Enhancing predictive maintenance with LSTM autoencoders for anomaly detection

Machine breakdowns and malfunctions can cause significant downtime and interruptions in production in the industrial sector. Maintenance is the process of ensuring the normal functioning of equipment and system components by managing their health. Traditionally, maintenance has only taken place after a problem has occurred, resulting in high costs and prolonged periods of inactivity. However, there is growing interest in utilizing advanced technologies to anticipate and prevent failures. This innovative approach, known as Predictive Maintenance, is especially valuable in the industrial sector, where sensors can monitor machinery and systems in real-time. Traditional machine learning algorithms often struggle to manage the vast amount of data originating from industrial sensors due to their limited ability to adapt to the continuous flow of information. As a result, Streaming Machine Learning techniques are a more suitable and effective option in this field. The primary objective of this thesis is to evaluate the effectiveness of current anomaly detection methods and propose a new Streaming Machine Learning algorithm capable of detecting abnormal behaviors in both simulated and real audio data. To achieve this goal, I have proposed an approach that involves converting audio data coming from sensors into spectrograms and using an LSTM Autoencoder model to learn and classify input features. The proposed LSTM Autoencoder model has shown impressive results in detecting anomalies in complex audio data. The model was tested on a cooling pump, achieving precision in distinguishing between normal and abnormal behaviors in the audio signals emitted by the pump. This new approach to the anomaly detection challenge offers significant potential for enhancing Predictive Maintenance strategies in industrial settings, as it enables early identification of equipment malfunctions and proactive intervention to prevent costly production interruptions.

Nel settore industriale, i guasti e i malfunzionamenti delle macchine possono causare grossi costi e interruzioni della produzione. La manutenzione è il processo finalizzato ad assicurare il normale funzionamento delle attrezzature e dei componenti monitorando e gestendone lo stato di salute. Tradizionalmente, la manutenzione avveniva solo dopo che si verificava un problema, determinando costi elevati e prolungati periodi di inattività. Tuttavia, c'è un crescente interesse nell'utilizzare tecnologie avanzate per anticipare e prevenire guasti. Questo approccio innovativo prende il nome di Manutenzione Predittiva ed è particolarmente utile nel settore industriale, dove i sensori possono monitorare i macchinari e i sistemi in tempo reale. Gli algoritmi di machine learning tradizionali spesso faticano a gestire la vasta quantità di dati provenienti dai sensori industriali a causa della loro limitata capacità di adattarsi al flusso continuo di informazioni. Di conseguenza, le tecniche di apprendimento automatico in streaming rappresentano un'opzione più adatta ed efficace in questo campo. L'obiettivo principale di questa tesi è quello di valutare l'efficacia dei metodi attuali di rilevamento delle anomalie e proporre un nuovo algoritmo di apprendimento automatico con dati in streaming in grado di rilevare comportamenti anomali sia in dati audio simulati che provenienti da un contesto reale. Per raggiungere questo obiettivo, ho proposto un approccio che prevede l'utilizzo dei dati audio generati da sensori per addestrare un modello di autoencoder LSTM che classifica gli audio ricevuti in input. Il modello di autoencoder LSTM proposto ha mostrato risultati eccellenti nel rilevare anomalie in dati audio complessi. Il modello è stato testato su una pompa di raffreddamento, raggiungendo precisione nel distinguere tra comportamenti normali e anomali nei segnali audio emessi. Questo nuovo approccio nell'ambito del rilevamento delle anomalie offre un potenziale significativo per rendere più efficienti le strategie di Manutenzione Predittiva nei contesti industriali, in quanto consente l'identificazione precoce dei malfunzionamenti delle attrezzature e l'intervento proattivo per prevenire costose interruzioni della produzione.