Document details

No contexto da Indústria 4.0, a transformação digital dos sistemas industriais é cada vez mais impulsionada por infraestruturas IIoT ricas em sensores, pela computação de borda e por técnicas de aprendizagem automática. O IIoT permite a monitorização e coordenação em tempo real dos processos industriais e, quando combinado com métodos de inteligência artificial, como a deteção de anomalias, torna-se fundamental para a manutenção preditiva e a eficiência operacional. Contudo, setores como construção, mineração e energia operam frequentemente em áreas remotas, onde redes tradicionais como 5G são inexistentes ou pouco fiáveis. Além disso, embora redes privadas 5G possam ser implementadas em ambientes industriais controlados, o elevado custo, os requisitos de licenciamento e a necessidade de manutenção contínua tornam-nas menos práticas para locais remotos ou temporários. Nestes contextos, as LPWAN oferecem comunicação de longo alcance, ampla cobertura e baixo consumo energético, mas enfrentam limitações como largura de banda reduzida, payloads pequenos, baixas taxas de transmissão e maior latência. Muitos sistemas industriais legados requerem ainda atualizações de baixo custo e não intrusivas para permitir monitorização. Como a maquinaria industrial é um investimento a longo prazo, as soluções devem ser económicas e compatíveis com a infraestrutura existente, tornando dispositivos baseados em microcontroladores ideais para implementações IIoT compactas, acessíveis e adaptáveis. Considerando este cenário e as suas restrições, esta tese desenvolve o conceito de inteligência leve para ambientes ultra-restritos, executada na borda através de treino distribuído sob severas limitações de computação, memória, energia e largura de banda.O paradigma da inteligência centralizada é frequentemente impraticável devido ao elevado volume de dados sensoriais, às capacidades limitadas dos dispositivos de borda e às redes restritivas. A aprendizagem federada surge como alternativa promissora, permitindo treino colaborativo de modelos diretamente nos dispositivos, trocando apenas atualizações de modelos em vez de dados brutos, melhorando a privacidade e reduzindo a carga de comunicação. Ainda assim, a aprendizagem federada em contextos restritos enfrenta desafios: o treino local deve ser otimizado em termos de memória, recursos computacionais e energia. Neste âmbito, este trabalho concebe, otimiza e avalia uma framework geral de TinyFL para deteção de anomalias em ambientes IIoT ultra-restritos. A framework opera em diversos dispositivos e tecnologias de rede com severas limitações de computação, memória, energia e largura de banda. A sua eficácia é demonstrada através de um estudo de caso com protótipos ESP32 e redes LPWAN, exemplificando os desafios da comunicação industrial de longo alcance e baixo consumo.A metodologia inicia-se com o desenvolvimento de uma arquitetura de monitorização, implementada em LoRaWAN, para recolher dados operacionais da maquinaria industrial. Esta configuração permite analisar componentes arquiteturais, interações entre dispositivos e padrões de utilização das máquinas. Com base nesses dados, a framework implementa autoencoders leves otimizados para processar dados industriais de elevado volume, heterogéneos e com taxas de amostragem variáveis. O treino local é adaptado às restrições das LPWAN através de estratégias como partição de pesos e transmissão faseada, com agregação no servidor. A framework estende ainda a deteção de anomalias além de abordagens totalmente não supervisionadas. Ao incorporar rotulagem técnica e contextual, evolui para um desenho semi-supervisionado, aumentando a robustez contra falsos positivos. São introduzidas zonas de intervenção por limiares, reduzindo falsos positivos próximos das fronteiras de decisão e reforçando a confiança do operador.Os testes demonstram que o TinyFL alcança desempenho comparável a abordagens centralizadas e, em alguns casos, supera frameworks federadas existentes. A otimização de autoencoders leves reduz tempos de treino e inferência, equilibrando computação e comunicação em redes de baixa largura de banda como LoRaWAN. Avaliações em dispositivo confirmam a viabilidade do treino e da deteção de anomalias sob restrições severas, destacando eficiência e baixo custo energético. Uma estratégia periódica de Tiny Transfer Federated Learning explora transfer learning com regras de participação associadas à utilização da máquina, permitindo atualizações semanais sensíveis às condições operacionais. Esta abordagem mantém elevado desempenho, adapta-se a novos dispositivos e cenários, e reduz a frequência de treino, diminuindo esforço computacional e consumo de largura de banda. No conjunto, os resultados mostram que a deteção de anomalias é viável, escalável e energeticamente eficiente em ambientes IIoT altamente restritos.

In the context of Industry 4.0, the digital transformation of industrial systems is increasingly driven by sensor-rich IIoT infrastructures, edge computing, and ML techniques. The IIoT enables real-time monitoring and coordination of industrial processes, and when combined with artificial intelligence methods such as anomaly detection, it becomes a key enabler of predictive maintenance and operational efficiency. However, sectors such as construction, mining, and energy often operate in remote areas where traditional networks like 5G are unavailable or unreliable. Furthermore, although private 5G networks can be deployed in controlled industrial environments, their high implementation cost, spectrum licensing requirements, and the need for ongoing infrastructure maintenance make them less practical for remote or temporary sites. In such contexts, LPWANs provide long-range, wide coverage, and low-power communication, but face constraints such as limited bandwidth, small payload sizes, low data rates, and higher latency. Moreover, many industrial legacy systems require low-cost, non-intrusive upgrades to enable monitoring. Since industrial machinery represents a long-term investment, solutions must remain budget-friendly and compatible with existing infrastructure, making microcontroller-based devices ideal for compact, affordable, and adaptable IIoT deployments. Considering this use case and the strict limitations of such scenarios, this thesis advances the concept of lightweight intelligence for ultra-constrained environments, implemented at the edge through distributed training while operating under severe constraints in computation, memory, energy, and bandwidth.The centralized intelligence paradigm is often impractical due to the large volume of sensor data, limited edge-device capabilities, and constrained networks. Federated Learning emerges as a promising alternative by enabling collaborative model training directly on devices, exchanging only model updates rather than raw data, thus improving privacy and reducing communication load. Yet, FL in constrained contexts still faces open challenges: local training must be optimized in terms of memory, computational resources, and power consumption. Thus, within the framework of lightweight intelligence, this work designs, optimizes, and evaluates a general TinyFL framework for anomaly detection in ultra-constrained IIoT environments. The framework is designed to operate across diverse devices and network technologies that share severe limitations in compute, memory, energy, and communication bandwidth. While broadly applicable, its feasibility and effectiveness are demonstrated through a case study involving ESP32-based prototypes and LPWAN networks, which exemplify the challenges of long-range, low-power industrial communication. The methodology begins with the development of a monitoring architecture, deployed in LoRaWAN during the case study, to collect operational data from industrial machinery. This setup enables the examination of architectural components, device interactions, and machine usage patterns. Building on these datasets, the framework implements optimized lightweight autoencoders to process high-volume, heterogeneous, and variably sampled industrial data. Local training is adapted to the constraints of LPWAN environments through strategies such as weight partitioning and staged transmission, with model aggregation performed at the server. In addition, the framework extends anomaly detection beyond fully unsupervised approaches. By incorporating technical and contextual labeling, it transitions to a semi-supervised design, improving robustness against false detections. Threshold "intervention zones" are further introduced to reduce false positives near decision boundaries, thereby increasing operator trust and enhancing reliability in practical industrial deployments.Experiments demonstrate that TinyFL achieves performance comparable to centralized baselines and, in some cases, outperforms existing federated learning frameworks. By optimizing lightweight autoencoder structures, the framework reduces training and inference times while balancing computation and communication in bandwidth-constrained networks such as LoRaWAN. On-device evaluations further confirm the feasibility of training and anomaly detection under strict resource constraints, highlighting the efficiency and low energy cost of the proposed approach. Furthermore, a periodic Tiny Transfer Federated Learning strategy leverages transfer learning together with participation rules tied to machine utilization, enabling weekly, condition-aware updates. This maintains high performance and adapts to new devices and operating conditions while reducing the frequency of training, thereby lowering computational effort and bandwidth usage. Overall, the results demonstrate that practical, scalable, and energy-efficient anomaly detection is feasible in highly constrained IIoT environments.