Tecniche di Drift Detection basate su Fog Computing per Scenari Industria 4.0

Uno dei concetti più interessanti di Industria 4.0, quella che oggi viene intesa come quarta rivoluzione industriale, è il Digital Twin (gemello digitale), basato sull'idea che ogni parte fisica debba avere una rappresentazione nel mondo digitale. Questo è permesso dalla grande quantità di dati della sensoristica, automaticamente generati e provenienti dai macchinari industriali. Una sfaccettatura del Digital Twin, che si basa sull'analisi di questi flussi di dati con lo scopo di ottimizzazione dei processi produttivi, è la Predictive Maintenance. Questa, consiste nell’effettuare diagnosi dei componenti e del macchinario tramite lo studio dei datastream in modo da individuare interventi di manutenzione soltanto quando strettamente necessario. Questo studio si focalizza sulla regressione, una tecnica specifica basata sull'apprendimento automatico usato per identificare un concept drift, un cambiamento di concetto nei datastream in entrata, in modo da poter attivare azioni di manutenzione predittiva. L'obiettivo è di riconoscere l'usura crescente che porterebbe il macchinario a un fallimento in modo da prevenirlo, cercando di discriminare tra dati sani di normale utilizzo e segnalare un cambio di concetto quando dati non visti o non sani vengono incontrati. Si è costruita una pipeline composta da varie componenti estendibili e personalizzabili che permettono di scegliere i modelli di regressione da testare (e allenare) e di adattare le parti a stream differenti. Questa gestisce il flusso di dati dal macchinario fino all'analisi e all'eventuale allarme. L'architettura è stata pensata ed è stata fornita una sua reale implementazione su fog node tramite l'utilizzo di docker container. Il tutto è stato testato e ne vengono mostrati i risultati utilizzando dati sintetizzati secondo la letteratura presente per i macchinari industriali.