Anomaly detection as a service for predictive maintenance

Machine Learning as-a-Service (MLaaS) has gained large popularity over the last years and it refers to the wide range of Machine Learning (ML) tools offered as services from cloud computing providers. Basically, it is the use of technology to automatically train, test, and deploy Machine Learning models for a user, typically by leveraging an AI platform with offsite server farms (a “cloud”) to run them on behalf of the customer. The goal of MLaaS is to make it easier and more affordable for companies to use ML, so they can get better insights from their data faster than ever before. MLaaS is used for a wide range of use-cases like Natural Language Processing, Forecasting, Regression, Image recognition etc. However, in the literature of Machine Learning as-a-Service very little attention has been posed to the data collected by sensors in industrial environments. From this perspective, the design and development of a Machine Learning as-a-Service tool for the identification of anomalies in the industrial environment is a novel and promising research area. This thesis aims at build an innovative client-server architecture that allows to offer Anomaly detection as-a-Service via RESTful APIs, based on supervised and unsupervised Machine Learning algorithms, with three different types of services: the training of a ML model, the update of a ML model and the inference of a sample data through a ML model. In this perspective, a real case study is treated in which Eisenmann Italia S.r.l. company wants to build a monitoring system for the identification of anomalies in the context of predictive maintenance. Predictive maintenance allows to anticipate the occurrence of certain events on the operation of industrial machinery, improving productivity, extending the life cycle of assets and reducing repair costs and complexity. In the industrial scenario of Eisenmann Italia S.r.l., a series of triaxial sensors mounted on applications for air treatment, burners etc., carry out a periodic data collection. Subsequently, these data were manipulated and used to train supervised and unsupervised ML models, allowing to classify and predict anomalous states of different machines. Moreover, since no data were available in which the machines are in anomalous conditions, synthetic data have been introduced, constructed from nominal data. The results obtained by both approaches are remarkable. In particular, those obtained from the unsupervised approach, based on the One-class Support Vector Machine (One-class SVM) algorithm give hope for a practical use of the entire client-server architecture for the Anomaly detection as-a-Service in the industrial processes.

Il Machine Learning as-a-Service (MLaaS) ha guadagnato grande popolarità negli ultimi anni. Si riferisce alla vasta gamma di strumenti di Machine Learning (ML) offerti come servizi da fornitori di cloud computing. Fondamentalmente, è l'uso della tecnologia per addestrare, testare e distribuire automaticamente i modelli di Machine Learning per un utente, in genere sfruttando una piattaforma AI con server farm offsite (il "cloud") per eseguirli per conto del client. L'obiettivo del MLaaS è quello di rendere più semplice e conveniente per le aziende l'utilizzo del ML, in modo che possano ottenere informazioni migliori dai loro dati più velocemente che mai. Il MLaaS viene utilizzato per una vasta gamma di casi d'uso come l'elaborazione del linguaggio naturale, la previsione, la regressione, il riconoscimento delle immagini ecc. Tuttavia, nella letteratura del Machine Learning as-a-Service è stata posta pochissima attenzione ai dati raccolti dai sensori in ambienti industriali. Da questo punto di vista, la progettazione e lo sviluppo di uno strumento di Machine Learning as-a-Service per l'identificazione delle anomalie nell'ambiente industriale è un'area di ricerca innovativa e promettente. Questa tesi mira a costruire un'innovativa architettura client-server che permetta di offrire Anomaly detection as-a-Service, basata su algoritmi di Machine Learning supervisionati e non-supervisionati, con tre diversi tipi di servizi: l'addestramento di un modello ML, l'aggiornamento di un modello ML e l'inferenza di dati attraverso un modello ML. In questa prospettiva viene trattato un vero e proprio caso studio in cui l'azienda Eisenmann Italia S.r.l. intende realizzare un sistema di monitoraggio per l'individuazione delle anomalie nel contesto della manutenzione predittiva. La manutenzione predittiva consente di anticipare il verificarsi di determinati eventi sul funzionamento dei macchinari industriali, migliorando la produttività, prolungando il ciclo di vita degli asset e riducendo i costi di riparazione e la complessità. Nello scenario industriale di Eisenmann Italia S.r.l., una serie di sensori triassiali montati su applicazioni per il trattamento dell'aria, bruciatori ecc., effettuano una raccolta periodica dei dati. Successivamente, questi dati sono stati manipolati e utilizzati per addestrare modelli ML supervisionati e non-supervisionati, consentendo di classificare e prevedere stati anomali di diverse macchine. Inoltre, poiché non erano disponibili dati in cui le macchine si trovavano in condizioni anomale, sono stati introdotti dati sintetici, costruiti a partire da dati nominali. I risultati ottenuti da entrambi gli approcci sono notevoli. In particolare, quelli ottenuti dall'approccio non supervisionato, basato sull'algoritmo One-class Support Vector Machine (One-class SVM) danno speranza per un uso pratico dell'intera architettura client-server per Anomaly detection as-a-Service nei processi industriali.