Work

Sistema Tinyml Para Predição De Anomalias Em Motores

Year: 2022
Type: dissertation
Abstract: A manutenção preditiva em termos industriais tem se tornado num assunto de elevada relevância na Indústria 4.0, mais específico na área da Internet of Things (IoT), o mesmo se verifica com o uso de técnicas de energy harvesting em diversas áreas para sistemas de baixa energia. No entanto o processo de predição/deteção anomalia obriga a processar uma enorme quantidade de amostras de diferentes sensores para analisar o funcionamento de um equipamento e dessa forma esse processo fica dependente de sistemas de processamento de alta performance para a implementação de técnicas de machine learning. Com o plano proposto neste projeto, pretende-se desenvolver um sistema embebido de manutenção preditiva, utilizando a placa de desenvolvimento ESP32 para a leitura de parâmetros associados a um motor industrial através de sensores externos, como por exemplo, acelerómetro e magnetómetro, em conjunto com a framework Tensorflow Lite pretende-se implementar um sistema preditivo de análise do modo/estado de funcionamento. Por fim, de forma a prolongar o tempo de vida do sistema, pretende-se estudar e simular o aproveitamento de energia através de fontes de energia existentes, sabendo-se que as energias remanescentes nestes equipamentos são pequenas e limitadas. Ao acoplar o motor industrial juntamente com o sistema de inteligência artificial baseada em supervised learning, o mesmo é capaz de retornar valores de validação promissores, com uma precisão de 97,26%, mas com limitações associadas ao seu uso. Os resultados obtidos do aproveitamento de energia ao utilizar o hardware do sistema criado ficaram um pouco aquém das expectativas no que diz respeito ao tempo de vida útil final, no entanto a simulação efetuada com um hardware mais atualizado e eficiente em termos de deep sleep mostraram-se surpreendentes.
Source: CiencIPCA
Author: Pedro da Costa Ferreira, João
Language: Portuguese
Open Access status: green
OpenAlex ID: W6996551031
Cites: 40
Cited by:
Related to: 10