Manutenção preditiva baseada em data analytics e machine learning em edge computing

Abstract

A crescente digitalização dos processos industriais tem impulsionado o desenvolvimento de sistemas capazes de monitorizar continuamente o estado dos equipamentos e antecipar possíveis falhas. Neste contexto, a Manutenção Preditiva assume um papel fundamental ao permitir a identificação precoce de comportamentos anómalos, reduzindo paragens não planeadas e aumentando a eficiência operacional dos equipamentos. O presente trabalho apresenta o desenvolvimento de uma abordagem baseada em Data Analytics, Machine Learning e Deep Learning para a deteção de anomalias em sinais de vibração provenientes de um equipamento industrial de corte de pedra ornamental. A metodologia implementada inclui a aquisição e tratamento dos dados, implementação do semáforo de acordo com a ISO/TR 17243-1, preparação das séries temporais e aplicação de diferentes modelos de deteção de anomalias, com especial foco em arquiteturas de aprendizagem não supervisionada. Foram analisados modelos baseados em métodos estatísticos, algoritmos tradicionais de Machine Learning e redes neuronais profundas, incluindo Autoencoders, Variational Autoencoders, modelos convolucionais e arquiteturas orientadas para análise temporal. A avaliação dos modelos permitiu comparar diferentes estratégias de deteção através de métricas de desempenho, não só de deteção como de eficiência computacional, identificando as vantagens e limitações de cada abordagem para este tipo de aplicação. Adicionalmente, foi considerada a implementação numa arquitetura Edge Computing, permitindo aproximar o processamento dos dados da fonte de aquisição e possibilitando uma resposta mais rápida em ambiente industrial. Os resultados obtidos demonstram o potencial das técnicas de inteligência artificial aplicadas à Manutenção Preditiva, permitindo transformar dados de vibração em informação útil para apoio à decisão e contribuindo para a criação de sistemas industriais mais eficientes, autónomos e robustos.

Abstract: The increasing digitalization of industrial processes has driven the development of systems capable of continuously monitoring equipment condition and anticipating potential failures. In this context, Predictive Maintenance plays a fundamental role by enabling the early identification of abnormal behaviours, reducing unplanned downtime, and improving equipment operational efficiency. This work presents the development of an approach based on Data Analytics, Machine Learning, and Deep Learning for anomaly detection in vibration signals collected from an industrial ornamental stone cutting machine. The implemented methodology includes data acquisition and processing, the implementation of a traffic light system according to ISO/TR 17243 - 1, time - series preparation, and the application of different anomaly detection models, with particular focus on unsupervised learning architectures. Models based on statistical methods, traditional Machine Learning algorithms, and deep neural networks were analysed, including Autoencoders, Variational Autoencoders, convolutional models, and architectures focused on temporal analysis. The evaluation of the models enabled the comparison of different anomaly detection strategies through performance metrics, not only regarding detection capability but also computational efficiency, identifying the advantages and limitations of each approach for this type of application. Additionally, the implementation within an Edge Computing architecture was considered, enabling data processing closer to the acquisition source and allowing faster responses in an industrial environment. The results obtained demonstrate the potential of artificial intelligence techniques applied to Predictive Maintenance, enabling the transformation of vibration data into useful information for decision support and contributing to the development of more efficient, autonomous, and robust industrial systems