En esta charla veremos como podemos utilizar nuestros dispositivos (Raspberry PI) para adelantarnos a posibles fallos que puedan ocurrir en un motor de un avión. Explicaremos como se ha realizado el proceso de entrenamiento y como podemos ejecutar las predicciones en nuestro dispositivo utilizando IoT Edge.
3. Sólo el 18% de los fallos en los mecanismos
tienen que ver con el tiempo de uso
NASA
Complex Items
Sources: RCM Guide, NASA, Sept. 2008, and
U.S. Navy Analysis of Submarine Maintenance Data 2006.
6. Mantenimiento Predictivo
Objetivo
• Prevenir los fallos → Evitar los
mantenimientos reactivos.
• Eliminar los costes innecesarios del
mantenimiento preventivo (arreglar
maquinas en buen estado).
¿Cómo?
Utilizando modelos predictivos y
telemetría de los sensores de las
máquinas.
9. #1 Recogida de Datos
Obtención de datos sobre el estado de los distintos componentes a
través de los sensores de las máquinas: temperatura, humedad,
presión, aceleración, etc.
¿Cómo?
→ Dispositivos IoT: circuitos + sensores + Wi-Fi chip
10. #2 Preprocesado de datos
Los datos de los sensores pueden venir de
distintas fuentes y pueden estar incompletos,
con ruido, etc.
TAREAS:
• Limpieza de datos.
• Integrar distintas fuentes.
• Transformar los datos.
• Selección de características.
11. #2 Preprocesado de datos
La información de los sensores se divide en periodos de tiempo predefinidos → Ciclos
No solo nos interesa saber si la turbina va a fallar sino también ¿Cuándo? → 30 ciclos
Ciclo1
Ciclo2
Ciclo3
Ciclo4
. . .
Ventana temporal = 50
13. #3 Machine Learning
Training and Test
Train
Modelo final
Evaluación
Accuracy
Precision
Recall
F1 score
Modelo
Datos recibidos
en producción
Predicción
Preprocesado
de datos
14. #3 Machine Learning
Seleccionar el modelo adecuado:
✓ Que se ajuste a los datos: datos secuenciales
✓ Que sea capaz de identificar dependencias de larga duración → Detectar posibles fallos
en el tiempo.
Series Temporales LSTM Neural Networks
15. Long Short-Term Memory (LSTM)
Redes neuronales que modelan secuencias en el tiempo. Tienen “memoria”
y son capaces de codificar los estados pasados en la secuencia para obtener
contexto.
#3 Machine Learning
16. #3 Machine Learning
Long Short-Term Memory (LSTM)
Tienen un mecanismo que decide que
información almacenar y cual borrar.
Input gate → información nueva.
Forget gate→ borrar memoria
Output gate→ uso de recuerdos.
17. #3 Machine Learning
Modelos:
LSTM - Clasificador Binario→ ¿Va a fallar?
LSTM - Regresión→ ¿Cuándo va a fallar?
Test
Training
Clasificación
Regresión
SI(1) /NO(0)
CICLO X
¿Cuáles van a fallar en el ciclo 30?
Validation
23. IoT
Coral Dev
Board
La Raspberry Pi y la Coral Dev Board son dispositivos con arquitectura
ARM que nos permiten conectar diferentes tipos de sensores.
Se ajustan a cualquier escenario en el cual las quieras utilizar.
24. IoT Edge
Solución:
Tomar decisiones desde el punto donde el dispositivo se conecta a la red → Edge.
Con Azure IoT Edge extendemos el procesamiento y los algoritmos de machine
learning a los dispositivos
Azure IoT Edge
26. #3 Machine Learning
Tensorflow lite
converter
crea un flat buffer
comprimido del modelo
El archivo .tflite es
cargado en el
dispositivo IoT
Despliegue del modelo
Tf-Lite→ es una versión ligera del framework Tensorflow que nos permite
hacer la inferencia de los modelos en dispositivos móviles y IoT
28. #4 Analytics /BI
Acceso a los datos del sensor en tiempo real
En escenarios críticos es necesario visualizar toda la información para tomar
decisiones rápidas.
Streaming Dataset