Uma abordagem de redes neurais não supervisionadas para a detecção de anomalia de equipamentos em cenários de mau funcionamento de sensores

Abstract

Os avanços em tecnologias de automação, e avanços nos maquinários de produção tornam os custos de manutenção cada vez mais relevantes em relação aos custos totais nos sistemas de manufatura. Nesse contexto, o desenvolvimento e a redução do custo de implementação de sensores permite a estruturação de sistemas de informação capazes de coletar, armazenar e monitorar evidências acerca da saúde de equipamentos. Em um contexto de Manutenção Baseada na Condição (CBM), o processamento e a análise dos dados provenientes do monitoramento podem direcionar as políticas de manutenção. Neste trabalho, aborda-se a atividade de detecção de anomalia, presente na CBM, em que se identifica se o equipamento está prestes a falhar ou não, sem adentrar nas classificações das causas e modos de falha que levam ao comportamento anômalo. A detecção de anomalia pode ser facilitada por meio de algoritmos de aprendizagem de máquina. Esses modelos podem ser categorizados entre supervisionados e não supervisionados. No primeiro caso, é necessário que os dados (e.g., vibração, temperatura, pressão) estejam associados a uma informação binária ou categórica do funcionamento do equipamento. No entanto, em muitos contextos de manutenção e de sistemas de monitoramento de equipamentos industriais, os dados não são disponibilizados com os valores desses rótulos, ou não estão inteiramente rotulados, ou há dados insuficientes do equipamento em estado falho ou defeituoso. Nesses casos, os algoritmos não supervisionados ou semi-supervisionados podem ser usados como alternativas, visto que não necessitam de uma ‘grande quantidade de dados previamente rotulados. O mau funcionamento de sensores é um problema recorrente em contextos reais de manutenção baseada na condição. Surge então a necessidade da construção de modelos de detecção robusta de anomalia, capazes de detectar falhas mesmo na presença de problemas nos dados provenientes do monitoramento, tais como dados faltantes e presença de ruídos. Propõe-se uma abordagem envolvendo redes adversariais e autoencoders variacionais para detecção robusta e semi-supervisionada de anomalia. Foram propostas quatro categorias distintas de estruturas de redes neurais: Autoencoder, Autoencoder Variacional, Autoencoder Adversarial e Redes Generativas Adversariais. Os modelos propostos são testados, validados e comparados a partir de três bases de dados com sinais de vibração comumente usada como benchmarking na literatura, os resultados mostram que os modelos de Autoencoder Variacional apresentam os melhores resultados para os modelos em que há uma menor presença de dados faltantes e lidam melhor com os casos de ruído inserido na base de dados.