Efficient implementation of a tiny deep learning classifier based on ‎vibration-related fault detection using limited resources hardware

الملخص

لقد ساعد التطور الكبير للأجهزة ذات الموارد المحدودة مثل المتحكمات الدقيقة بالتزامن مع تطوير خوارزميات التعلم الآلي في فتح الأبواب لبناء أجهزة ذكية في القطاعات الصناعية. الصيانة التنبؤية هي أحد هذه القطاعات التي تستخدم الأجهزة الذكية بكفاءة. يمكن لبيانات الاهتزاز مثل البيانات التي تم جمعها من مقاييس التسارع أن تلتقط بدقة أي تغيير في سلوك الآلة المتحركة بسبب التآكل الميكانيكي في الأجزاء المتحركة مثل المحامل. في هذا العمل، تم بناء مصنف شبكة عصبية ملتوية أحادية البعد للتعلم العميق (1DCNN) ككاشف للأخطاء وضبطه لتحسين أداء الكشف. يتم اختبار هذا المصنف باستخدام مجموعة بيانات اهتزاز متاحة للجمهور لثلاثة أنواع من حالة المحمل الدوار (سليم، خطأ الاطار الداخلي، وخطأ الاطار الخارجي). تم تصميم المصنف باستخدام إطار عمل صغير للتعلم الآلي، والذي يمكن تنفيذه باستخدام متحكم دقيق بموارد محدودة. تتم معالجة بيانات مقياس التسارع مسبقًا باستخدام مخطط طيف لإشارة اهتزاز لاستخراج ميزات مرتبطة بالتردد والوقت لتحسين أداء المصنف. علاوة على ذلك، يتم تحديد كمية المصنف باستخدام عدد صحيح مكون من ثماني بتات لتقليل وقت الحساب والذاكرة المطلوبة. تتولى بيئة إطار عمل TinyML بناء المصنف الثلاثي وتساعد في تنفيذ هذا المصنف على أجهزة ذات موارد محدودة. يحقق هذا المصنف الثلاثي نتائج دقيقة بدقة 98.64٪ ودرجة F1 0.99. ومع ذلك، تم تحقيق هذه النتائج الدقيقة باستخدام الحد الأدنى من الموارد لوحدة تحكم Arduino مع ذاكرة وصول عشوائي تبلغ 8.3 كيلو بايت وزمن انتقال 20 مللي ثانية.