Bida, Mihail
(2021)
Tecniche di Drift Detection basate su Fog Computing per Scenari Industria 4.0.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Ingegneria informatica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (3MB)
| Contatta l'autore
|
Abstract
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.
Abstract
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.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Bida, Mihail
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Industria 4.0,Predictive Maintenance,Drift detection,Fog Computing,Datastream
Data di discussione della Tesi
11 Marzo 2021
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Bida, Mihail
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Industria 4.0,Predictive Maintenance,Drift detection,Fog Computing,Datastream
Data di discussione della Tesi
11 Marzo 2021
URI
Statistica sui download
Gestione del documento: