- Edge Computing
Machine Learning en el edge: algunos casos aplicativos de Novelty Detection en pasarelas IIoT
En este artículo presentamos el diseño y el desarrollo de los módulos de Machine Learning (ML) para dos casos de estudio. En ambos casos desarrollamos un modelo de ML para aprender el comportamiento normal del sistema y así identificar cualquier condición anómala que pueda surgir. Este tipo de marco suele denominarse Anomaly Detection (también conocida como Fault Detection o Novelty Detection). Nuestros modelos lograron identificar las anomalías inyectadas. Además, no se observaron anomalías cuando se alimentó el modelo con datos normales. Los resultados se discuten teniendo en cuenta el equilibrio entre el tipo de sensores, el algoritmo de aprendizaje, el esfuerzo de entrenamiento y las exigencias computacionales.

I. Introducción
El Internet de las cosas (IoT) ha permitido recopilar una enorme cantidad de datos de objetos reales a través de sus dispositivos conectados. Monitorizar el entorno y las máquinas que componen la planta industrial actual nunca había sido tan factible y asequible gracias a la difusión de sensores de bajo coste y bajo consumo, así como de potentes single board computers (SBC) utilizados como pasarelas IoT. Sin embargo, explotar los datos adquiridos para aprovechar su potencial oculto y convertirlos en oro no es ni trivial ni fácil de trasladar a procesos estándar, dada la variedad de maquinaria que puede emplearse y las diferentes formas de "sensorizarla" y de comprobar su estado de salud.
II. Monitorización de condición y detección de fallos en sistemas IoT
Expresiones más o menos recientes como «detección y diagnóstico de fallos», «monitorización de condición», «mantenimiento predictivo» y una copiosa cantidad de variaciones sobre el tema se han popularizado o han adquirido un nuevo significado en la jerga de la Smart Factory. Aunque los límites entre ellas suelen estar mal definidos, comúnmente se refieren a un conjunto de estrategias diferentes dirigidas a reducir tanto los fallos imprevistos como los costes de mantenimiento de una empresa mediante la detección temprana de fallos potencialmente peligrosos o incluso catastróficos. La interacción entre el IoT y la inteligencia artificial (IA) ha abierto las puertas a nuevos enfoques basados en datos para lograr el éxito en la seguridad y la fiabilidad de los procesos industriales [1]. Con distintos tipos de sensores es posible ahora recopilar y procesar información multifacética sobre la maquinaria en funcionamiento y el entorno circundante: corriente, tensión y otras magnitudes eléctricas, temperatura, presión y humedad, vibración y señal acústica, radiaciones electromagnéticas de diversos rangos de frecuencia, etc. [2].
La monitorización de condición (CM) en línea consiste en medir una o varias variables (parámetros de la condición) en una máquina mientras está en funcionamiento, con la idea de comprobar si estas u otras magnitudes derivadas se encuentran dentro de los límites "aceptables" desde una perspectiva física, de diseño o de seguridad, o en comparación con sus variaciones históricas [3]. Esta comprobación se realiza mediante enfoques que van desde la verificación de umbrales de un solo parámetro hasta sistemas expertos basados en reglas, desde métodos basados en modelos (por ejemplo, de elementos finitos) hasta sofisticadas técnicas de machine learning [4]. En general, se genera una alarma si esta comprobación falla, lo que activa la decisión sobre si adoptar acciones correctivas y de qué tipo. En este sentido, la CM es el requisito principal del mantenimiento predictivo (PM), es decir, el uso de datos de medición para predecir fallos inminentes antes de que se produzcan [5] y determinar cuándo resulta más rentable intervenir en una máquina. Por tanto, las operaciones de mantenimiento y de sustitución parcial o total de la máquina pueden programarse en función de la información proporcionada por las evaluaciones del sistema de monitorización de condición.
Existe una vasta bibliografía sobre estos temas que recoge numerosas perspectivas y campos de aplicación. Puede encontrarse [6] un resumen, de hace una década, de investigadores de la NASA sobre técnicas de IA para el pronóstico, es decir, «detectar los precursores de un fallo y predecir cuánto tiempo queda antes de un probable fallo». En [7] se encuentra una revisión de las soluciones estadísticas basadas en datos más recientes para estimar la vida útil restante (RUL), esto es, la vida útil que le queda a un activo en un momento concreto de su funcionamiento, que desempeña un papel crucial en el mantenimiento basado en la condición (CBM). Una revisión bibliográfica de las metodologías de pronóstico para el CBM [8] las clasificó en cuatro categorías (modelos físicos, basados en el conocimiento, basados en datos y combinados), centrándose en los enfoques basados en datos tanto paramétricos como no paramétricos. Además, para ofrecer un resumen detallado del «diagnóstico y pronóstico de sistemas mecánicos que implementan CBM con énfasis en modelos, algoritmos y tecnologías para el procesamiento de datos y la toma de decisiones de mantenimiento», [9] describe también las técnicas de fusión de datos de múltiples sensores. Entre los artículos más recientes, [10] resume las aplicaciones del deep learning en los sistemas de monitorización de la salud de las máquinas, con especial atención a las redes neuronales artificiales (ANN). [11] presenta una visión general de las soluciones de CBM y PM de los últimos quince años y de cómo han transmitido resultados en distintas partes o procesos de las máquinas.
III. Casos de estudio
Los casos de estudio se identificaron gracias a la participación en un proyecto respaldado por el gobierno de la Toscana para promover las soluciones de IoT industrial (IIoT). El IIoT es un proyecto de dos años financiado por la región de la Toscana, centrado en la Industria 4.0 e iniciado en 2018. Diferentes empresas colaboran para crear un nuevo marco que facilite a las empresas migrar a la nueva perspectiva de la Industria 4.0, innovar sus productos y obtener las ventajas del nuevo mercado en crecimiento del IIoT.
El proyecto IIoT tiene como objetivo diseñar, producir y lanzar al mercado un nuevo producto. Incluirá un conjunto de herramientas de hardware embebido, una plataforma de software basada en servicios en la nube, ML y servicios profesionales. Está dedicado a todas las pequeñas y medianas industrias que no tienen la capacidad de cualificarse como entidad digital o como fabricante digital en términos de recursos económicos o humanos, conocimientos o capacidades. El sistema propone reducir la brecha inicial de conocimiento de las empresas y también repartir la inversión inicial de todo el proceso. El resultado final será un conjunto de hardware (puentes de sensores, pasarela) totalmente integrado con un entorno de software diseñado para gestionar todos los dispositivos de forma remota, el flujo de datos y la potencia de cálculo en distintos niveles. Además, se proporcionará un conjunto de módulos de ML, con procesos de desarrollo dedicados, para resolver las aplicaciones industriales más comunes.
Los casos de estudio proceden de dos contextos industriales principales: un fabricante de campanas extractoras de cocina y un fabricante industrial de energía solar.
A. Ventilación de aire: campana extractora de cocina
En esta sección describimos el análisis de un banco de pruebas con varios aspectos interesantes, centrado en dos detalles de la monitorización remota de un dispositivo: la predicción de un conjunto discreto de estados de funcionamiento y la detección de posibles anomalías respecto al comportamiento de funcionamiento estándar de cada estado.
Las motivaciones para investigar este problema pueden resumirse en la monitorización en tiempo real de sensores que proporcionan series temporales de alta frecuencia y presentan una dinámica rápida que puede degenerar con rapidez en una situación de fallo; el análisis de una medición física que no está directamente relacionada con el fenómeno que se desea monitorizar; la investigación de un conjunto de modelos que combinan técnicas de ML supervisadas y no supervisadas; y la prueba del rendimiento del cálculo en el edge al ejecutar un cálculo de alta frecuencia en un single board computer de bajo consumo.
Los resultados del primer análisis cualitativo muestran que los requisitos globales de cálculo son sensiblemente inferiores a lo esperado y que el algoritmo propuesto es capaz tanto de clasificar el estado de los sistemas como de detectar las anomalías con un alto nivel de precisión.
Descripción del sistema
El análisis propuesto consiste en la monitorización remota de una campana extractora de cocina mediante una pasarela IoT, realizando todos los cálculos necesarios íntegramente a nivel de edge. En particular, queremos analizar las condiciones de funcionamiento del motor eléctrico de la campana, que puede ser una representación general de cualquier tipo de motor industrial. La pasarela IoT está equipada con un algoritmo de inteligencia artificial, capaz de realizar la adquisición de datos en tiempo real, evitando una carga de trabajo intensiva en la comunicación de red, que puede dar lugar a problemas tanto de tráfico como de seguridad [12].
Este enfoque puede ser útil en diferentes situaciones. Un ejemplo, el más interesante en nuestro caso, es cuando el sistema debe analizar un fenómeno que produce datos con alta frecuencia, de modo que la monitorización en tiempo real en la nube resulta imposible. En este caso, el algoritmo realiza directamente el preprocesamiento necesario y produce un resumen del entorno (es decir, en este caso, el estado actual y un eventual fallo).
El análisis se realiza sobre los motores eléctricos de la campana, que se utilizan para depurar el aire. Este dispositivo tiene tres velocidades de funcionamiento distintas, que representan diferentes configuraciones de trabajo. La primera tarea del sistema es clasificar el estado de funcionamiento actual en función de la firma de vibración. Por supuesto, la extracción de esta información no es un aspecto crucial, ya que se conoce a través del PLC de la campana. Sin embargo, el análisis de la señal de entrada, combinado con una información bien conocida, proporciona una forma claramente definida de analizar los datos y descubrir el mejor procesamiento de datos para poner de manifiesto las características representativas del fenómeno. La adquisición de la firma vibratoria se realiza mediante un micrófono piezoeléctrico, que puede adquirir datos con muestreo de alta frecuencia filtrando al mismo tiempo el posible ruido acústico procedente del entorno exterior. La adquisición de datos con este alto nivel de resolución nos permitió realizar análisis más complejos en una configuración de Novelty Detection (ND). En efecto, intentamos detectar posibles anomalías en el mecanismo de filtrado del flujo de aire analizando los cambios en la firma vibratoria de los estados. Con este fin, comprobamos que es difícil entrenar un único algoritmo de ND que pueda monitorizar eficazmente todas las configuraciones posibles. Dado que ya habíamos entrenado el clasificador que nos da la etiqueta del estado actual, decidimos desarrollar un agente dedicado para cada estado.
El pipeline global se representa en la Figura 1. Dado que, como ya se ha dicho, el sistema debe ser capaz de analizar datos muestreados a alta frecuencia, los pasos de adquisición y de inferencia se intercalan tras el despliegue, mientras que los datos para el paso de entrenamiento pueden recopilarse sin conexión.
Una vez adquirido del micrófono un búfer de muestras de tamaño adecuado, se aplican técnicas clásicas de procesamiento de señales basadas en el análisis de Fourier para producir información relevante en el dominio de la frecuencia. Así se genera una serie de tramas, cada una de las cuales contiene información sobre una pequeña ventana temporal. A continuación, el clasificador de estados realiza múltiples predicciones sobre estos datos de entrada, infiriendo una serie de etiquetas para las tramas.
Después se utiliza un enfoque de votación por mayoría para producir una única etiqueta robusta. La decisión final se utiliza para seleccionar el modelo correspondiente que realizará el ND. El modelo recibe como entrada las mismas tramas y proporciona una puntuación de novedad basada en las muestras vistas durante la fase de entrenamiento. Dado que ni siquiera la puntuación de novedad es perfecta, utilizamos las predicciones de los ejemplos consecutivos que componen el búfer para aplicar una ventana de suavizado a las puntuaciones, ganando robustez respecto a la puntuación de anomalía.
Resultados
Toda la experimentación se realiza en una pasarela SECO SBC-C23 equipada con una CPU NXP i.MX 6SoloX Applications Processor (Cortex A9) [13]. La entrada se muestrea a 44.1KHz con codificación de 16 bits. Para cada estado, grabamos aproximadamente un minuto de datos, que constituyó el conjunto de datos tanto para entrenar el clasificador como el algoritmo de ND. Los datos de prueba para la tarea de detección de anomalías se componen de pistas de unos 10 segundos que contienen (por separado) datos normales o datos grabados mientras se obstruía parcialmente la salida del filtro de aire (para cada estado se graba una pista normal y una anómala). Las características de entrada de ambos algoritmos son el logaritmo de la potencia del espectrograma de frecuencias, calculado sobre una ventana de 512 muestras con un solapamiento del 25% (calculado con la biblioteca de Python Librosa [14,15]), lo que produce un vector de 257 características, al que añadimos información sobre el RMSE de la señal.
| Velocidad | Clasificación (en tramas individuales) | Detección de anomalías (en secuencias de tramas) | |
|---|---|---|---|
| Precisión | Anomalías detectadas | Tasa de falsos positivos | |
| 1 | 99,79 | 99,85 | 1,09 |
| 2 | 97,21 | 98,79 | 0,56 |
| 3 | 73,21 | 72,01 | 0,00 |
| Para cada velocidad del motor de la campana, se indica la precisión de clasificación en condiciones normales (primera columna). El porcentaje de anomalías detectadas (segunda columna) y el porcentaje de falsos positivos (tercera columna) se indican en condiciones anómalas, con obstrucción parcial de la salida del filtro de aire. | |||
Tanto el clasificador como el detector se basan en redes neuronales (implementadas en Keras [16]). El clasificador es una red neuronal feed-forward de 2 capas (con 100 HU) que realiza una predicción de 3 clases. Para cada clase, el algoritmo de ND se implementa como un autoencoder sencillo (una capa oculta con 32 HU), considerando el error de reconstrucción como una puntuación de la anormalidad de cada patrón. El suavizado se configura para considerar unas 20 predicciones. Con esta configuración, el entrenamiento del modelo puede realizarse directamente en el edge, en menos de media hora.
En la fase de prueba, la placa empleada es capaz de proporcionar predicciones a unos 2.5 Hz, con una carga de CPU del 27% y un consumo de memoria del 2% (de 4GB). La precisión y el rendimiento de detección se resumen en la Tabla 1.
Como podemos ver, los rendimientos de predicción son bastante altos, con un descenso sensible en el estado 3, con mayor velocidad y más dinámica en las frecuencias. Sin embargo, el enfoque de votación por mayoría nos permite proporcionar la clasificación correcta en cada búfer de muestras si no se han producido cambios de estado dentro del búfer (no obstante, en esta configuración cada búfer es una fracción de segundo). La parte de la etiqueta correcta es un paso fundamental para seleccionar el modelo adecuado con el que realizar el ND. Incluso en este caso, la tasa de anomalías detectadas, en lo que respecta a las falsas alarmas, es lo bastante alta como para descartar más consideraciones sobre el umbral.
B. Bomba de agua
El segundo escenario se basa en un sistema todo en uno capaz de absorber y almacenar energía solar y de reutilizarla para diversos servicios en contextos públicos o privados y para la depuración del agua en zonas sin conexión a la red. La solución nace de un contexto de servicio público en zonas desfavorecidas del planeta, donde la disponibilidad de agua potable y electricidad es limitada, pero también es adecuada para un entorno privado de gestión doméstica de la energía. Además, también puede servir como punto de acceso Wi-Fi para la comunidad en la que se ubica. Puede equiparse con una conexión de datos 2G/3G/4G que puede compartirse de forma inalámbrica con los dispositivos cercanos, convirtiéndose en un punto de referencia social.
De las preguntas de negocio a los problemas de ML para diseñar los sensores
Para definir el diseño de la solución IoT de la Survivor Box fue necesario comprender las necesidades de negocio. La identificación de los problemas de negocio nos permitió definir un conjunto de sensores situados en posiciones clave del sistema mecánico. La definición del conjunto de sensores nos permitió transformar la pregunta de negocio en diferentes problemas de ML. El que describimos es la detección de fallos de la bomba de depuración de agua.
El algoritmo utilizado para aprender el comportamiento normal del sistema fue el Local Outlier Factor (LOF) [17]. Durante la fase de entrenamiento, el LOF tiene como objetivo identificar uno o más clústeres de puntos "normales" (aquí, un punto es un vector de 9 dimensiones en el que cada componente corresponde a la lectura de un sensor concreto) dentro del conjunto de entrenamiento. Después, durante la fase de inferencia, el grado de anormalidad de una nueva observación se calcula en función de lo aislada que esté la observación respecto al vecindario de puntos que la rodea. Como esperábamos que las lecturas del acelerómetro fueran muy sensibles a oscilaciones imperceptibles que caracterizarían incluso el comportamiento normal del sistema, decidimos no inferir el estado del sistema (normal o anómalo) a partir de predicciones individuales de nuestro modelo, sino promediar las predicciones del modelo sobre los últimos 10 puntos. El modelo se implementó con Python y la biblioteca Scikit-learn [18]. Entrenar el modelo con 2000 puntos de datos llevó aproximadamente 20 segundos, con un consumo de CPU [19]) del 2% y un consumo de memoria del 0.1% (de 2GB). Durante la fase de inferencia, el modelo era capaz de hacer unas 50 predicciones por segundo. El rendimiento del sistema se evaluó inyectando anomalías y verificando que se identificaban. Además, comprobamos que las observaciones normales no se consideraban anomalías.
Los dos tipos de anomalías que probamos fueron:
- anomalías del acelerómetro: golpeamos la superficie sobre la que se colocaba el sistema, creando así algunas vibraciones
- anomalías del flujo de agua: empleamos una pequeña palanca para ajustar el nivel del flujo de agua. La anomalía se simuló dejando fluir el agua a una velocidad distinta de la utilizada al entrenar el modelo
Podemos afirmar con claridad que nuestro modelo logra identificar las anomalías inyectadas (Tabla 2). Además, no se observaron anomalías cuando se alimentó el modelo con datos normales.
| Predicho | |||
| Normal | Anomalía | ||
| Real | Normal | 1000 | 0 |
| Anomalía | 12 | 1988 | |
| Matriz de confusión con las predicciones del modelo sobre datos normales y datos anómalos (repartidos casi por igual entre la perturbación manual del acelerómetro y la del flujo de agua). | |||
Resultados
Una variación de las condiciones ambientales, que a su vez implique un cambio en las condiciones de funcionamiento "normales" del sistema, puede afectar negativamente a nuestro modelo. Creemos que existen al menos dos posibles soluciones a este problema: la primera requiere que el modelo se entrene con un conjunto de datos muy grande, de modo que los posibles cambios en las condiciones ambientales queden "incorporados" en el conjunto de datos. Sin embargo, esto aumentaría drásticamente tanto el tiempo de entrenamiento como el de inferencia, ya que el LOF es un algoritmo de aprendizaje basado en instancias; la segunda solución, que se apoya en el hecho de que el tiempo de entrenamiento es bajo si también lo es el número de muestras de entrenamiento, consiste en volver a entrenar el modelo cada vez que varíen sus condiciones normales de funcionamiento.
Conclusiones
Monitorizar las plantas industriales nunca había sido tan factible y asequible gracias a la amplia difusión de sensores de bajo coste y bajo consumo, así como de potentes single board computers (SBC) utilizados como pasarelas IoT. La interacción entre el IoT y el ML ha abierto la puerta a nuevos enfoques basados en datos para lograr el éxito en la seguridad y la fiabilidad de los procesos industriales. En estas dos aplicaciones probamos con éxito diferentes métodos basados en ML, ya sea para predecir el estado del sistema a partir de un conjunto de estados fijos o para detectar posibles situaciones anómalas, combinando incluso los dos enfoques. La monitorización se ha probado tanto con mediciones directas como indirectas respecto al fenómeno analizado. El sistema puede realizar el cálculo en el edge, lo que nos permite trabajar con entornos que requieren una adquisición de datos de muy alta frecuencia, algo que podría ser crucial en aquellas aplicaciones en las que no es posible compartir todos los datos con un sistema remoto. Este trabajo preliminar nos permitió explorar algunos bancos de pruebas para evaluar los equilibrios entre coste computacional y rendimiento en tareas reales, sentando las bases para nuevas investigaciones sobre sistemas de monitorización más complejos en diferentes escenarios.
Referencias
[1] Al-Garadi, Mohammed Ali, et al. "Una revisión de los métodos de machine learning y deep learning para la seguridad del Internet de las cosas (IoT)." Preprint de arXiv arXiv:1807.11023 (2018).
[2] Si, Jia, Yibin Li y Sile Ma. "Diagnóstico inteligente de fallos para big data industrial." Journal of Signal Processing Systems 90.8-9 (2018): 1221-1233.
[3] Gustafsson, J. y F. Sandin. "Sistemas de monitorización y control de la calefacción urbana." Advanced District Heating and Cooling (DHC) Systems. Woodhead Publishing, 2016. 241-258.
[4] Sin, M. L., W. L. Soong y N. Ertugrul. "Monitorización de condición en línea y diagnóstico de fallos de máquinas de inducción: una revisión." Australasian universities power engineering conference. Vol. 28. 2003.
[5] Jahnke, Patrick. "Enfoques de machine learning para la detección del tipo de fallo y el mantenimiento predictivo." Technische Universität Darmstadt 19 (2015).
[6] Schwabacher, Mark y Kai Goebel. "Una revisión de la inteligencia artificial para el pronóstico." Aaai fall symposium. 2007.
[7] Si, Xiao-Sheng, et al. "Estimación de la vida útil restante: una revisión de los enfoques estadísticos basados en datos." European journal of operational research 213.1 (2011): 1-14.
[8] Peng, Ying, Ming Dong y Ming Jian Zuo. "Estado actual del pronóstico de máquinas en el mantenimiento basado en la condición: una revisión." The International Journal of Advanced Manufacturing Technology 50.1-4 (2010): 297-313.
[9] Jardine, Andrew KS, Daming Lin y Dragan Banjevic. "Una revisión del diagnóstico y el pronóstico de maquinaria que implementan el mantenimiento basado en la condición." Mechanical systems and signal processing 20.7 (2006): 1483-1510.
[10] Zhao, Rui, et al. "El deep learning y sus aplicaciones a la monitorización de la salud de las máquinas." Mechanical Systems and Signal Processing 115 (2019): 213-237.
[11] Sakib, Nazmus y Thorsten Wuest. "Retos y oportunidades del mantenimiento predictivo basado en la condición: una revisión." Procedia CIRP 78 (2018): 267-272.
[12] Čolaković, Alem y Mesud Hadžialić. "Internet de las cosas (IoT): una revisión de las tecnologías habilitadoras, los retos y las cuestiones de investigación abiertas." Computer Networks (2018).
[13] edge.seco.com/en/
[14] McFee, Brian, et al. "librosa: análisis de señales de audio y música en Python." Actas de la 14.ª conferencia Python in science. 2015.
[15] github.com/librosa/librosa
[16] keras.io
[17] Breunig, M. M., Kriegel, H. P., Ng, R. T. y Sander, J. (2000, mayo). LOF: identificación de valores atípicos locales basada en la densidad. En ACM sigmod record.
[18] Scikit-learn: Machine Learning in Python, Pedregosa y otros, JMLR 12, pp. 2825-2830, 2011.
Reciba la newsletter de SECO.
Suscríbase con su dirección de correo en seco.com.



