Detecção de anomalias no sistema APS de caminhões de carga utilizando algoritmos do tipo One-Class

Abstract

RESUMO: Para os processos industriais ter controle das outliers ou anomalias é de extrema importância, pois assim é possível reduzir custos e diminuir o número de manutenções corretivas. Neste contexto, o cerne deste trabalho é avaliar o desempenho de diferentes algoritmos de aprendizado de máquina do tipo one-class (One-Class SVM, Isolation Forest, Cluster-Based Local Outlier Factor e Empirical-Cumulative Distribution-Based Outlier Detection) para detecção de anomalias no sistema APS dos caminhões da marca Scania. Para tal, a empresa disponibilizou um conjunto de dados com 60.000 amostras para treinamento e 16.000 para testes. Os algoritmos serão responsáveis por detectar se a falha está relacionada com o sistema APS (outliers) ou não (inliers). Com a metodologia utilizada, sem ajuste dos parâmetros, foi possível alcançar um custo de manutenção de $16.490 utilizando a técnica Cluster-Based Local Outlier Factor, detectando ainda 98,1% dos outliers e 91,7% dos inliers.

ABSTRACT: The approach studied in this work refers to the use of four techniques for detecting outliers, all being learning techniques of machine not supervised. For the industrial processes, the control of outliers or anomies is extremely important, as it is also possible to reduce costs and reduce the number of corrective maintenances. As part of this work, it is to assess or perform one-class algorithms (One-Class SVM, Isolation Forest, Cluster-Based Local Outlier Factor and Empirical-Cumulative-Distribution Based Outlier Detection) for the detection of anomalies in the Scania brand trucks APS system. For that, the company made available a set of data with 60,000 samples for training and 16,000 for tests. The algorithms will be responsible for detecting if the fault is related to the APS system (outliers) or not (inliers). With the methodology used, without hyperparameter tuning, it was possible to reach a maintenance cost of $16,490 using the Cluster-Based Local Outlier Factor technique, which detected 98.1% two outliers and 91.7% two inliers.