ADEPOS：基于异常检测的边计算预测性维护节能方案
信号处理
2018-11-05 v1
摘要
在工业 4.0 中，预测性维护（PM）是与物联网（IoT）相关的最重要应用之一。机器学习用于在机器实际发生故障前预测其可能的失效。然而，PM 的主要挑战在于：（a）来自故障机器的数据不足；（b）在机器全生命周期中传输传感器数据至云端的功耗与带宽匮乏。作为替代，边计算方法减少了数据传输并消耗低能量。本文中，我们提出基于异常检测的节能（ADEPOS）方案，在机器全生命周期中使用近似计算。在机器寿命初期，机器健康时使用低精度计算。然而，一旦检测到异常，随时间推移，系统切换至更高精度模式。我们使用 NASA 轴承数据集表明，采用 ADEPOS 平均仅需 8.8 倍更少的神经元，且基于版图后结果，所得节能为 6.4 至 6.65 倍。
引用
@article{arxiv.1811.00873,
title = {ADEPOS: Anomaly Detection based Power Saving for Predictive Maintenance using Edge Computing},
author = {Sumon Kumar Bose and Bapi Kar and Mohendra Roy and Pradeep Kumar Gopalakrishnan and Arindam Basu},
journal= {arXiv preprint arXiv:1811.00873},
year = {2018}
}
备注
Submitted to ASP-DAC 2019, Japan