GMV PitIA®

O GMV PitIA^® permite enfrentar este desafio, aprendendo o comportamento normal de sistemas multivariáveis e detetando desvios relevantes na telemetria. Para além de gerar alertas, a ferramenta ajuda a explicar a origem da anomalia, indicando quais os parâmetros que mais contribuem para o erro detetado. 

Para validar a solução, o GMV PitIA^® foi submetido ao ESA Anomaly Detection Benchmark, baseado em dados reais e anotados de missões da Agência Espacial Europeia. O objetivo foi comparar o PitIA com algoritmos de referência e demonstrar uma metodologia aplicável num ambiente operacional. . 

Para validar a solução, O GMV PitIA^®  foi submetido ao ESA Anomaly Detection Benchmark, baseado em dados reais e anotados de missões da Agência Espacial Europeia. O objetivo foi comparar o PitIA com algoritmos de referência e demonstrar uma metodologia aplicável num ambiente operacional. 

As linhas da tabela representam diferentes abordagens de deteção de anomalias, desde métodos estatísticos simples, como o Global STD3/STD5, até modelos de machine learning, como o iForest, o KNN ou o Telemanom ESA. 

O GMV PitIA^®  oferece um equilíbrio sólido entre desempenho do modelo, escalabilidade, usabilidade e robustez face a métodos de referência como o Global STD, o iForest, o KNN ou o Telemanom ESA. É especialmente adequado quando o volume de telemetria é elevado, os dados rotulados são limitados e os alertas têm de ser explicáveis

Em ambientes industriais, os analisadores de instalação são essenciais para monitorizar variáveis críticas do processo. No entanto, a sua utilização contínua pode implicar custos operacionais, necessidades de manutenção, calibrações frequentes e o risco de indisponibilidade em caso de avarias.

O GMV PitIA^® permite enfrentar este desafio através de modelos preditivos treinados com dados históricos de operação. A ferramenta aprende a relação entre as variáveis do processo e gera previsões em tempo real, mantendo a visibilidade sobre as variáveis críticas, mesmo durante os períodos em que o analisador permanece desligado.

O objetivo deste caso de utilização é minimizar o tempo de funcionamento dos analisadores da fábrica, utilizando as previsões do PitIA durante o período em que estão desligados. Desta forma, reduz-se a utilização do analisador sem perder o controlo sobre as variáveis críticas do processo.

O processo é concebido como um ciclo contínuo: o GMV PitIA^® é inicialmente treinado com o histórico de dados do analisador; quando o analisador está desligado, o modelo fornece as previsões; e quando o analisador volta a estar ligado, os novos dados reais são utilizados para retreinar o modelo e reduzir o erro de previsão.

Durante os períodos em que o sistema está desligado, o PitIA funciona como uma simulação virtual do analisador, permitindo continuar a monitorizar o processo. Durante os períodos de funcionamento, o sistema incorpora novas medições reais para manter o modelo atualizado e melhorar a precisão das previsões seguintes.

O GMV PitIA^® demonstrou ser capaz de prever, com elevada precisão, variáveis críticas do processo a partir de dados históricos de funcionamento, mantendo uma estimativa fiável durante os períodos em que o analisador está desligado. Os resultados confirmam a viabilidade de reduzir significativamente o tempo de arranque do analisador sem comprometer o controlo do processo.

O GMV PitIA^® está concebido para diferentes perfis

• Modelação e análise: Os cientistas de dados podem desenvolver e manter modelos preditivos de forma ágil, tirando partido dos dados históricos e operacionais disponíveis.

• Operação e supervisão: Os operadores têm à sua disposição visualizações, indicadores e alertas que lhes permitem compreender o estado do sistema, detetar desvios e agir de forma proativa.