Characterization of a smart inclinometer sensor through a developed hybrid doe/machine learning approach

Abstract

Sensores inteligentes agrupam vários módulos electrônicos e de software em um único dispositivo. Tal viabilidade possibilita que diferentes configurações de comunicações e rotina de medições possam ser realizadas de forma dinâmica e sem necessidade de fios, e através da mesma abordagem o desempenho da medição pode ser avaliado. Se a rotina de medição de um dispositivo puder ser modificada, e tais modificações conduzirem a diferentes qualidades de medição, pode- se avaliar como a alteração dos parâmetros da rotina de medição afeta o desempenho das medições através da técnica de Projeto de experimentos (DOE). No entanto, a abordagem mencionada apenas produz uma intuição de como poderia ser o desempenho do sensor em estudo para situações não observadas e diferentes combinações de parâmetros, uma vez que a técnica apenas reconhece os padrões de um fenômeno. A fim de afirmar uma decisão de como um fenômeno reagirá ao ser submetido à uma situação ou combinação de parâmetros ainda não observada, técnicas de aprendizado de máquina podem ser utilizadas para, com base em padrões anteriormente observados pela metodologia DOE, prever a resposta do fenômeno em estudo para qualquer situação, se forem fornecidos dados suficientes. Neste trabalho, um sensor inteligente inclinômetro com cinco parâmetros configuráveis de rotina de medição é totalmente caracterizado através de uma abordagem híbrida, desenvolvida pelo autor, que complementa as análises DOE com algoritmos de aprendizado de máquina. Um experimento fatorial completo consiste a caracterização elaborada pela abordagem DOE, e subsequentemente os algoritmos de aprendizado de máquina baseiam-se no conhecimento anteriormente adquirido para prever a qualidade do desempenho das medições para qualquer combinação de parâmetros que se encontre dentro de um intervalo fechado de valores de parâmetros, a saber um volume delimitado de parâmetros. As previsões realizadas são verificadas com desempenhos reais, e a precisão da caracterização completa atingida é considerada satisfatória.

Smart sensors cluster several electronic and software modules into a single device. Such feasibility leverages that different configurations of communication and routine of measurements might be dynamically and wireless carried out, and through the same approach the measurement’s performance might be assessed. If a device’s routine of measurement can be modified, and such modifications lead to a different quality of measurement, one may assess how the changing of the routine’s parameters affects the measurements’ performance through the technique of Design of Experiments. However, the mentioned approach just yields an intuition of how could be the performance of the phenomenon under study for unobserved situations and combinations of parameters, since the technique just recognize the patterns of a phenomenon. In order to state a decision of how a phenomenon will react when facing an yet unobserved situation or combination of parameters, machine learning can be employed to, relying on former patterns remarked by the DOE methodology, predict the phenomenon’s response for any situation, if provided enough data. In this work a smart inclinometer sensor with five configurable measurement routine’s parameters is fully characterised through an hybrid approach, developed by the author, that complements the DOE analyses with machine learning algorithms. A full factorial design consists the characterization achieved by the DOE, and subsequently the machine learning algorithms rely on the former knowledge acquired to predict the quality of the measurements’ performance for any combination of parameters that is found inside a closed interval of parameters’ values, namely a delimited volume of parameters. The predictions accomplished are attested with real performances, and the accuracy of the full characterization achieved is considered satisfactory.