Resumo: As aplicações de internet das coisas continuamente monitoram dados ambientais através de leitura dos sensores, empregando algoritmos de aprendizado de máquina para realizar tarefas como previsão de série temporal, estimação de leitura do sensor e detecção de falhas. Entretanto, os sensores são suscetíveis a falhas nos componentes, condições ambientais adversas e injeção maliciosa de falhas, resultando em leituras ruidosas e falhas, for exemplo bias, drift, outlier e omissão. As leituras inacuradas podem conduzir a consequências desastrosas dependendo da criticidade da aplicação. Este trabalho objetiva alcançar qualidade dos dados e desempenho da inferência em aplicações de monitoramento por estratégias de aprendizado de máquina para mitigar falhas dos sensores e ruídos. Nós focamos em dois aspectos distintos: melhora da qualidade do sensor para séries temporais e alcançando qualidade da inferência para aplicações de monitoramento estrutural. As aplicações de séries temporais incluem monitoramento climático e consumo de eletricidade, monitorando condições climáticas e uso doméstico em várias localizações. As séries temporais de aplicações de monitoramento requerem algoritmos de aprendizado de máquina para discernir tendências e sazonalidade. Monitoramento de saúde estrutural, um tipo específico de aplicação, alcança resiliência das estruturas, como torres, pontes, construções, barragens e turbinas eólicas contra falhas. Nós focamos em particular estudo de caso de monitoramento do sistema de transmissão de energia elétrica. O sistema compreende em torres estaiadas formada por único mastro em formato "V" e quatro cabos ancorados no chão para suporte da fundação. Afrouxamento dos cabos e deslocamento da estrutura pode comprometer o sistema de transmissão devido a fatores ambientais ou roubos. Detecção precoce de falhas é crucial para manutenção preventiva e evitar incidentes catastróficos. Tecnologias recentes de sensoriamento monitoram parâmetros estruturais, por exemplo, tensão dos cabos e sinais de vibração, ultilizando algoritmos de aprendizado de máquina para identificar falhas e estimar parâmetros da torre. Esta pesquisa contribui para melhorar a qualidade dos dados dos sensores em aplicações de monitoramento geral e alcançar qualidade da inferência do monitoramento de torres estaiadas através de estratégias de redução de dimensionalidade e explicabilidade. Resultados experimentais demonstram a efetividade das estratégias envolvendo fusão de dados, seleção de características e algoritmos de aprendizado de máquina, alcançando razoável desempenho na inferência da aplicação de monitoramento. Seleção de características com métricas de explicabilidade exibe robustez contra características ruidosas, aproximando o desempenho de cenários sem ruído Ver menos

Abstract: Internet of Things (IoT) applications continually monitor environmental data through sensor readings, employing machine learning algorithms for tasks such as time series forecasting, sensor reading estimation, and fault detection. However, sensors are susceptible to component failures, adverse environmental conditions, and malicious fault injection, resulting in noisy readings and faults such as bias, drift, outliers, stuck-at, and omissions. Inaccurate readings can lead to catastrophic consequences depending on the application's criticality. This work aims to enhance data quality and inference performance in monitoring applications by introducing strategies based on machine learning to mitigate sensor failures and noise. We focus on two distinct aspects: improving sensor quality for time series data and enhancing inference quality for structural health monitoring applications. Time series applications include monitoring climatic and electricity consumption, tracking weather conditions, and household electricity usage at various locations. Time-series monitoring applications require machine learning algorithms to discern trends and seasonality. Structural Health Monitoring, a specific application type, ensures the resilience of structures such as towers, bridges, buildings, dams, and wind turbines against faults. We focus on a case study for monitoring structures within the power line transmission system. This system comprises guyed towers composing a single mast in a "V" shape and four cables anchored to the ground for foundation support. Cable looseness and structural displacement can jeopardize the transmission system due to environmental factors or theft. Early fault detection is crucial for preventive maintenance and to avoid catastrophic incidents. Recent sensing technologies monitor structural parameters, such as cable tension and vibration signals, utilizing machine learning algorithms to identify faults and estimate tower parameters. This research contributes to improving sensor data quality in general monitoring applications and enhancing the inference quality of guyed tower monitoring through strategies such as reducing dimensionality and explicability. Experimental results demonstrate the effectiveness of strategies involving data fusion, feature selection, and machine learning algorithms, achieving reasonable performance in monitoring application inference. Feature selection with explicability metrics exhibits robustness against noisy features, approaching the performance of noiseless scenarios Ver menos