Düşük güçlü mikro denetliyicide evrişimsel sinir ağları kullanarak makine durum tespiti

Abstract

Günümüzde, Endüstriyel Nesnelerin İnterneti'nin (IIoT) yaygın olarak benimsenmesiyle birlikte kestirimci bakım (PdM) uygulamaları giderek daha fazla önem kazanmaktadır. PdM, endüstriyel ekipmanların durumlarını değerlendirmede ve arızaları önlemede kritik bir rol oynamaktadır. Ayrıca, Yapay Zeka (AI) algoritmalarının tanıtılmasıyla, PdM uygulamalarında erken tespit yeteneklerini artırmak için AI uygulanmıştır. Geleneksel olarak, endüstriyel çevre birimlerinde potansiyel hataları belirlemek için kullanılan uygulamalar, yüksek enerji tüketen bilgisayar sistemlerinde gerçekleştirilmekteydi. Ayrıca, bu sistemler genellikle sunucu tarafı işleme veya veri aktarımına dayanmakta olup, bu da önemli miktarda enerji gerektirmektedir. Ancak, Tiny Machine Learning (TinyML) algoritmalarının ve MAX78000 MCU gibi nöral ağ hızlandırıcılarıyla donatılmış mikroişlemci ünitelerinin (MCU) tanıtılmasıyla, bu uygulamalar artık düşük enerji tüketen MCU'larda uygulanabilmekte ve bu da önemli enerji ve maliyet tasarrufları sağlamaktadır. Bu tezde, ham makine sesini girdi olarak kullanan ve parmak freze kesici bıçaklarının seslerini aşınma oranlarına göre dört sınıfa ayıran (yeni, orta, kırık ve temel) bir Evrişimsel Sinir Ağları (CNN) modeli uygulanmıştır. Bu çalışma, farklı parametrelerle 1-boyutlu (1D) ve 2-boyutlu (2D) CNN modellerini karşılaştırmaktadır. 1D CNN yaklaşımının, top-1 doğruluğu açısından 2D CNN yaklaşımından %9 daha başarılı olduğunu gösterilmektedir. 1D yaklaşımının sınıfları tespit etmede %93 doğruluğa sahip olduğu ve düşük güç tüketen MCU'nun ortalama 12.88 mW güç çektiği bulunmuştur.

Today, with the widespread adoption of the Industrial Internet of Things (IIoT), predictive maintenance (PdM) applications have become increasingly prevalent. The PdM plays a crucial role in assessing the conditions of industrial equipment and preventing breakdowns. In addition, with the introduction of Artificial Intelligence (AI) algorithms, AI has been implemented in PdM applications to increase the early detection capabilities. Traditionally, applications to identify potential errors in industrial peripherals have been implemented in high-power computer systems, which consume significant amounts of energy. Additionally, they often rely on server-side processing or data transfer, which require considerable energy. However, with the introduction of Tiny Machine Learning (TinyML) algorithms and microcontroller units (MCU) equipped with neural network accelerators, such as the MAX78000 MCU, these applications can now be implemented in low-power MCUs, resulting in substantial energy and cost savings. In this thesis, a Convolutional Neural Network (CNN) model was implemented that uses raw machine audio as input and utilizes the MAX78000 MCU to classify the audio of end mill cutter blades into four classes: fresh, moderate, broken, and base according to their wear rates. This thesis compares 1-dimensional (1D) and 2-dimensional (2D) CNN models with different parameters. The 1D CNN approach is shown to outperform the 2D CNN approach by 9% in terms of top-1 accuracy. It was found that the 1D approach has 93% accuracy for detecting classes, and the low-power MCU draws 12.88 mW power on average.