A hardware and software system for the evaluation of time series prediction models

The way modern businesses operate and innovate has been revolutionized by the proliferation of the Industrial Internet of Things (IIoT). Huge masses of data are being produced by connected devices and their analysis has caused a shift to occur in the way decisions are made in business. The intersection between the spread of connected devices and this paradigm shift is what this thesis project in collaboration with Servitly was based on. This work proposes a prototype connected machine that simulates a controlled mechanical ventilation system composed of sensors that provide data on the machine's state of operation. The collected data are used to make predictions about the state of the machine using different types of predictive models. Predictions of the collected time series were made using an ARIMA model, an XGBoost regressor and a neural network consisting of LSTM nodes. The mean absolute error of the ARIMA model is between 3.43% and 3.46%, that of XGBoost between 2.00% and 2.67%, and that of the LSTM network between 1.89% and 2.56%.

Il modo in cui le aziende moderne operano e si innovano è stato rivoluzionato grazie alla proliferazione dell’Industrial Internet of Things (IIoT). Moli enormi di dati vengono prodotte dai dispositivi connessi e la loro analisi ha fatto sì che avvenisse un cambiamento nel modo in cui vengono prese le decisioni in ambito aziendale. L’intersezione tra la diffusione dei dispositivi connessi e questo cambio di paradigma è ciò su cui si è basato questo progetto di tesi in collaborazione con Servitly. Questo lavoro propone un prototipo di macchina connessa che simula un sistema di ventilazione meccanica controllata composta da sensori che forniscono dati sullo stato di operazione della macchina. I dati raccolti vengono utilizzati per effettuare previsioni sullo stato della macchina utilizzando diversi tipi di modelli predittivi. Le predizioni della serie temporale raccolta sono state effettuate utilizzando un modello ARIMA, un regressore XGBoost e una rete neurale composta da nodi LSTM. L’errore medio assoluto del modello ARIMA è tra 3.43% e 3.46%, quello di XGBoost tra 2.00% e 2.67% e quello della rete LSTM tra 1.89% e 2.56%.