Node-Level Fault Monitoring in WSN using Deep Neural Networks with Real-Time Graph Mapping and Performance Analysis

Resumen Técnico: Monitoreo de Fallas a Nivel de Nodo en WSN mediante Redes Neuronales Profundas con Mapeo de Gráficos en Tiempo Real y Análisis de Rendimiento

Planteamiento del Problema
Las Redes de Sensores Inalámbricos (WSN) son críticas para el monitoreo en tiempo real en sectores como la agricultura, la atención médica y la vigilancia ambiental. Sin embargo, los nodos de sensores desplegados en entornos hostiles e impredecibles son propensos a fallas a nivel de nodo causadas por la degradación del hardware, el desgaste de la batería, errores de software y problemas de comunicación como la pérdida de paquetes. Estas fallas comprometen la integridad de los datos y la confiabilidad de la red. Los métodos tradicionales de detección de fallas, que dependen de umbrales estáticos o sistemas basados en reglas, a menudo no logran adaptarse a los cambios en las líneas base de los sensores o a patrones de datos complejos y no lineales. Además, estos enfoques convencionales frecuentemente generan falsas alarmas o pasan por alto indicadores de falla sutiles, particularmente en redes densas o de gran escala donde los costos computacionales y de comunicación son significativos.

Metodología
Los autores proponen un marco basado en aprendizaje profundo para la detección de fallas y la visualización a nivel de nodo en tiempo real. El sistema está implementado como un portal basado en la web utilizando Python, Streamlit, TensorFlow, Keras, Scikit-learn, Pandas y NumPy. La metodología sigue un flujo de trabajo estructurado:

1. Ingestión y Preprocesamiento de Datos: El sistema acepta conjuntos de datos de sensores en formato CSV que contienen marcas de tiempo, lecturas de sensores, niveles de batería, temperatura ambiente e indicadores binarios de falla. Los datos se mezclan para eliminar efectos seriales, se normalizan mediante el escalado Min-Max para asegurar la uniformidad de las características y se dividen en un conjunto de entrenamiento del 80% y uno de prueba del 20%.
2. Arquitectura del Modelo: Se construyen y entrenan tres modelos de aprendizaje profundo distintos para clasificar los nodos de sensores como "defectuosos" o "normales":
   • Red Neuronal Convolucional (CNN): Diseñada para identificar patrones espaciales en datos estructurados.
   • Red Neuronal Recurrente (RNN): Utilizada para detectar dependencias secuenciales en datos de series temporales.
   • Memoria de Largo Corto Plazo (LSTM): Una variante avanzada de la RNN capaz de aprender patrones de largo plazo y mitigar los problemas de desvanecimiento de gradiente.
     Todos los modelos se compilan con el optimizador Adam y se entrenan utilizando la pérdida de entropía cruzada binaria.
3. Monitoreo y Visualización en Tiempo Real: Tras el entrenamiento, el sistema opera en modo de tiempo real donde los nuevos datos del sensor se normalizan y se introducen en los modelos. La interfaz proporciona:
   • Probabilidades de predicción y niveles de confianza en tiempo real para cada modelo.
   • Actualizaciones dinámicas de las métricas de rendimiento (Precisión, Exactitud, Recall, F1-Score) mediante gráficos de líneas.
   • Actualizaciones continuas de las matrices de confusión.
   • Analítica visual que incluye histogramas, mapas de calor de correlación y gráficos de barras para analizar las relaciones entre características (por ejemplo, la correlación negativa entre la vida útil de la batería y el estado de falla).
   • Un sistema de alarma de audio activado cuando se detecta una falla.

Contribuciones Clave

• Análisis Comparativo de Aprendizaje Profundo: El estudio proporciona una comparación directa de las arquitectes CNN, RNN y LSTM específicamente para la clasificación de fallas en WSN, evaluando su eficacia para distinguir entre comportamientos de sensores normales y defectuosos.
• Interfaz de Mapeo de Gráficos en Tiempo Real: A diferencia de las herramientas de análisis estático, este trabajo integra el aprendizaje profundo con una interfaz web responsiva y amigable al usuario que visualiza dinámicamente el rendimiento del modelo y el estado del nodo. Esto incluye la graficación en tiempo real de métricas y matrices de correlación para ayudar en la toma de decisiones.
• Detección de Fallas Multicaracterística: El marco utiliza un conjunto de características temporales que incluyen temperatura, vida útil de la batería y lecturas de sensores para mejorar la precisión de la detección, yendo más allá de las simples verificaciones basadas en umbrales.

Resultados
Los modelos fueron evaluados utilizando el conjunto de datos de Estado de Nodo de Kaggle. Los hallazgos clave incluyen:

• Métricas de Rendimiento: El modelo RNN demostró el rendimiento general superior, logrando la mayor exactitud (0.9654), precisión (0.9713), recall (0.8597) y F1-score (0.9121), superando tanto a CNN como a LSTM.
• Eficiencia Computacional: El modelo CNN fue el más rápido en términos de tiempo total de predicción (0.7994 s) y tiempo por muestra (0.00008 s). Sin embargo, exhibió un recall menor (0.6676) y un F1-score inferior (0.7792), lo que indica un compromiso entre velocidad y la capacidad de identificar correctamente todos los casos de falla.
• Rendimiento de LSTM: El modelo LSTM mostró una exactitud (0.9552) y un recall competitivos, pero requirió más recursos computacionales, resultando en el tiempo de predicción total más largo (1.3601 s).
• Perspectivas Visuales: Los mapas de calor de correlación confirmaron fuertes correlaciones negativas entre la vida útil de la batería y la ocurrencia de fallas, validando la importancia del monitoreo de la batería. El sistema visualizó con éxito los picos de temperatura y las caídas de voltaje asociados con las condiciones de falla.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto aborda las limitaciones de la detección de fallas tradicional al ofrecer una solución escalable, adaptable y autoadaptativa. Al combinar el aprendizaje profundo con la visualización en tiempo real, el sistema permite la detección temprana de fallas y proporciona a los operadores información clara y accionable sobre la salud de la red. Los autores concluyen que, si bien los tres modelos son viables, la RNN ofrece el compromiso óptimo entre el rendimiento de clasificación y la eficiencia computacional para esta aplicación específica. El estudio enfatiza que la selección del modelo apropiado depende de los requisitos específicos del despliegue de la WSN (por ejemplo, priorizar la velocidad frente a la sensibilidad de detección) y sugiere que los enfoques de ensamble podrían mejorar aún más la detección de fallas en escenarios del mundo real.