La nueva revolución Industrial: Inteligencia Artificial & IoT Edge
•Descargar como PPTX, PDF•
0 recomendaciones•121 vistas
¿Te has preguntado alguna vez que podríamos hacer con toda la telemetría que se recoge en fábricas y empresas? Durante esta sesión veremos como aplicar distintas técnicas de Inteligencia Artificial en el sector industrial para mejorar la seguridad y el rendimiento de nuestras instalaciones. Además, veremos una demo en vivo donde podremos observar como nuestro dispositivo IoT puede analizar los datos que recibe y ser capaz de predecir posibles fallos futuros en distintos componentes.
Recomendados
Recomendados
Más contenido relacionado
Similar a La nueva revolución Industrial: Inteligencia Artificial & IoT Edge
Similar a La nueva revolución Industrial: Inteligencia Artificial & IoT Edge (20)
Más de Plain Concepts
Más de Plain Concepts (20)
Último
Último (20)
La nueva revolución Industrial: Inteligencia Artificial & IoT Edge
- 1. La nueva revolución Industrial: Inteligencia Artificial & IoT Edge
- 2. O R G A N I Z A T I O N P L A T I N U M S P O N S O R S Thank you! C O L L A B O R A T O R S
- 3. En el 2018, se produjeron un total de 46 accidentes mortales por jornada en el sector de la industria. GTG Ingenieros
- 4. @mrcabellom mrcabello@plainconcepts.com Artificial Intelligence Rodrigo Cabello AI Team Lead at Plain Concepts
- 6. Internet of things + Artificial Intelligence Machine LearningIoT
- 7. ¿Cómo puede ayudarnos la IA a evitar accidentes laborales? • Detección de situaciones potencialmente peligrosas. • Cumplimiento de normativas de seguridad. • Descubrir posibles defectos en maquinaria. • Sustitución piezas deterioradas. Mantenimiento Predictivo Computer vision
- 9. Deep Learning • Extracción de características de imágenes y video. • Clasificación de imágenes. • Detección de objetos.
- 11. Detección de EPI • Detección de cascos de color: • Rojo • Azul • Amarillo • Blanco • Detección de personas sin casco. • Arquitectura SSDMobileNet V1. • Transfer Learning Helmet Dataset. • Entrenamiento cuantizado. • Ejecución coral Dev Board (TPU) Equipo de protección individual EntrenamientoObjetivo Despliegue
- 12. Coral Dev Board
- 14. Demo Coral Dev Board
- 15. Computer vision • Área de Deep Learning que permite a las máquinas ver, identificar y procesar imágenes como los humanos. • Procesamiento imagen: • Adaptative Thresholding • Segmentación de Imagen • Detección de aristas. • Detección de contornos. • Creación de mascaras. • Image Filtering
- 16. Computer vision Detección de humo y fuego en bombas de combustible. Análisis de imagen: • Máscaras y detección de contornos.
- 17. Computer vision • Detección de volumen en tanques de aceite. • Análisis de Imagen:
- 19. 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.
- 21. 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.
- 23. 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.
- 24. Machine Learning Entrenamiento/Test Validación Model Final Evaluación Accuracy Precision Recall F1 score Modelo Datos Producción PredicciónEntrenamiento
- 25. 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.
- 26. #2 Preprocesado de datos La información de los sensores se divide en periodos de tiempo predefinidos Ciclos No solo nos interesa saber si un componente va a fallar sino también ¿Cuándo? 30 ciclos Ciclo1 Ciclo2 Ciclo3 Ciclo4 . . . Ventana temporal = 50
- 27. 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. CNN 1D LSTM Neural Networks
- 28. 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. Machine Learning
- 29. Machine Learning Long Short-Term Memory Tienen un mecanismo que decide que información almacenar y cual borrar. Input gate información nueva. Forget gate borrar memoria Output gate uso de recuerdos.
- 30. Machine Learning CNN 1D Redes neuronales convolucionales: • Extracción de características en segmentos de longitud fija sobre todo el conjunto de datos. • La ubicación de la características dentro del conjunto de datos no es relevante.
- 31. Demo
- 32. IoT Edge
- 34. IoT Edge Solución: Tomar decisiones desde el punto donde el dispositivo se conecta a la red Edge. Con Azure IoT Edge llevamos el procesamiento y los algoritmos de machine learning a los dispositivos.
- 35. IoT Edge
- 36. Despliegue IoT EdgeAzure Machine Learning Model Repository Build Docker Image Deploy & monitor MLOPS TFLite Model Image Registry Continuous Integration Continuous Deployment
- 39. IoT Edge Demo Turbinas de avión
- 40. Thanks and … See you soon! Thanks also to the sponsors. Without whom this would not have been posible. O R G A N I Z A T I O N P L A T I N U M S P O N S O R S C O L L A B O R A T O R S
Notas del editor
- What are the main phases that you need to follow in a maintenance project? In the next slides we will go deeper into each phase. RODRI
- Proceso de Machine learning Accuracy numero de predicciones correctas entre todas las predicciones Precision es la fracción de predicciones correctas dentro de todas las predicciones dadas por el modelo True positives /(true& false positives) Recall es la fracción de fallos que se detectaron dentro de todos los fallos que existen en el dataset True positives/ all real positives F1 score media armonica entre recall y precison (determinar la tendencia centra y lógica con el total) DANIELA
- El objetivo de la predicción es notificar antes de que el fallo ocurra. No solo nos interesa saber si un dispositivo va a fallar sino ¿cuándo? Preprocesado de Datos: La información de los sensores se divide en intervalo de tiempo predefinidos Ciclos Es necesario saberlo con suficiente tiempo de antelación para poder solucionar el problema antes de que se produzca el fallo. En este caso, interesaba saber si un dispositivo va a fallar en el ciclo 30 o antes . Ademas, la secuencia de datos se procesará en fragmentos llamados la ventana temporal, este intervalo de tiempo es el que nuestro modelo va a analizar para poder dar una predicción.
- Secuencia de observaciones sobre intervalos de tiempo separados de manera regular: Número de turistas que visitan España Temperatura media diaria en Madrid Con un análisis exploratorio podemos ver la tendencia, la estacionalidad, y si las variaciones en la serie son constantes. Entendiendo el pasado somos capaces de predecir el futuro utilizando modelos estadísticos como el ARMA o ARIMA
- Pero no toda la información que procesa la red de neuronas es igual de importante, necesitamos poder quedarnos con los datos que nos proporcionan el contexto que necesitamos para ello incorporan una serie de pasos para decidir que información va a ser almacenada y cual borrada. La unidad de memoria LSTM contiene tres puertas que controlan el modo en que la información fluye dentro o fuera de la unidad. Puerta de entrada controla cuando la información nueva puede entrar en la memoria. Puerta del olvido controla cuando se olvida una parte de la información, lo que permite a la celda discriminar entre datos importantes y superfluos, dejando así sitio para nuevos datos. Puerta de salida controla cuando se utiliza en el resultado de los recuerdos almacenados en la celda.
- Pero no toda la información que procesa la red de neuronas es igual de importante, necesitamos poder quedarnos con los datos que nos proporcionan el contexto que necesitamos para ello incorporan una serie de pasos para decidir que información va a ser almacenada y cual borrada. La unidad de memoria LSTM contiene tres puertas que controlan el modo en que la información fluye dentro o fuera de la unidad. Puerta de entrada controla cuando la información nueva puede entrar en la memoria. Puerta del olvido controla cuando se olvida una parte de la información, lo que permite a la celda discriminar entre datos importantes y superfluos, dejando así sitio para nuevos datos. Puerta de salida controla cuando se utiliza en el resultado de los recuerdos almacenados en la celda.