| Περίληψη: | Με τη ραγδαία ανάπτυξη της τεχνολογίας, καθίσταται απαραίτητη η επεξεργασία δεδομένων και λήψη αποφάσεων βάση των δεδομένων αυτών. Τα παραπάνω είναι δυνατόν να επιτευχθούν με τη χρήση ενός νευρωνικού δικτύου. Ωστόσο εάν είναι αναγκαία η σύνδεση στο διαδίκτυο και η μεταφορά δεδομένων μέσω cloud η διαδικασία γίνεται χρονοβόρα, αναξιόπιστη και μη-αποτελεσματική. Με αυτά τα προβλήματα ασχολείται ο τομέας του Edge AI, δηλαδή η εκπαίδευση νευρωνικών μοντέλων τα οποία έχουν τη δυνατότητα να επεξεργαστούν τα δεδομένα που λαμβάνουν και να εξάγουν αποτελέσματα σε hardware συσκευές μικρής “δύναμης”. Έτσι, καθίσταται μη αναγκαία η σύνδεση στο διαδίκτυο και η χρήση κάποιου cloud, αυξάνοντας περαιτέρω τη ταχύτητα με την οποία καταλήγουμε στα αποτελέσματα που επιθυμούμε. Η τεχνική αυτή χρησιμοποιείται σε μεγάλες βιομηχανικές εγκαταστάσεις για την έγκυρη αναγνώριση και αντιμετώπιση τυχών μη-επιθυμητών καταστάσεων των μηχανών. Η διαδικασία αυτή είναι γνωστή και ως προγνωστική συντήρηση, ή αλλιώς predictive maintenance. Στα πλαίσια της εργασίας αυτής, γίνεται η χρήση πολλών διαφορετικών νευρωνικών μοντέλων με σκοπό να βρεθεί η δομή που θα μπορεί να αναγνωρίζει με τα μεγαλύτερα ποσοστά επιτυχίας της εξής τρεις καταστάσεις ενός βηματικού κινητήρα: Κλειστός (Off), Ανοιχτός (On) και Ανοιχτός αλλά χαλασμένος (Broken-On). Για την δημιουργία του μοντέλου αυτού τα δεδομένα που χρησιμοποιούνται είναι ο ήχος, οι επιταχύνσεις στους τρεις άξονες x,y,z , η θερμοκρασία, η υγρασία και η ατμοσφαιρική πίεση. Έχοντας τα δεδομένα αυτά, γίνεται κάποια προ-επεξεργασία και ξεκινάει η εκπαίδευση του νευρωνικού μας δικτύου. Έπειτα, για να δούμε την αποτελεσματικότητα του μοντέλου μας, του ζητάμε να διακρίνει τις παραπάνω καταστάσεις μέσω ενός test set για να διαπιστώσουμε εάν είναι σωστή η λειτουργία του καθώς και τον χρόνο που χρειάζεται για να γίνει η διαδικασία αυτή.
|
|---|
