Crie um detector de defeitos do motor

O monitoramento em tempo real do equipamento de fabricação para evitar falhas e anomalias é vital para qualquer processo industrial e um precursor para a manutenção preditiva. Use modelos de aprendizado de máquina para ajudar a detectar e prever essas falhas em um conjunto de dados de rolamento de esferas motoras.

Sistema operacional visado Ubuntu* 16.04 LTS
Tempo para conclusão 30 minutos

GitHub* (Python*) GitHub (C++)

O que você aprenderá

Várias técnicas matemáticas em aprendizado de máquina, começando com a transformada rápida de Fourier (FFT) para o modelo de mistura Gaussiana mais complexo, não requerem treinamento de uma rede neural para detecção de anomalias. Essas técnicas podem ser reutilizadas com pequenas modificações em diferentes fluxos de dados e não exigem muitos dados conhecidos previamente classificados (ao contrário das redes neurais). De fato, alguns desses métodos podem classificar dados para treinar redes neurais profundas.

Obtenha informações sobre as seguintes soluções:

  • Regressão logística
  • Clusterização k-means
  • Mercado industrial de IoT

Use as habilidades aprendidas nessa implementação de referência para desenvolver soluções de IoT semelhantes.

Aprenda a criar e executar um aplicativo com estes recursos:

Detecte irregularidades na vibração da máquina
Processe localmente usando a biblioteca scikit-learn.
Envie dados para a nuvem para agregação e visualização

Como funciona

Esse aplicativo obtém a entrada de um conjunto de dados e executa o pré-processamento de dados usando FFT.

  1. O servidor OPC* Unified Architecture (UA) lê dados pré-processados e os envia para um cliente OPC UA, que armazena os dados no InfluxDB*.
  2. Os dados são obtidos do banco de dados e são usados para construir três modelos de aprendizado de máquina: regressão logística, clusterização k-means e modelo de mistura gaussiana.
  3. As previsões de falhas de cada um desses modelos são armazenadas no InfluxDB local e são visualizadas no Grafana*.