基于振动的低功耗脉冲神经网络预测性维护
机器学习
2025-06-17 v1
摘要
工业物联网 (IIoT) 传感器的进步使得基于高时间分辨率的预测性维护 (PM) 成为可能。对于成本效益高的解决方案，振动基准的条件监测尤其有趣。然而，通过传统云方法分析高分辨率振动数据会产生显著的能源和通信成本，阻碍了供电为中心的边缘部署。这使得将智能智能转移到传感器边缘成为必要。鉴于其事件驱动的特性，脉冲神经网络 (SNN) 为实现低功耗的设备处理提供了可行的途径。本文针对使用3轴振动数据进行工业用渐进腔泵 (PCP)，构建一个用于同时回归 (流量、压力、泵速) 和多标签分类 (正常、超压、空压) 的循环SNN。此外，我们提供了在传统 (x86, ARM) 和神形态 (Loihi) 硬件平台上的能耗估计。结果表明，分类准确率超过97%，对关键超压和空压故障的零误报率。平滑的回归输出在流量和泵速上的平均相对百分比误差小于1%，接近工业传感器标准，尽管压力预测需要进一步改进。能耗估计表明，能耗显著降低，Loihi的消耗 (0.0032 J/inf) 相较于估计的x86 CPU (11.3 J/inf) 和 ARM CPU (1.18 J/inf) 执行，低出3个数量级。我们的发现凸显了SNN在资源受限边缘设备上实现多任务PM的潜力，使可扩展的能源高效工业监测解决方案成为可能。
引用
@article{arxiv.2506.13416,
title = {Spiking Neural Networks for Low-Power Vibration-Based Predictive Maintenance},
author = {Alexandru Vasilache and Sven Nitzsche and Christian Kneidl and Mikael Tekneyan and Moritz Neher and Juergen Becker},
journal= {arXiv preprint arXiv:2506.13416},
year = {2025}
}
备注
This paper has been accepted and will be presented at the International Conference on Neuromorphic Systems (ICONS) 2025, July 29-31, 2025. The proceedings will be published later