La gran quantitat de dades generada per la quarta revolució industrial (Indústria 4.0) pot suposar un avenç significatiu en la millora dels processos. Extreure informació útil d'aquests grans volums de dades és el repte principal i és, també, on la Mineria de Dades juga un paper clau.
Aquest Treball Final de Grau parteix de la idea de seguir un procés de mineria de dades en un escenari real de producció industrial. L'escenari concret és una cèl·lula de fabricació de peces per al sector automobilístic mitjançant fosa a pressió.
L'aplicació central és la implementació de manteniment predictiu, una tècnica que permet la detecció de comportaments anòmals per poder anticipar-se a possibles errors. La predicció es realitza mitjançant l'anàlisi i aprenentatge del comportament dels sensors instal·lats a les màquines o equips.
Seguint el mètode estàndard de mineria de dades, els dos objectius principals són: 1) Obtenir models d'aprenentatge automàtic per implementar el manteniment predictiu, i 2) Crear una aplicació que automatitzi el procés que inclou la recollida de dades, el tractament d'aquestes i , finalment, la visualització dels resultats en temps real.
Per dur a terme aquests objectius, primer s'exploren diferents propietats i tècniques de tractament de dades obtingudes de sensors. Amb les dades tractades, es creen i avaluen models que aprenen de les dades i puguin ser usats per predir futurs comportaments. Finalment, es desenvolupa una aplicació combinant diferents tecnologies per poder fer anàlisis de resultats i monitoratge de l'evolució de l'estat dels sensors.
La gran cantidad de datos generada por la cuarta revolución industrial (Industria 4.0) puede suponer un avance significativo en la mejora de los procesos. Extraer información útil de estos grandes volúmenes de datos es el principal reto y es, también, donde la Minería de Datos juega un papel clave.
Este Trabajo Final de Grado parte de la idea de seguir un proceso de minería de datos en un escenario real de producción industrial. El escenario concreto es una célula de fabricación de piezas para el sector automovilístico mediante fundición a presión.
La aplicación central es la implementación de mantenimiento predictivo, una técnica que permite la detección de comportamientos anómalos para poder anticiparse a posibles fallos. La predicción se realiza mediante el análisis y aprendizaje del comportamiento de los sensores instalados en las máquinas o equipos.
Siguiendo el método estándar de minería de datos, los dos objetivos principales son: 1) Obtener modelos de aprendizaje automático para implementar el mantenimiento predictivo, y 2) Crear una aplicación que automatice el proceso que incluye la recogida de datos, el tratamiento de estos y, finalmente, la visualización de los resultados en tiempo real.
Para llevar a cabo estos objetivos, se exploran primero diferentes propiedades y técnicas de tratamiento de datos obtenidos de sensores. Con los datos tratados, se crean y evalúan modelos que aprenden de los datos y puedan ser usados para predecir futuros comportamientos. Finalmente, se desarrolla una aplicación combinando diferentes tecnologías para poder efectuar análisis de resultados y monitorización de la evolución del estado de los sensores.
The large amount of data generated by the fourth industrial revolution (Industry 4.0) can represent a significant advance in the improvement of processes. Extracting useful information from these large volumes of data is the main challenge and it is also where Data Mining plays a key role.
This Final Degree Project is based on the idea of following a data mining process in a real scenario of industrial production. The specific scenario is a cell for the manufacture of parts for the automotive sector by means of die casting.
The central application is the implementation of predictive maintenance, a technique that allows the detection of abnormal behavior in order to anticipate possible failures. The prediction is made through the analysis and learning of the behavior of the sensors installed in the machines or equipment.
Following the standard method of data mining, the two main objectives are: 1) Obtain machine learning models to implement predictive maintenance, and 2) Create an application that automates the process that includes data collection, treatment and, finally, the visualization of the results in real time.
To carry out these objectives, different properties and data processing techniques obtained from sensors are first explored. With the processed data, models are created and evaluated that learn from the data and can be used to predict future behavior. Finally, an application is created combining different technologies to be able to analyze the results and monitor the evolution of the state of the sensors.
gmail.com
