Riassunto analitico
Al giorno d'oggi l'automazione industriale è un argomento molto ricercato. Le macchine industriali sono quasi ovunque e, con la crescita dell'IoT, molte di esse vengono spedite con molti sensori che comunicano continuamente e verificano la salute e lo stato della macchina. Essere in grado di raccogliere informazioni da quei sensori per prendere decisioni in autonomia può portare molti vantaggi alle aziende, che potrebbero andare dai costi ai vantaggi gestionali. In questo lavoro viene proposto un esempio di rilevamento di anomalie su una serie temporale multivariata, come problema di machine learning supervisionato. Viene inoltre descritto l'intero processo di raccolta dati, filtraggio, analisi e costruzione del modello. In questo lavoro vengono utilizzate sia tecniche supervisionate che non supervisionate di machine e deep learning.
|
Abstract
Nowadays industrial automation is a highly researched topic. Industrial machines are almost everywhere and, with the growth of the IoT, many of them are shipped with a lot of sensors that continuously communicate and check for the machine health and status. Being able to gather information from those sensors to autonomously take decisions can bring a lot of benefits to the companies, that could go from cost to management benefits. In this work an example of anomaly detection on a multivariate time series, as a supervised machine learning problem is proposed. The entire process of data gathering, filtering, analysis and model construction is also described. In this work both supervised and unsupervised machine and deep learning techniques are used.
|
