ETD

• Cellular IoT
• Condition Monitoring
• Edge Computing
• IIoT

The thesis investigates condition monitoring of industrial machinery using IoT devices connected through a cellular network, focusing on the choice between on-device inference, performed locally, and remote inference. Using a physical experimental platform, different observation lengths are compared according to three main aspects: classification accuracy, edge-node energy consumption, and information freshness, measured through Age of Information (AoI).
The experiments use vibration signals from the Paderborn dataset for bearing condition diagnosis and a neural network deployed both on a Raspberry Pi and a remote PC. The measurements show that the advantages of local or remote inference depend on the amount of data processed and the cellular network conditions: a configuration that reduces energy consumption may result in a lower update frequency or less recent information.

La tesi analizza il monitoraggio delle condizioni di macchinari industriali tramite dispositivi IoT connessi a rete cellulare, concentrandosi sulla scelta tra inferenza locale, eseguita sul dispositivo, e inferenza remota. Attraverso una piattaforma sperimentale reale, vengono confrontate diverse lunghezze delle osservazioni considerando tre aspetti principali: accuratezza della classificazione, consumo energetico del nodo e freschezza dell’informazione, misurata tramite Age of Information (AoI).
Gli esperimenti utilizzano segnali di vibrazione del dataset Paderborn per la diagnosi dello stato dei cuscinetti e una rete neurale eseguita sia su Raspberry Pi sia su PC remoto. Le misure mostrano che il vantaggio dell’inferenza locale o remota dipende dalla quantità di dati elaborati e dalle condizioni della connessione cellulare: una configurazione che riduce il consumo energetico può comportare una minore frequenza degli aggiornamenti o informazioni meno recenti.