Construction of a temperature control system in industry 4.0 with low-power systems

Abstract

El presente trabajo busca desarrollar un sistema de mantenimiento predictivo de motores eléctricos, empleando para ello la inteligencia artificial y empleando como parámetro de análisis la temperatura. La necesidad de la industria en prevenir fallos en los sistemas de producción es lo que lo motiva.

Los métodos tradicionales para realizar estos mantenimientos se centran en el análisis de señales y en el diagnóstico de las vibraciones de los dispositivos; mostrando algunas limitaciones que se solventarían aplicando la termografía al ser este un método no invasivo.

Para poder construir este sistema, lo primero que se debe hacer es programar una red neuronal que sea capaz de diferenciar los motores en base a las imágenes térmicas que se obtengan. Se decide implementar una CNN programada en Python con Tensorflow y Keras. Para poder entrenarla se hace uso de un dataset que incluye imágenes térmicas de motores funcionando correctamente, motores que están desalineados y motores que tienen algunas jaulas rotas. Para poder partir de un modelo sencillo, primero se entrenó una red que no emplea el aumento de datos y una vez obtenidos resultados óptimos se incluyó esta técnica para hacerla más fiable.

Los resultados obtenidos con distintas métricas muestran que la red con aumento de datos es mucho mejor y además es funcional, aunque se podría seguir mejorando. Para ello se deberían entrenar modelos variando distintas métricas como pueden ser las de las capas de convolución.

En conclusión, este trabajo propone una parte fundamental del sistema de control de temperatura de los motores como es la red que analizaría las imágenes y ayudaría a realizar ese mantenimiento predictivo que ayudaría a reducir los costes y a mejorar la eficiencia energética.

This work aims to develop a predictive maintenance system for electric motors, using artificial intelligence and temperature as an analysis parameter. It is motivated by industry's need to prevent failures in production systems.

Traditional methods to perform this maintenance focus on signal analysis and diagnosis of device vibrations; showing some limitations that would be solved by applying thermography as this is a non-invasive method.

To build this system, the first thing to do is to program a neural network capable of differentiating the engines based on the thermal images obtained. It was decided to implement a CNN programmed in Python with TensorFlow and Keras. To train it, use is made of a dataset that includes thermal images of engines that are working correctly, engines that are misaligned and engines that have some broken cages. In order to start from a simple model, a network that does not use data augmentation was first trained and once optimal results were obtained, this technique was included to make it more reliable.

The results obtained with different metrics show that the data augmented network is much better and functional, although it could be further improved. To do so, models should be trained by varying different metrics such as convolution layers.

In conclusion, this work proposes a fundamental part of the motor temperature control system as the network that would analyse the images and help to carry out predictive maintenance that would help to reduce costs and improve energy efficiency.