Machine state detection by CNN on a low power microcontroller
Düşük güçlü mikro denetliyicide evrişimsel sinir ağları kullanarak makine durum tespiti
- Tez No: 904066
- Danışmanlar: PROF. DR. MUSTAFA GÜNDÜZALP
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yaşar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 56
Özet
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.
Özet (Çeviri)
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.
Benzer Tezler
- FPGA üzerinde HYSA ve HYSA'ya özel öğrenme algoritmalarının birlikte gerçeklenmesi
Implementation of CNN and CNN specific learning algorithms on FPGA
ERDEM KÖSE
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- Islanding detection for microgrids using machine learning techniques
Mikro şebekelerde ada durumuna geçme koşulunun yapay öğrenme teknikleri kullanarak tespit edilmesi
AHMED MOHAMMED JAWAD KHALAF AL WAELI
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
ASSOC. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Predicting the bandgap of hole-transport materials by deep learning
Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini
MİRAÇ AYDIN
Yüksek Lisans
İngilizce
2023
Kimyaİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- Deep learning-based building segmentation using high-resolution aerial images
Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi
BATUHAN SARITÜRK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER