基于 TinyML 分层推理网络的矿山移动机械预测性维护增强
机器学习
2024-11-19 v2 分布式、并行与集群计算
多智能体系统
网络与互联网体系结构
信号处理
摘要
在多变环境中作业的矿山机械面临高磨损和不可预测应力，给预测性维护 (PdM) 带来挑战。本文提出了用于预测性维护的边缘传感器网络 (ESN-PdM)，这是一种跨边缘设备、网关和云服务的分层推理框架，用于实时状态监测。系统基于准确率、延迟和电池寿命之间的权衡，动态调整推理位置——设备端、网关端或云端，利用微型机器学习 (TinyML) 技术在资源受限设备上优化模型。性能评估显示，设备端和网关端推理模式均实现了 90% 以上的分类准确率，而云端推理达到 99%。设备端推理将功耗降低约 44%，支持长达 104 小时的运行。延迟方面，设备端推理最低 (3.33 ms)，卸载到网关 (146.67 ms) 或云端 (641.71 ms) 时增加。ESN-PdM 框架为可靠的框架提供了可扩展、自适应的解决方案，对保障偏远环境下机械正常运行时间至关重要。通过平衡准确率、延迟和能耗，该方法推动了工业应用中预测性维护框架的发展。
引用
@article{arxiv.2411.07168,
title = {Enhancing Predictive Maintenance in Mining Mobile Machinery through a TinyML-enabled Hierarchical Inference Network},
author = {Raúl de la Fuente and Luciano Radrigan and Anibal S Morales},
journal= {arXiv preprint arXiv:2411.07168},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication