Methodology of adaptive data processing in IоT monitoring systems with multilevel sensor data filtering and self-tuning

Скорочена інформація про документ
dc.contributor.authorHaidai, Anatolii
dc.contributor.authorKlymenko, Iryna
dc.date.accessioned2026-02-09T09:20:12Z
dc.date.available2026-02-09T09:20:12Z
dc.date.issued2025
dc.description.abstractThe study focuses on the processes of collecting and preprocessing heterogeneous sensor data. The aim of the research is to develop a method of adaptive filtering and automatic trigger adjustment that ensures stable operation of IoT monitoring systems in the presence of noise, impulse outliers, and seasonal fluctuations. A methodology for adaptive data processing is proposed, combining multi-level data filtering with automatic self-adjustment of control thresholds in monitoring systems. This approach not only improves the accuracy of real-time sensor measurements but also dynamically adapts the monitoring system parameters to changing operating conditions, thereby minimizing the number of false incidents. Within the study, a model of multi-level filtering was formalized, based on a median filter, a moving-average filter, and an exponential smoothing method. The use of a multi-level filter provides comprehensive data cleansing, stabilization of time series, and extraction of key trends. A mechanism for automatic adjustment of control thresholds in the Zabbix monitoring system was developed, where threshold values are determined based on statistical parameters and trends identified at the multi-level filtering stage. This mechanism integrates into the subsequent data-processing pipeline, ensuring that the system automatically accounts for daily, seasonal, and other fluctuations of the dynamic data-collection environment. Experimental studies involving various types of sensors confirmed improved measurement accuracy and a significant reduction in false alerts in the monitoring system. In particular, humidity-measurement accuracy improved by an average of 6.52%, while impulse temperature spikes were reduced by 53.06%. Compared to traditional approaches, the proposed methodology provides higher noise resilience and adaptability to changing environmental conditions, making it an effective solution for industrial, environmental, and other real-time IoT systems.
dc.description.abstractotherДослiдження зосереджено на процесах збирання та попередньої обробки гетерогенних сенсорних даних.Метою дослiдження є розробка методу адаптивної фiльтрацiї та автоматичного налаштування тригерiв, якiзабезпечують стабiльне функцiонування монiторингових IoT-систем за наявностi шумiв, iмпульсних викидiв тасезонних коливань.Запропоновано методику адаптивної обробки даних, що поєднує багаторiвневу фiльтрацiю даних завтоматичним самоналаштуванням порогiв контролю у системах монiторингу. Такий пiдхiд дозволяє не лишепiдвищити точнiсть сенсорних вимiрювань у реальному часi, а й динамiчно адаптувати параметримонiторингової системи вiдповiдно до змiн умов експлуатацiї, мiнiмiзуючи кiлькiсть хибних iнцидентiв.У межах дослiдження формалiзовано модель багаторiвневої фiльтрацiї, що базується на медiанному фiльтрi,фiльтрi ковзного середнього та методi експоненцiального згладжування. Використання багаторiвневогофiльтру забезпечує комплексне очищення даних, стабiлiзацiю часових рядiв та визначення ключових трендiв.Розроблено механiзм автоматичного налаштування порогiв контролю у монiторинговiй системiZabbix, умежах якого пороговi значення визначаються на основi статистичних параметрiв та трендiв, видiлених на етапiбагаторiвневої фiльтрацiї вимiрювань. Механiзм iнтегрується в наступний етап обробки даних в монiторинговiйсистемi, в результатi чого система автоматично враховує добовi, сезоннi та iншi коливання динамiчногосередовища збирання даних.Експериментальнi дослiдження iз рiзними типами сенсорiв пiдтвердили пiдвищення точностi вимiрювань iзначне зменшення кiлькостi хибних сповiщень в монiторинговiй системi. Зокрема, точнiсть вимiрюваньвологостi в середньому покращено на 6,52%, а iмпульснi стрибки температури знижено на 53,06%. Порiвняно зтрадицiйними пiдходами, запропонована методика забезпечує вищу стiйкiсть до шумiв та адаптивнiсть узмiнних умовах середовища, що робить її ефективним рiшенням для промислових, екологiчних та iншихIoT-систем реального часу.
dc.format.pagerangeP. 110-126
dc.identifier.citationHaidai, A. Methodology of adaptive data processing in IоT monitoring systems with multilevel sensor data filtering and self-tuning / Anatolii Haidai, Iryna Klymenko // Information, Computing and Intelligent systems. – 2025. – No. 7. – P. 110-126. – Bibliogr.: 10 ref.
dc.identifier.doihttps://doi.org/10.20535/2786-8729.7.2025.341409
dc.identifier.orcid0000-0001-9330-414X
dc.identifier.orcid0000-0001-5345-8806
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78690
dc.language.isoen
dc.publisherNational Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
dc.publisher.placeKyiv
dc.relation.ispartofInformation, Computing and Intelligent systems, No. 7, 2025
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectIoT
dc.subjectsensor measurements
dc.subjectadaptive control thresholds
dc.subjectself-adjustment
dc.subjectmonitoring
dc.subjectZabbix
dc.subjectseasonal adaptation
dc.subjectсенсорнi вимiрювання
dc.subjectадаптивнi пороги контролю
dc.subjectсамоналаштування
dc.subjectмонiторинг
dc.subjectсезонна адаптацiя.
dc.subject.udc004.9, 004.75
dc.titleMethodology of adaptive data processing in IоT monitoring systems with multilevel sensor data filtering and self-tuning
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
110-126.pdf
Розмір:
2.62 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Information, Computing and Intelligent systems, No. 7