Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias

Abstract

O controle de qualidade é um aspecto crítico, especialmente no contexto da indústria 4.0. Além de ser uma necessidade para atender aos pré-requisitos funcionais de um determinado produto, a qualidade está intimamente relacionada à segurança, à proteção, e a questões econômicas. Neste trabalho, abordamos dois aspectos específicos de certificação da qualidade no contexto moderno da indústria: detecção de anomalias em sistema eletrônicos embarcados e classificação de substâncias químicas ou biológicas. As soluções abordadas são baseadas em modelos de aprendizado de máquina. Na indústria 4.0, formas tradicionais de teste baseadas em inspeções manuais tornaram-se desatualizadas e ineficientes. Além disso, existe uma demanda por produtos com alto índice de personalização. Isso exige alto grau de flexibilidade nos processos de concepção, de projeto e de testes. São necessárias soluções eficazes e flexíveis que não utilizem pontos de contato físico com o produto testado. Nosso estudo apresenta soluções de teste automatizados e não invasivos. Em relação aos testes de substâncias, tradicionalmente utilizam-se técnicas de espectroscopia, realizadas com espectrômetros. Apesar de ser uma técnica bastante madura, sua limitação são o custo e a complexidade do equipamento. Nós propomos uma alternativa simples, porém eficiente para realizar testes sem o uso de espectrômetros. Para validação, projetamos e construímos protótipos para realização de experimentos. Anomalias são detectadas pela análise de sinais temporais capturados do circuito de forma não invasiva. Os sinais são convertidos em imagens espectrográficas que são analisadas por um modelo de aprendizado de máquina. Para classificação de substâncias, apresentamos uma Prova de Conceito utilizando um sistema de transmissão e recepção ópticas. O sinal transmitido possui forma de onda especialmente projetada para obtenção de máximo desempenho. O sinal detectado é convertido em imagem espectrográfica que é usada por um modelo de aprendizado de máquina que realiza a classificação. Para vários cenários experimentais de validação, a taxa de acerto de detecção de anomalia e de classificação de substâncias chega a 100%. Adicionalmente, apresentamos uma técnica para aumentar o desempenho por meio da transformação dos dados utilizados para treinamento e validação do modelo. A eficácia da técnica é comprovada experimentalmente tanto para detecção de anomalias quanto para classificação de substâncias.