Predição Inteligente na Indústria com Processamento de Borda
Resumo
O ecossistema tecnológico da indústria 4.0 depende de decisões assertivas e autônomas. A coleta e processamento de dados em ambientes críticos são essenciais para manter a segurança e a qualidade da produção. A inteligência artificial (IA) e o processamento na borda são aliados na busca de bons resultados neste ecossistema de produção. Este trabalho apresenta a aplicação de modelos preditivos de IA em um ambiente real no contexto da Indústria 4.0 com processamento na borda e análise computacional. Os resultados preliminares demonstram a viabilidade de processamento destes modelos em dispositivos localizados na borda.
Palavras-chave:
Aplicações de Computação de Alto Desempenho em Ciências e Engenharias, Aprendizado de Máquina e Computação de Alto Desempenho
Referências
Carvalho, T. P., Soares, F. A., Vita, R., Francisco, R. d. P., Basto, J. P., and Alcala, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137:106024.
Fawcett, T. (2006). An introduction to roc analysis. Pattern recognition letters, 27(8):861–874.
Hesse, G., Matthies, C., Sinzig, W., and Uflacker, M. (2019). Adding value by combining business and sensor data: An industry 4.0 use case. In International Conference on Database Systems for Advanced Applications, pages 528–532. Springer.
Lee, J., Bagheri, B., and Kao, H.-A. (2015). A cyber-physical systems architecture for industry 4.0-based manufacturing systems. Manufacturing letters, 3:18–23.
Li, D., Yang, B., Xu, L., Cai, X., Ren, Z., and Xie, J. (2017). Industry 4.0: Current status and future trends. Sensors, 17(12):2891.
Li, E., Zeng, L., Zhou, Z., and Chen, X. (2019). Edge ai: On-demand accelerating deep neural network inference via edge computing. IEEE Transactions on Wireless Communications, 19(1):447–457.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12:2825–2830.
Powers, D. M. (2020). Evaluation: from precision, recall and f-measure to roc, informedness, markedness and correlation. arXiv preprint [link].
Santos, B. P., Alberto, A., Lima, T. D. F. M., and Charrua-Santos, F. M. B. (2018). Indústria 4.0: desafios e oportunidades. Revista Produção e Desenvolvimento, 4(1):111–124.
Sokolova, M. and Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information processing & management, 45(4):427–437.
Wang, S., Wan, J., Zhang, D., Li, D., and Zhang, C. (2016). Towards smart factory for industry 4.0: a self-organized multi-agent system with big data based feedback and coordination. Computer networks, 101:158–168.
WEG (2024). Weg catalogue.
Zhang, T., Zhao, L., Zhou, C., Wang, H., Li, G., and Xie, S. (2017). Industry 4.0 and smart manufacturing: A review on research issues and application. IEEE Access, 12(5):4–13.
Fawcett, T. (2006). An introduction to roc analysis. Pattern recognition letters, 27(8):861–874.
Hesse, G., Matthies, C., Sinzig, W., and Uflacker, M. (2019). Adding value by combining business and sensor data: An industry 4.0 use case. In International Conference on Database Systems for Advanced Applications, pages 528–532. Springer.
Lee, J., Bagheri, B., and Kao, H.-A. (2015). A cyber-physical systems architecture for industry 4.0-based manufacturing systems. Manufacturing letters, 3:18–23.
Li, D., Yang, B., Xu, L., Cai, X., Ren, Z., and Xie, J. (2017). Industry 4.0: Current status and future trends. Sensors, 17(12):2891.
Li, E., Zeng, L., Zhou, Z., and Chen, X. (2019). Edge ai: On-demand accelerating deep neural network inference via edge computing. IEEE Transactions on Wireless Communications, 19(1):447–457.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12:2825–2830.
Powers, D. M. (2020). Evaluation: from precision, recall and f-measure to roc, informedness, markedness and correlation. arXiv preprint [link].
Santos, B. P., Alberto, A., Lima, T. D. F. M., and Charrua-Santos, F. M. B. (2018). Indústria 4.0: desafios e oportunidades. Revista Produção e Desenvolvimento, 4(1):111–124.
Sokolova, M. and Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information processing & management, 45(4):427–437.
Wang, S., Wan, J., Zhang, D., Li, D., and Zhang, C. (2016). Towards smart factory for industry 4.0: a self-organized multi-agent system with big data based feedback and coordination. Computer networks, 101:158–168.
WEG (2024). Weg catalogue.
Zhang, T., Zhao, L., Zhou, C., Wang, H., Li, G., and Xie, S. (2017). Industry 4.0 and smart manufacturing: A review on research issues and application. IEEE Access, 12(5):4–13.
Publicado
23/04/2025
Como Citar
CORREIA, André; PASSOS, Mateus; FREITAS, Dhyonatan; DUARTE, Tathiana; PILLON, Maurício.
Predição Inteligente na Indústria com Processamento de Borda. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 25. , 2025, Foz do Iguaçu/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 101-104.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2025.6671.
