Dynamic computation offloading for wireless sensors in IIoT

Mohanram, Praveen; Schmitt, Robert H.; Lange, Dirk

doi:10.18154/RWTH-2026-05687

Dynamic computation offloading for wireless sensors in IIoT

Mohanram, Praveen^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Praveen Mohanram

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schmitt, Robert H. (Thesis advisor)^RWTH* ; Lange, Dirk (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2026-02-26

Online
DOI: 10.18154/RWTH-2026-05687
URL: https://publications.rwth-aachen.de/record/1036715/files/1036715.pdf

Einrichtungen

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Das Wachstum drahtloser Sensorsysteme für das industrielle Internet der Dinge (IIoT) hat neue Möglichkeiten für die Echtzeitüberwachung, die vorausschauende Wartung und den flexiblen Einsatz in industriellen Umgebungen geschaffen. Diese drahtlosen Sensorplattformen arbeiten jedoch häufig unter starken Einschränkungen in Bezug auf Energieverfügbarkeit, Verarbeitungskapazität und Netzwerkvariabilität. Diese Einschränkungen stellen eine große Herausforderung für die Aufrechter-haltung der Leistung und Langlebigkeit dar, insbesondere bei dynamischen und unvorhersehbaren Arbeitsbelastungen. Diese Arbeit befasst sich mit dem Bedarf an adaptiver Aufgabenorchestrierung, indem sie ein dynamisches, auf drahtlose IIoT-Sensoren zugeschnittenes System zur Auslagerung von Berechnungen vorschlägt.Das vorgeschlagene System ist auf der Arduino Portenta H7-Plattform implementiert und umfasst drei Schlüsselkomponenten: ein benutzerdefiniertes Energieprofilmodul, einen Echtzeit-Aufgabenplaner und einen MOPSO-Algorithmus (Multiobjective Particle Swarm Optimization) für die Auswahl von Auslagerungsknoten. Entlastungsentscheidungen werden mithilfe eines Entscheidungsbaums getroffen, der auf der Grundlage früherer Optimierungsergebnisse trainiert wurde, so dass der Knoten in Echt-zeit auf sich ändernde Energieniveaus, Arbeitslasten und Konnektivitätsbedingungen reagieren kann. Es wurde ein detailliertes Energiemodell entwickelt, um sowohl die lokalen als auch die ausgelagerten Ausführungskosten zu erfassen, einschließlich der CPU-Schaltaktivität, der Frequenzskalierung und der Gemeinkosten für die drahtlose Übertragung. Das System verlagert Aufgaben nur dann selektiv, wenn diese Entscheidung zu Nettoenergieeinsparungen führt und gleichzeitig die Latenzbedingungen auf Anwendungsebene erfüllt werden.Das Framework wird in drei repräsentativen IIoT-Anwendungsfällen evaluiert: vorausschauende Wartung, Zustandsüberwachung und Umweltsensorik. Experimentelle Ergebnisse zeigen, dass der dynamische Offloading-Ansatz den lokalen Energieverbrauch um bis zu 40 % reduziert, sich effektiv an sich ändernde Netzwerk- und Arbeitslastbedingungen anpasst und die Reaktionsfähigkeit ohne Überlastung des Netzwerks aufrechterhält. Diese Arbeit trägt zu einem modularen und einsatzfähigen energiebewussten Orchestrierungsrahmen bei, der zentrale Herausforderungen in IIoT-Systemen an-geht und intelligentere, autonomere und energieeffizientere industrielle Sensorplattformen ermöglicht.

The growth of wireless Industrial Internet of Things (IIoT) sensor systems has introduced new possibilities for real-time monitoring, predictive maintenance, and flexible deployment in industrial environments. However, these wireless sensor platforms often operate under severe constraints related to energy availability, processing capacity, and network variability. These limitations pose significant challenges to maintain performance and longevity, especially under dynamic and unpredictable workloads. This thesis addresses the need for adaptive task orchestration by proposing a dynamic computation offloading framework tailored for wireless IIoT sensors. The proposed system is implemented on the Arduino Portenta H7 platform and integrates three key components: a custom energy profiling module, a real-time task scheduler, and a multi-objective particle swarm optimization (MOPSO) algorithm for offloading node selection. Offloading decisions are made using a decision tree trained on past optimization outcomes, allowing the node to respond in real-time to changing energy levels, workloads, and connectivity conditions. A detailed energy modeling framework is developed to capture both local and offloaded execution costs, including CPU switching activity, frequency scaling, and wireless transmission overheads. The system selectively offloads tasks only when the decision results in net energy savings while satisfying application-level latency constraints. The framework is evaluated in three representative IIoT use cases: predictive maintenance, condition monitoring, and environmental sensing. Experimental results show that the dynamic offloading approach reduces local energy consumption by up to 40%, adapts effectively to changing network and workload conditions, and maintains responsiveness without overloading the network. This work con-tributes a modular and deployable energy-aware orchestration framework that addresses core challenges in IIoT systems, enabling more intelligent, autonomous, and energy-efficient industrial sensor platforms.

OpenAccess:
PDF
(additional files)