An intelligent decision support system for industrial screw tightening

Abstract

No contexto da Industry 4.0 (I4.0), o aumento exponencial de dados coletados pelas indústrias potencia a utilização de técnicas baseadas em dados para inspeção de qualidade dos seus processos produtivos. Este estudo foca-se na deteção de processos de aparafusamento anómalos, uma tarefa crucial neste contexto. Devido ao alto custo de etiquetagem manual destes dados, exploramos unicamente abordagens não supervisionadas. O objetivo principal deste trabalho é o desenvolvimento de um Intelligent Decision Support System (IDSS) baseado em técnicas de Machine Learning (ML) capazes de prever o sucesso de um processo de aparafusamento, aproveitando dados extraídos de um Big Data Warehouse (BDW), alimentado por máquinas de assemblagem presentes no chão de fábrica de uma renomeada fábrica de peças automotivas. Realizou-se um estudo exploratório para extrair características distintas do conjunto de dados inicial e avaliou-se a sua aplicabilidade em vários modelos de Machine Learning (ML), tipicamente utilizados para deteção de anomalias. Devido à natureza tipicamente desbalanceada dos dados, esta investigação foca-se em métodos não supervisionados de One-Class Classification (OCC). Para validar o desempenho dos modelos inicialmente obtidos, alargou-se a avaliação a um conjunto de dados mais extenso e diversificado. Os resultados conseguidos foram altamente convincentes e demonstram um desempenho competitivo quando comparados com abordagens tradicionais, tais como catálogos de defeitos. De modo a providenciar Explainable Artificial Intelligence (XAI) nestes processos, desenvolveu-se uma ferramenta de visualização que possibilita aos operadores observar regiões anómalas com maior detalhe e estabelecer limites de deteção para estas anomalias. Os melhores modelos foram integrados num ambiente que conecta processos de ML e o Big Data Warehouse (BDW) da fábrica. Esta integração facilita o armazenamento de previsões dos modelos de ML, sendo ainda possível avaliar a sua evolução em tempo real.

Within the context of Industry 4.0 (I4.0), the demand for quality assessment procedures utilizing datadriven techniques has intensified due to the exponential growth in production data. This study focuses on addressing the detection of abnormal screw tightening processes, a crucial task within the industrial domain. Given the high cost associated with manual labeling efforts, the study concentrates on unsupervised approaches. The main objective of this study is the development of a Machine Learning (ML)-based Intelligent Decision Support System (IDSS), capable of predicting the success or failure of an assembly process. This work revolves around constructing an Intelligent Decision Support System (IDSS) by leveraging the Big Data (BD) extracted from the Big Data Warehouse (BDW). This valuable data originates from the assembly machines located on the ground floor of a renowned automotive parts factory plant. Initially, an exploratory study was undertaken to evaluate the possible features that could be extracted from the extensive dataset being collected. The objective was to examine their correlation with various types of ML models, with the aim of addressing the anomaly detection problem. Given the specific type of data available, which exhibits an unbalanced nature, the exploration involved several unsupervised One-Class Classification (OCC) methods. To validate the performance of the best-performing models, we then conducted an evaluation using a larger and more diverse dataset. The results obtained were competitive with traditional approaches, including defect catalogs. In order to provide Explainable Artificial Intelligence (XAI) screw tightening knowledge, we developed, we developed a visualization tool. This tool empowers operators to visualize anomalous regions more effectively and establish distinct thresholds for anomaly detection. Furthermore, the best-performing models were seamlessly integrated into a unified environment that bridges ML processes and the BDW. This integration facilitates data storage and enables the real-time monitoring of ML models within an industrial context.