Proposicao De Experimento Para Selecao De Modelo De Deep Learning Para O Diagnostico De Falhas Em Cenarios Industriais

Abstract

Predictive maintenance is a prominent area inside Industry 4.0. Fault diagnosis is a part that integrates this context because it enables maintenance before the breakdown. Deep Learning techniques have been widely explored in literature for this diagnosis. However, most of the research assumes that the training and test data belong to the same distribution; that is different in industrial scenarios, where differences in working conditions cause discrepancies in the data. This issue increases the need for more labeled data for a reliable classifier. However, acquiring and labeling this data is costly and laborious. To deal with this, domain adaptation techniques are used. Despite this, fault diagnosis lacks experiments with more complex scenarios, with more variations in working conditions such as load and speed. To overcome this problem, bibliographical research composed of two Systematic Reviews of the Literature is proposed to structure an experiment to select a reliable model for domain adaptation. The results concluded that the grayscale time-frequency images generated by CWT and FSWT, combined with architectures such as MDD, CAN, and Discluster-DA, should compose the experiment to select a reliable model most applicable to an industrial environment. Keywords: Industry 4.0; predictive maintenance; fault diagnosis; transfer learning; domain adaptation; different operating conditions PROPOSIÇÃO DE EXPERIMENTO PARA SELEÇÃO DE MODELO DE DEEP LEARNING PARA O DIAGNÓSTICO DE FALHAS EM CENÁRIOS INDUSTRIAIS RESUMOA manutenção preditiva é uma área promissora dentro da Indústria 4.0. O diagnóstico de falhas é uma parte integrante deste contexto, pois possibilita que medidas de manutenção sejam tomadas antes de uma eventual quebra. As técnicas de Deep Learning vêm sendo amplamente exploradas na literatura para estes diagnósticos. No entanto, grande parte dos trabalhos assumem que os dados de treinamento e teste pertencem a mesma distribuição, o que de fato não ocorre em cenários industriais onde variações de operação causam discrepância nos dados. Esta característica aumenta a necessidade de mais dados rotulados para que o classificador seja mais robusto. Porém adquirir e rotular estes dados é custoso laborioso. Para resolver este problema técnicas de adaptação de domínio estão sendo empregadas. No entanto, esta área carece de experimentos com cenários mais complexos, com maiores variações de condições de operação como carga e velocidade. Para lidar com este problema, este trabalho propõe uma pesquisa bibliográfica composta por duas Revisões Sistemáticas da Literatura, para estruturar um experimento para a seleção de um modelo robusto de adaptação de domínio. Com os resultados, conclui-se que as imagens do domínio tempo-frequência, geradas por CWT e FSWT em escala de cinza, aliadas a arquiteturas como MDD, CAN e Discluster-DA, devem compor o experimento para selecionar um modelo robusto, que seja mais aplicável a um cenário industrial. Palavras-chave: Indústria 4.0; manutenção preditiva; diagnóstico de falhas; transfer ...