Detección de eventos anómalos en un entorno industrial mediante el uso de técnicas de Federated Learning

Abstract

Un evento anómalo es aquel que se produce de forma repentina y sin previsión. En un entorno industrial, estos eventos, generalmente fallos en las máquinas, pueden provocar grandes daños económicos y personales por lo que su detección puede ayudar a prevenir situaciones irreversibles. El objetivo de este proyecto es mostrar como detectar anomalías en equipos industriales mediante el uso de un modelo de aprendizaje automático. Para enseñar a distinguir a un modelo entre un comportamiento normal y otro anormal se necesitan datos, contra más datos, mejor. Hoy en día la mayoría de los componentes dentro de un entorno industrial están monitorizados mediante el uso de dispositivos de medición especializados. Siempre podemos disponer de los datos suministrados por nuestros dispositivos de medición para entrenar al modelo, pero ¿y si pudiéramos disponer de más datos? Muchos equipos industriales son de uso genérico y pueden ser usados para muchas tareas y en muchos tipos de instalación. Si pudiéramos tener acceso a los datos de todos esos dispositivos podríamos crear un modelo mucho más robusto. Por diversas razones a las compañías rehúsan compartir sus datos. Por este motivo en este trabajo se propone el uso del Federated Learning (FL). Gracias a el FL se pueden construir modelos aprovechando toda la información disponible manteniendo la privacidad de los datos.

An anomalous event is one that occurs suddenly and without foresight. In an industrial environment, these events, generally machine failures, can cause great economic and personal damage, so their detection can help prevent irreversible situations. The objective of this project is to show how to detect anomalies in industrial equipment using a machine learning model. To teach a model to distinguish between normal and abnormal behaviour, data is needed, the more data, the better. Today, most components within an industrial environment are monitored by specialized measuring devices. We can always have the data provided by our measuring devices to train the model, but what if we could have more data? Many industrial equipment is of generic use and can be used for many tasks and in many types of installation. If we could have access to the data of all those devices, we could create a much robust model. For various reasons companies refuse to share their data. For this reason, this paper proposes the use of Federated Learning (FL). Thanks to FL, models can be built taking advantage of all available information while maintaining data privacy.

Un esdeveniment anòmal és aquell que es produeix de manera sobtada i sense previsió. En un entorn industrial, aquests esdeveniments, generalment fallades en les màquines, poden provocar grans danys econòmics i personals pel que la seva detecció pot ajudar a prevenir situacions irreversibles. L'objectiu d'aquest projecte és mostrar com detectar anomalies en equips industrials mitjançant l'ús d'un model d'aprenentatge automàtic. Per a ensenyar a distingir a un model entre un comportament normal i un altre anormal es necessiten dades, contra més dades, millor. Avui dia la majoria dels components dins d'un entorn industrial estan monitorats mitjançant l'ús de dispositius de mesurament especialitzats. Sempre podem disposar de les dades subministrades pels nostres dispositius de mesurament per a entrenar al model, però i si poguéssim disposar de més dades? Molts equips industrials són d'ús genèric i poden ser usats per a moltes tasques i en molts tipus d'instal·lació. Si poguéssim tenir accés a les dades de tots aquests dispositius podríem crear un model molt més robust. Per diverses raons a les companyies refusen compartir les seves dades. Per aquest motiu en aquest treball es proposa l'ús del Federated Learning (FL). Gràcies al FL es poden construir models aprofitant tota la informació disponible mantenint la privacitat de les dades.