Aplicación de técnicas de ML para la optimización de compresores de aire

Abstract

La industria 4.0 ha llegado con nuevas técnicas para la mejora de procesos de automatización y optimización de recursos en el mundo empresarial. En la empresa Velfair, S.A. (Requejada, Cantabria) se ha llevado a cabo un proyecto en el que se ha desarrollado una plataforma big data capaz de administrar y analizar los datos procedentes de los compresores de aires que comercializa la empresa. Este trabajo presenta el análisis y la construcción de modelos para la optimización del mantenimiento de estos compresores. Se ha presentado un flujo de datos mediante la herramienta Airflow capaz de analizar los datos procedentes del diferencial de presión generado en el filtro de los compresores. Además, este flujo entrena y selecciona el mejor modelo para emitir la predicción de la evolución del estado del filtro, lo almacena en MLflow y lo llama para la obtención de la predicción. Por otra parte se ha desarrollado un detector de anomalías para 7 compresores mediante el uso de autoencoders, LSTM y Bi-LSTM. En esta memoria se muestra el ejemplo de uno de los compresores obtenidos, donde además se realiza otro flujo de Airflow en el que se emite una predicción de las anomalías detectadas. Tanto esta memoria como los archivos adjuntos a ella pueden encontrarse en https://gitlab.com/marcossanmiguel97/tfm_marcos_sanmiguel_datascience/.

Industry 4.0 has come up with new techniques for optimizing and improving automation in industry. A machine learning project has been developed at Velfair S.A. (Requejada, Cantabria) where a big data platform has been developed to analyze and manage data from air compressors sold by the company. This work shows the analysis and development of machine learning models for the optimization of the maintenance of these compressors. A data flow has been built using Airflow, this flow was able to analyze the pressure difference coming from the compressor filter. Also, this flow trains and chooses the best model to show predictions of the future state of the filter, and persists the best models in MLflow, where they can be called to get predictions. In addition, an anomaly detector was designed for seven compressors through autoencoders, LSTM and Bi-LSTM networks. This report shows an example of the results obtained with a compressor, where another Airflow flow is performed to show a prediction of the detected anomaly. This report and the attached files can be found at https://gitlab.com/marcossanmiguel97/tfm_marcos_sanmiguel_datascience/.