Intelligent assistant: desenvolvimento de algoritmos para monitorização dos consumos de energia no chão de fábrica, Bosch

Abstract

Nos últimos anos temos assistido a uma enorme evolução tecnológica, com impactos significativos ao nível da indústria. A rápida digitalização dos processos que se tem verificado leva a que se esteja a assistir a uma quarta revolução a nível industrial, com este período a ser reconhecido como o da Indústria 4.0. As necessidades cada vez mais elevadas de eficiência e qualidade têm levado a que as indústrias procurem novas e melhores formas de adquirir e processar toda a informação proveniente do chão de fábrica. Com isto em mente, a Bosch Termotecnologia Aveiro criou o Projeto Augmanity, o qual tem como principal objetivo a adequação e digitalização dos processos industriais à luz das noções da Indústria 4.0, tendo sempre em conta os impactos ambientais subjacentes. Este trabalho integrou-se exatamente neste projeto. Desenvolvido na Universidade de Aveiro e com implementação prática nas instalações da Bosch Termotecnologia Aveiro, este trabalho expõe o desenvolvimento de um agente inteligente, o qual se integra numa arquitetura de recolha e monitorização de dados do chão de fábrica. A arquitetura proposta é de baixo custo, incluindo um conjunto de softwares gratuitos tais como o Cloud2Edge para agregação dos dados, o InfluxDB para o seu armazenamento e o Grafana para a visualização. Já o agente inteligente é dotado de algoritmos de Machine Learning, mais propriamente autoencoders, cujo processo de construção é complementado com uma ferramenta recentemente desenvolvida e emergente, o AutoML, que permite um processo de construção de modelos muito mais automatizado e promove a otimização e adequação dos modelos às variáveis a prever. Os modelos construidos são depois capazes de realizar previsões de consumos energéticos futuros, as quais são posteriormente comparadas com os valores reais, a fim de se detetarem anomalias. Por fim, o agente inteligente desenvolvido possui diversas formas de interação com o utilizador, que vão desde uma interface gráfica para visualização dos dados até ao envio automatizado de notificações com base nos resultados do processamento. Os resultados da implementação prática da arquitetura, onde se enquadra o agente, revelam uma excelente capacidade de previsão dos modelos construidos. A implementação do AutoML como ferramenta de otimização garante melhorias signficativas aos modelos, com aumentos de desempenho na ordem dos 90% face a modelos regressivos base. Também na tarefa de deteção de anomalias os modelos revelam excelentes resultados, sendo capazes de identificar adequadamente diferentes tipos de anomalias. Por fim, a arquitetura, para além de validada em ambiente simulado, foi também implementada no chão de fábrica com sucesso, permitindo o processamento e visualização da informação em tempo real dentro já de um ambiente industrial.

In recent years, we have witnessed an enormous technological evolution with significant impacts on the industry. The rapid digitalization of processes has led to the emergence of a fourth industrial revolution, known as Industry 4.0. The increasing demands for efficiency and quality of processes have prompted industries to seek new and improved ways of acquiring and processing information from the factory floor. In line with this trend, Bosch Termotecnologia Aveiro has initiated the Augmanity Project, which aims to adapt and digitize industrial processes in light of Industry 4.0 principles while considering the underlying environmental impacts. This work is precisely integrated into this project. Conducted at the University of Aveiro and implemented at the facilities of Bosch Termotecnologia Aveiro, this work states the development of an intelligent assistant that is part of a data collection and monitoring architecture for the factory floor. The proposed architecture is cost-effective, incorporating a set of open-source software tools such as Cloud2Edge for data aggregation, InfluxDB for data storage, and Grafana for visualization. The intelligent assistent is equipped with Machine Learning algorithms, specifically autoencoders, whose building process is complemented by a recently developed and emerging tool called AutoML. AutoML enables a more automated model building process, as it promotes optimization and adaptation of the models to the variables to be predicted. The constructed models are then capable of making predictions of future energy consumption, which are subsequently compared with the actual values to detect anomalies. Finally, the developed assistant has various forms of interaction with the user, ranging from a graphical interface for data visualization to automated notifications based on processing results. The results of the practical implementation of the architecture, which includes the assistant, demonstrate an excellent predictive capability of the constructed models. The implementation of AutoML as an optimization tool ensures significant improvements to the models, with performance increases of around 90% compared to base regression models. The models also show excellent results in anomaly detection, being able to adequately identify different types of anomalies. Moreover, the architecture, in addition to being validated in a simulated environment, has also been successfully implemented on the factory floor, enabling real-time processing and visualization of information within an industrial setting.