DotNet 2019 | Daniela Solís y Manuel Rodrigo Cabello - IoT, una Raspberry Pi y predicción de fallos en un avión
•
0 j'aime•224 vues
En esta charla veremos como podemos utilizar nuestros dispositivos (Raspberry PI) para adelantarnos a posibles fallos que puedan ocurrir en un motor de un avión. Explicaremos como se ha realizado el proceso de entrenamiento y como podemos ejecutar las predicciones en nuestro dispositivo utilizando IoT Edge.
Recommandé
Recommandé
Contenu connexe
Similaire à DotNet 2019 | Daniela Solís y Manuel Rodrigo Cabello - IoT, una Raspberry Pi y predicción de fallos en un avión
Similaire à DotNet 2019 | Daniela Solís y Manuel Rodrigo Cabello - IoT, una Raspberry Pi y predicción de fallos en un avión (20)
Plus de Plain Concepts
Plus de Plain Concepts (20)
Dernier
Dernier (10)
DotNet 2019 | Daniela Solís y Manuel Rodrigo Cabello - IoT, una Raspberry Pi y predicción de fallos en un avión
- 1. IoT, Raspberry Pi y predicción de fallos en un avión
- 3. Sólo el 18% de los fallos en los mecanismos tienen que ver con el tiempo de uso NASA Complex Items Sources: RCM Guide, NASA, Sept. 2008, and U.S. Navy Analysis of Submarine Maintenance Data 2006.
- 4. @mrcabellom mrcabello@plainconcepts.com Rodrigo Cabello Artificial Intelligence Lead at Plain Concepts @Danysolism dsolis@plainconcepts.com Daniela Solis Software Developer Engineer at Plain Concepts
- 6. Mantenimiento Predictivo Objetivo • Prevenir los fallos → Evitar los mantenimientos reactivos. • Eliminar los costes innecesarios del mantenimiento preventivo (arreglar maquinas en buen estado). ¿Cómo? Utilizando modelos predictivos y telemetría de los sensores de las máquinas.
- 8. Arquitectura Histórico sensores Planificar Mantenimiento IotHub SensoresMódulo predictivo IoT Edge ARM32 Azure Databricks TFLite Deep Learning LSTM Informes Stream Analyticsc Azure Machine Learning Pipelines CI/CD
- 9. #1 Recogida de Datos Obtención de datos sobre el estado de los distintos componentes a través de los sensores de las máquinas: temperatura, humedad, presión, aceleración, etc. ¿Cómo? → Dispositivos IoT: circuitos + sensores + Wi-Fi chip
- 10. #2 Preprocesado de datos Los datos de los sensores pueden venir de distintas fuentes y pueden estar incompletos, con ruido, etc. TAREAS: • Limpieza de datos. • Integrar distintas fuentes. • Transformar los datos. • Selección de características.
- 11. #2 Preprocesado de datos La información de los sensores se divide en periodos de tiempo predefinidos → Ciclos No solo nos interesa saber si la turbina va a fallar sino también ¿Cuándo? → 30 ciclos Ciclo1 Ciclo2 Ciclo3 Ciclo4 . . . Ventana temporal = 50
- 13. #3 Machine Learning Training and Test Train Modelo final Evaluación Accuracy Precision Recall F1 score Modelo Datos recibidos en producción Predicción Preprocesado de datos
- 14. #3 Machine Learning Seleccionar el modelo adecuado: ✓ Que se ajuste a los datos: datos secuenciales ✓ Que sea capaz de identificar dependencias de larga duración → Detectar posibles fallos en el tiempo. Series Temporales LSTM Neural Networks
- 15. Long Short-Term Memory (LSTM) Redes neuronales que modelan secuencias en el tiempo. Tienen “memoria” y son capaces de codificar los estados pasados en la secuencia para obtener contexto. #3 Machine Learning
- 16. #3 Machine Learning Long Short-Term Memory (LSTM) Tienen un mecanismo que decide que información almacenar y cual borrar. Input gate → información nueva. Forget gate→ borrar memoria Output gate→ uso de recuerdos.
- 17. #3 Machine Learning Modelos: LSTM - Clasificador Binario→ ¿Va a fallar? LSTM - Regresión→ ¿Cuándo va a fallar? Test Training Clasificación Regresión SI(1) /NO(0) CICLO X ¿Cuáles van a fallar en el ciclo 30? Validation
- 19. IoTAzure Machine Learning Deep Learning LSTM Register & manage model Package & validate Deploy & monitor Azure DataBricks Historico Sensores #4 Despliegue
- 21. IoT
- 23. IoT Coral Dev Board La Raspberry Pi y la Coral Dev Board son dispositivos con arquitectura ARM que nos permiten conectar diferentes tipos de sensores. Se ajustan a cualquier escenario en el cual las quieras utilizar.
- 24. IoT Edge Solución: Tomar decisiones desde el punto donde el dispositivo se conecta a la red → Edge. Con Azure IoT Edge extendemos el procesamiento y los algoritmos de machine learning a los dispositivos Azure IoT Edge
- 25. IoT Edge Azure IoT Edge
- 26. #3 Machine Learning Tensorflow lite converter crea un flat buffer comprimido del modelo El archivo .tflite es cargado en el dispositivo IoT Despliegue del modelo Tf-Lite→ es una versión ligera del framework Tensorflow que nos permite hacer la inferencia de los modelos en dispositivos móviles y IoT
- 28. #4 Analytics /BI Acceso a los datos del sensor en tiempo real En escenarios críticos es necesario visualizar toda la información para tomar decisiones rápidas. Streaming Dataset
- 29. Arquitectura Histórico sensores Planificar Mantenimiento IotHub SensoresMódulo predictivo IoT Edge ARM32 Azure Databricks TFLite Deep Learning LSTM Informes Stream Analyticsc Azure Machine Learning Pipelines CI/CD
- 30. DEMO
- 32. Demo
- 34. Thanks and … See you soon! Thanks also to the sponsors. Without whom this would not have been posible.