Title: Self-Supervised Learning Architectures for Intelligent Edge Devices in Industrial IoT

Abstract: Industrial IoT (IIoT) systems consist of a myriad of sensors that generate considerable amounts of data that must be analyzed intelligently and in a timely fashion at the edge. The primary challenges in deploying machine learning models on edge devices are the limited computational power and the lack of sufficient labeled data. This work tackles the problem of self￾supervised learning (SSL) on resource-constrained intelligent edge devices, solving the problems of resource limitation and annotation bottleneck. The architecture incorporates domain-specific pretext tasks for industrial sensor modalities such as vibration, pressure, and temperature to construct embedding features without requiring human-labeled data. We deploy and evaluate the model within a heterogeneous IIoT testbed that consists of real-world edge devices and measure performance based on embedding quality, accuracy of downstream tasks, energy consumption, and latency. The results show that the proposed approach outperforms baseline supervised and semi-supervised federated learning models in sparse label conditions while achieving near real-time inference and low power consumption. This work assists in the deployment of scalable self-supervised intelligence at the edge for predictive maintenance, anomaly detection, and context-aware automation in future industrial systems.

Keywords: Self-Supervised Learning, Industrial IoT, Edge Intelligence, Embedded AI Systems.

Başlık: Endüstriyel IoT'de Akıllı Kenar Cihazları için Kendi Kendini Denetleyen Öğrenme Mimarileri

Özet: Endüstriyel IoT (IIoT) sistemleri, uçta akıllıca ve zamanında analiz edilmesi gereken önemli miktarda veri üreten sayısız sensörden oluşur. Makine öğrenimi modellerini uç aygıtlara dağıtmanın temel zorlukları, sınırlı hesaplama gücü ve yeterli etiketli verinin olmamasıdır. Bu çalışma, kaynak kısıtlamalı akıllı uç aygıtlarda kendi kendini denetleyen öğrenme (SSL) sorununu ele alarak kaynak sınırlaması ve açıklama darboğazı sorunlarını çözer. Mimari, insan etiketli veriler gerektirmeden gömme özelliklerini oluşturmak için titreşim, basınç ve sıcaklık gibi endüstriyel sensör modaliteleri için alan-özel bahane görevlerini içerir. Modeli, gerçek dünya uç aygıtlarından oluşan heterojen bir IIoT test yatağında dağıtır ve değerlendiririz ve gömme kalitesine, aşağı akış görevlerinin doğruluğuna, enerji tüketimine ve gecikmeye göre performansı ölçeriz. Sonuçlar, önerilen yaklaşımın seyrek etiket koşullarında temel denetlenen ve yarı denetlenen federasyon öğrenme modellerinden daha iyi performans gösterdiğini, neredeyse gerçek zamanlı çıkarım ve düşük güç tüketimi sağladığını göstermektedir. Bu çalışma, gelecekteki endüstriyel sistemlerde öngörücü bakım, anormallik tespiti ve bağlam farkında otomasyon için uçta ölçeklenebilir, kendi kendini denetleyen zekanın dağıtımına yardımcı olur.

Anahtar kelimeler: Kendi Kendini Denetleyen Öğrenme, Endüstriyel IoT, Uç Zeka, Gömülü Yapay Zeka Sistemleri.