APRENDIZADO DE MÁQUINA NA INDÚSTRIA 4.0: DETECÇÃO DE ANOMALIAS EM SISTEMAS EMBARCADOS E CLASSIFICAÇÃO DE SUBSTÂNCIAS.
Testes automatizados; indústria 4.0; detecção de anomalias; classificação de substâncias; aprendizado de máquina; autoencoder.
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 de produtos eletrônicos, a miniaturização dos componentes e o uso de placas multicamadas aumentaram consideravelmente a complexidade dos testes. Consequentemente, formas tradicionais de teste baseadas em inspeções manuais tornaram-se desatualizadas e ineficientes. Além disso, a Indústria 4.0 demanda produtos com alto índice de personalização. Isso exige requisitos adicionais, como alto grau de flexibilidade nos processos de concepção, de projeto e de testes. Portanto, 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 espectrógrafos. 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 espectrógrafos.
Para validação, projetamos e construímos protótipos para realização de experimentos. Para detecção de anomalias, construímos um sistema usando uma placa de desenvolvimento de sistemas embarcados. Seis versões de software foram implementadas – sendo uma delas funcional, enquanto o restante representa algum tipo de anomalia. 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, treinado para detectar se o circuito se comporta conforme a especificação.
Para classificação de substâncias, apresentamos uma Prova de Conceito. Em vez de empregar o espectrógrafo, utilizamos 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.
Os resultados experimentais demonstram a eficácia dos métodos de teste propostos. Para vários cenários de teste do sistema eletrônico, a taxa de detecção chega a 100%. A classificação de substâncias também apresenta desempenho ótimo (taxa de acerto de 100%) em várias configurações. 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.