Анализ эффективности датчиков на основе Интернета вещей, обработки больших данных и модели машинного обучения для системы мониторинга в реальном времени на автомобильном производстве

По мере увеличения объема данных, собираемых в процессе производства, системы мониторинга становятся важным фактором принятия управленческих решений. Современные технологии, такие как датчики на основе Интернета вещей (IoT), могут рассматриваться как решение для эффективного мониторинга производственного процесса. В данном исследовании предложена система мониторинга в реальном времени, использующая датчики на основе IoT, обработку больших данных и гибридную модель прогнозирования. На первом этапе был разработан датчик на основе IoT, собирающий данные о температуре, влажности, показаниях акселерометра и гироскопа. Данные датчиков, генерируемые IoT в производственном процессе, характеризуются поступлением в реальном времени, большим объемом и неструктурированностью. Предложенная платформа обработки больших данных использует Apache Kafka в качестве очереди сообщений, Apache Storm в качестве механизма обработки в реальном времени и MongoDB для хранения данных датчиков производственного процесса. На втором этапе в предложенной гибридной модели прогнозирования для удаления выбросов в данных датчиков и обнаружения неисправностей в процессе производства соответственно применялись обнаружение выбросов на основе метода пространственной кластеризации приложений с шумом (Density-Based Spatial Clustering of Applications with Noise, DBSCAN) и классификация методом случайного леса. Предложенная модель была оценена и протестирована на сборочной линии автомобильного производства в Корее. Результаты показали, что датчики на основе IoT и предложенная система обработки больших данных достаточно эффективны для мониторинга производственного процесса. Кроме того, предложенная гибридная модель прогнозирования продемонстрировала более высокую точность прогнозирования неисправностей по сравнению с другими моделями при использовании данных датчиков в качестве входных данных. Ожидается, что предложенная система будет поддерживать управление за счет повышения качества принятия решений и поможет предотвратить непредвиденные потери, вызванные неисправностями в процессе производства.