The use of wireless sensor network for industrial applications has attracted much attention from both academic and industrial sectors. It enables a continuous monitoring, controlling, and analyzing of the industrial processes, and contributes significantly to finding the best performance of operations. Sensors are typically deployed to gather data from the industrial environment and to transmit it periodically to the end user. Since the sensors are resource constrained, effective energy management should include new data collection techniques for an efficient utilization of the sensors. In this paper, we propose adaptive data collection mechanisms that allow each sensor node to adjust its sampling rate to the variation of its environment, while at the same time optimizing its energy consumption. We provide and compare three different data collection techniques. The first one uses the analysis of data variances via statistical tests to adapt the sampling rate, whereas the second one is based on the set-similarity functions, and the third one on the distance functions. Both simulation and real experimentations on telosB motes were performed in order to evaluate the performance of our techniques. The obtained results proved that our proposed adaptive data collection methods can reduce the number of acquired samples up to 80% with respect to a traditional fixed-rate technique. Furthermore, our experimental results showed significant energy savings and high accurate data collection compared to existing approaches.

中文翻译：

---

用于工业过程监控的高效节能传感器数据收集方法

无线传感器网络在工业应用中的使用已经引起了学术界和工业界的广泛关注。它可以对工业过程进行连续的监视，控制和分析，并为找到最佳的操作性能做出了巨大的贡献。通常部署传感器以从工业环境中收集数据，并将其定期发送给最终用户。由于传感器受到资源的限制，有效的能源管理应包括新的数据收集技术，以有效利用传感器。在本文中，我们提出了自适应数据收集机制，该机制允许每个传感器节点根据其环境的变化调整其采样率，同时优化其能耗。我们提供并比较了三种不同的数据收集技术。第一个使用统计检验对数据差异进行分析以适应采样率，而第二个基于集合相似度函数，第三个基于距离函数。为了评估我们技术的性能，对telosB微粒进行了仿真和真实实验。获得的结果证明，相对于传统的固定速率技术，我们提出的自适应数据收集方法可以将获取的样本数量减少多达80％。此外，我们的实验结果表明，与现有方法相比，该方法可显着节省能源并实现高精度数据收集。而第二个则基于集合相似度函数，而第三个则基于距离函数。为了评估我们技术的性能，对telosB微粒进行了仿真和真实实验。获得的结果证明，相对于传统的固定速率技术，我们提出的自适应数据收集方法可以将获取的样本数量减少多达80％。此外，我们的实验结果表明，与现有方法相比，该方法可显着节省能源并实现高精度数据收集。而第二个则基于集合相似度函数，而第三个则基于距离函数。为了评估我们技术的性能，对telosB微粒进行了仿真和真实实验。获得的结果证明，相对于传统的固定速率技术，我们提出的自适应数据收集方法可以将获取的样本数量减少多达80％。此外，我们的实验结果表明，与现有方法相比，该方法可显着节省能源并实现高精度数据收集。获得的结果证明，相对于传统的固定速率技术，我们提出的自适应数据收集方法可以将获取的样本数量减少多达80％。此外，我们的实验结果表明，与现有方法相比，该方法可显着节省能源并实现高精度数据收集。获得的结果证明，相对于传统的固定速率技术，我们提出的自适应数据收集方法可以将获取的样本数量减少多达80％。此外，我们的实验结果表明，与现有方法相比，该方法可显着节省能源并实现高精度数据收集。