Consultora de data science em Almere
Criamos modelos que detetam anomalias nos dados de medição e de sensores. Para a ProRail, aplicamos machine learning a medições por fibra ótica na via férrea.
Para a ProRail, utilizamos machine learning para detetar comboios, componentes ferroviários e defeitos nas rodas
No laboratório de dados da ProRail, investigámos as possibilidades dos cabos de fibra ótica que medem ondas sonoras, com o objetivo de tornar a rede ferroviária mais segura e sustentável. Desenvolvido com Databricks e Azure.
O que nos dizem, afinal, todos esses valores medidos sobre o estado das nossas instalações?
Sensores, contadores e ficheiros de registo geram dados a cada segundo. Normalmente, só se olha para esses dados quando dispara um alarme. Um modelo pode detetar mais cedo que um padrão está a mudar e identificar onde isso acontece.
De séries de medições em bruto a um alerta a que alguém dá seguimento
Deteção de eventos em sinais
Tal como procurámos detetar comboios e defeitos nas rodas através de ondas sonoras para a ProRail, um modelo pode identificar eventos nas suas próprias séries de medições.
Anomalias sem exemplos
Um modelo que aprende o comportamento normal assinala o que é diferente, mesmo quando as avarias são raras e nunca foram etiquetadas.
Dados de medição e manutenção
Dados de sensores associados a ordens de trabalho e registos de avarias, para que o modelo aprenda o que aconteceu após uma anomalia.
Um modelo que continua a funcionar
A monitorização e o novo treino após a entrada em funcionamento permitem que o modelo acompanhe as mudanças nos sensores, equipamentos ou condições.
Primeiro, ver o que os dados mostram; só depois, criar um modelo
-
Dados e questão
Que medições estão disponíveis, com que frequência são feitas, qual é a qualidade dos dados e que evento pretende identificar.
-
Explorar e construir
Procurar padrões com os seus técnicos e testar um primeiro modelo com dados de um período já decorrido.
-
Operar e acompanhar
O modelo em produção, com alertas encaminhados para quem lhes dá seguimento e uma avaliação regular do desempenho.
Os nossos dados de medição fornecem informação suficiente para um modelo?
Adequado se
Já recolhe dados de medição de instalações, veículos ou redes, quer detetar mais cedo quando algo corre mal e há alguém que pode agir perante um alerta.
Não é adequado se
Ainda quase não há medições, ou um limiar fixo já deteta todos os problemas. Nesse caso, comece por medir ou por configurar um alarme simples.
O que determina a dimensão do projeto
O número de sensores e fontes de dados, a frequência das medições, a existência de um histórico de avarias e a necessidade de o modelo funcionar em tempo real ou analisar os dados posteriormente.
E se o modelo gerar demasiados alarmes?
Nesse caso, ajustamos o limiar com os seus técnicos. Um alerta que se revela repetidamente infundado acaba por ser ignorado, por isso acompanhamos essa frequência desde o início.
Um limiar fixo, uma análise retrospetiva ou um modelo que monitoriza?
Um limiar fixo
Escolha esta opção se os problemas ocorrerem sempre acima ou abaixo de um determinado valor. É simples, mas não deteta padrões que se desenvolvem gradualmente.
Uma análise retrospetiva
Escolha esta opção se quiser compreender o que aconteceu em avarias anteriores. Permite aprender muito, mas não detetar o problema mais cedo da próxima vez.
Um modelo que monitoriza
Escolha esta opção se quiser detetar desvios antes de ser acionado um alarme. O nosso conselho: comece por uma instalação com histórico de avarias.
Da ferrovia ao porto, trabalhámos com dados de sensores e de medição
A Data Science Lab trabalha a partir da Westerdoksdijk, em Amesterdão, também para Almere e Flevoland. Trabalhámos com dados de medição para a ProRail, a Rijkswaterstaat e o Port of Amsterdam. Somos Microsoft Partner e Databricks Partner.

A medição de que espera mais é o tema da primeira conversa
Stef Stoelwinder
Business DevelopmentStef é o seu ponto de contacto. Na primeira conversa, falamos sobre os dados que mede e o que gostaria de ver mais cedo.
E-mail info@datasciencelab.nl
Telefone +31 (0)20 3636 724
Que anomalia gostaria de detetar mais cedo?
Indique que medições existem e o que acontece atualmente aos dados. Respondemos por e-mail ou marcamos uma primeira conversa.
Mensagem enviada
Obrigado pela sua mensagem. Entraremos em contacto consigo o mais rapidamente possível.
Perguntas frequentes
Desenvolve modelos que usam os seus dados para reconhecer, prever ou ponderar opções e coloca-os em produção. Concentramo-nos nos dados de medição e de sensores provenientes de instalações, veículos e redes.
Pode conhecer mais aplicações em Aplicações de IA.
Dados de vibração, temperatura, pressão, corrente elétrica, som, caudal ou posição, provenientes de sensores, medidores ou sistemas que criam ficheiros de registo. No caso da ProRail, trabalhámos com cabos de fibra ótica que medem ondas sonoras.
É importante que os momentos das medições sejam registados corretamente.
Um modelo aprende a identificar o comportamento normal e assinala os desvios. Isto também funciona quando as avarias são raras e há poucos exemplos disponíveis.
Pode ler como desenvolvemos estes modelos em machine learning.
Geralmente, sim, quando há grandes volumes de dados de medição: é preciso reuni-los e processá-los num mesmo local. Para a ProRail, trabalhámos com Databricks e Azure.
Se ainda não houver uma infraestrutura, começamos por construir a fundação de dados.
A Data Science Lab trabalha a partir de Amesterdão, perto de Almere. Deslocamo-nos para o arranque do projeto e para trabalhar com os seus técnicos; fazemos o restante à distância.
Assim, trabalhamos junto das pessoas que conhecem as instalações.
Continuando a medir o seu desempenho após a entrada em produção e voltando a treiná-lo quando os sensores ou as instalações mudam. Podemos tratar dessa gestão por si.
Saiba mais em MLOps.
Nesse caso, o nosso AI-consultant para Almere é a opção mais adequada. Ajudamos a escolher a questão a abordar primeiro, por exemplo, na frota, na oficina ou no armazém.
Depois, desenvolvemos o modelo.
Sim. O reconhecimento em imagens é uma área específica, com requisitos próprios para as câmaras e a iluminação. Leia sobre o desenvolvimento de soluções de computer vision.
Muitas vezes, combinamos imagens com outras medições.