuir los sensores de manera eficiente en un sistema para asegurar que la recolección de energía y el control de sensores sean óptimos .

Gestión de Energía (EM): La gestión eficiente de la energía en redes de sensores inteligentes, incluyendo la asignación de recursos energéticos de manera eficiente .

Redes de Sensores Inalámbricos (WSN): Redes que utilizan la recolección de energía inalámbrica, como en la gestión de energía en sensores dentro de una red .

Sensores Inteligentes: Sensores diseñados para monitorear y recolectar datos en tiempo real, como en aplicaciones industriales o acuícolas, que dependen de la gestión de energía y la asignación eficiente .

Control de Energía Óptimo: Estrategias y algoritmos para controlar la distribución de la energía recolectada de manera que se maximice el rendimiento de los sensores mientras se evitan fallos .

Modelos Basados en Datos (DBMs): Métodos que utilizan grandes volúmenes de datos para mejorar la eficiencia energética y la detección de fallos en los sensores .

Métodos Basados en Señales (SBMs): Enfoques que emplean la sincronización de señales entre sensores para mejorar la eficiencia de recolección de energía y evitar fallos .

Métodos Basados en Topología (TBMs): La optimización de la topología de red de sensores para mejorar la eficiencia energética y la fiabilidad del sistema .

Sistemas Ciberfísicos (CPS): Integración de sensores inteligentes con sistemas físicos, donde el control y la gestión de la energía juegan un papel crucial para el funcionamiento eficiente .

resultados

Comparación entre simulación y experimentos de campo: Los resultados de los experimentos de campo muestran una mayor variabilidad en comparación con las simulaciones, con menor recolección de energía, mayor tasa de fallos en los sensores y mayor tiempo de convergencia.

Recolección de energía media: El algoritmo propuesto MEHFD mostró una recolección de energía superior en comparación con otros métodos existentes. Los valores de energía recolectada media fueron:

• MEHFD: 7.39 kJ

• MBM: 6.44 kJ

• DBM: 6.24 kJ

• SBM: 5.77 kJ

• TBM: 5.53 kJ El algoritmo MEHFD mejoró la recolección de energía en un 14.7% respecto al MBM y hasta un 33.56% respecto al TBM.

Tasa de fallos de los sensores: La tasa de fallos de los sensores fue más baja con el algoritmo MEHFD:

• MEHFD: 5.43%

• MBM: 6.18%

• DBM: 6.69%

• SBM: 6.96%

• TBM: 7.10% MEHFD redujo la tasa de fallos hasta un 23.51% comparado con el TBM.

Tiempo de convergencia: El algoritmo MEHFD permitió que la recolección de energía llegara más rápido a su máximo:

• MEHFD: 0.49 horas

• MBM: 0.64 horas

• DBM: 0.65 horas

• SBM: 0.67 horas

• TBM: 0.73 horas MEHFD redujo el tiempo de convergencia hasta un 23.51% en comparación con el TBM.