Detecção de anomalias em dados de série temporal compactados: uma abordagem por aprendizado profundo
Indústria 4.0, detecção de anomalias, dados compactados, redes neurais.
O desenvolvimento de tecnologias como Cloud Computing e Internet of Things promoveu ampla geração de dados na Indústria 4.0. Este crescimento permitiu aprimorar o monitoramento e o controle das variáveis do processo. Ele aumentou a energia consumida em data warehouses, a emissão de CO2 e o custo computacional da aplicação de algoritmos de mineração de dados, como detecção de anomalias. Para superar isso, neste projeto, propomos o uso de algoritmos de compressão com perdas, como Symbolic Aggregate Approximation e Swinging Door Trending, em séries temporais industriais multivariáveis para reduzir a carga em bancos de dados, ao mesmo tempo em que avaliamos o desempenho de Redes Neurais dos tipos MLP e LSTM para detectar anomalias em dados compactados-descompactados e nos dados originais da simulação de benchmark Tennessee Eastman Process. Usaremos métricas de classificação binária de exatidão, precisão, recall e pontuação F1 para modelos de detecção de anomalias e as métricas de compressão de taxa de compressão e erro de compressão para validar os algoritmos usados para comprimir séries temporais para validar nossa abordagem.