ABORDAGEM EDGE COMPUTING PARA MANUTENÇÃO PREDITIVA DE EQUIPAMENTOS DE BOMBAGEM

Abstract

Com o desenvolvimento de técnicas de Machine Learning cada vez mais robustas para detecção de anomalias, vários sectores da indústria procuram, de forma activa encontrar soluções com o objectivo de maximizar o tempo de operação e vida útil dos equipamentos de que dispõem. No sector da aquacultura é de especial importância o bom funcionamento das máquinas rotativas integradas nos seus sistemas, por se tratarem de componentes vitais para o funcionamento e crescimento das suas produções. O objectivo deste trabalho de investigação foi desenvolver um modelo de Machine Learning baseado numa estrutura de AutoEncoder (AE) com capacidade de detecção de desvios de comportamento em máquinas rotativas, mantendo a simplicidade e capacidade de implementação em dispositivos de borda. Modelos baseados em AE têm a capacidade de extrair características automaticamente de dados normais, sendo os dados de saída do modelo a reconstrução dos seus dados de entrada. Se o erro entre os dados de entrada e de saída for elevado, os dados são considerados anómalos, caso contrario representam dados normais.No trabalho desenvolvido foram testados métodos de previsão de séries temporais num conjunto de dados disponibilizado pelo Center for Intelligent Maintenance Systems (IMS), de forma a ser escolhido o tipo de rede neuronal recursiva a ser utilizado no modelo AE.O modelo desenvolvido foi treinado e testado no IMS-Dataset e, de seguida, generalizado para um conjunto de dados adquirido em meio industrial.Estes dados foram adquiridos de motores integrados em sistemas cuja função é o controlo da temperatura e a recirculação da água usada em tanques de crescimento de peixes em sistemas de aquacultura. O modelo aplicado demonstrou boa capacidade na detecção de anomalias em séries temporais. Assim, os resultados da implementação do modelo evidenciaram o potencial do uso de abordagens recorrendo a AE's para detecção de anomalias e a sua capacidade de generalização, quando comparados a métodos de regressão convencionais.

With the development of more advanced anomaly detection techniques, several industry sectors actively seek to find solutions that aim to maximize the operating time and useful lifetime of the machinery. In the aquaculture sector it is of special importance the proper functioning of the rotating machines, as vital components of the fish productions.The objective of this research work was to develop a model of Machine Learning based on an AutoEncoder (AE) structure capable of detecting behavior deviations in machinery, while remaining simple and maintaining the ability to run on edge devices.Models based on AE have the ability to automatically extract features from normal data, the output data being a reconstruction of the input data. If the error between the input and the output data is high, the data is considered anomalous, otherwise it represents normal data.In this research work forecasting methods of time series were tested on a dataset available from Center for Intelligent MaintenanceSystems (IMS), in order to choose the type of Recursive Neural Network to be used in the proposed model.The developed model was tested in the IMS-Dataset and then it was generalized to a self-adquired industrial dataset. This industrial dataset was adquired from motors that integrate systems that control the temperature and do the re-circulation of the water of the fish growth tanks used in aquaculture systems. Our model demonstrated a good performance in the detection of anomalies in time series.Hense, the results of the model´s implementation evidenced the potential of AE based models for anomaly detection and their generalization ability, when compared to classic regression techniques.