Test cycle dynamics analysis and negative test result prediction tool

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F22%3A00357911" target="_blank" >RIV/68407700:21220/22:00357911 - isvavai.cz</a>

Result on the web

<a href="http://mech.fs.cvut.cz/" target="_blank" >http://mech.fs.cvut.cz/</a>

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

Nástroj pro analýzu dynamiky zkušebního cyklu a predikci negativního výsledku testu

Original language description

Vyvinutý SW a aplikované metody byly navrženy jak pro serverové, tak lokální nasazení. Byly detailně prozkoumány možné krokové a dávkové adaptační metody pro ještě včasnější predikci výsledku testu. Dříve neznámé technické omezení však tento cíl značně zkomplikovalo a nadále je jako vhodnější považována pro tuto aplikaci metoda dávková. Bylo otestováno nasazení vyvinutého softwaru na zařízení PYNQ-Z1 s akcelerací maticových výpočtů pomocí FPGA a vývoj neuronových sítí se selektivním (gatovaným) výstupem od kterých je očekávána ještě přesnější predikce výsledku oproti již vyvinutým metodám. Dále byl navržen a vyvinut vlastní builder neuronových sítí pro jednotky typu GHONUs (Gated Higher Order Neural Units) označován jako GHONNs (Gated Higher Order Neural Networks). Dále byl paralelně vyvinut builder pro HONNs (Higher Order Neural Networks) založen na již dříve implementované neuronové architektuře. Tyto nové metody jsou vhodné nejen pro účely detekce anomálií ale také predikcí.

Czech name

Nástroj pro analýzu dynamiky zkušebního cyklu a predikci negativního výsledku testu

Czech description

Vyvinutý SW a aplikované metody byly navrženy jak pro serverové, tak lokální nasazení. Byly detailně prozkoumány možné krokové a dávkové adaptační metody pro ještě včasnější predikci výsledku testu. Dříve neznámé technické omezení však tento cíl značně zkomplikovalo a nadále je jako vhodnější považována pro tuto aplikaci metoda dávková. Bylo otestováno nasazení vyvinutého softwaru na zařízení PYNQ-Z1 s akcelerací maticových výpočtů pomocí FPGA a vývoj neuronových sítí se selektivním (gatovaným) výstupem od kterých je očekávána ještě přesnější predikce výsledku oproti již vyvinutým metodám. Dále byl navržen a vyvinut vlastní builder neuronových sítí pro jednotky typu GHONUs (Gated Higher Order Neural Units) označován jako GHONNs (Gated Higher Order Neural Networks). Dále byl paralelně vyvinut builder pro HONNs (Higher Order Neural Networks) založen na již dříve implementované neuronové architektuře. Tyto nové metody jsou vhodné nejen pro účely detekce anomálií ale také predikcí.

Type

R - Software

CEP classification

—

OECD FORD branch

20301 - Mechanical engineering

Project

<a href="/en/project/TN01000071" target="_blank" >TN01000071: National Competence Centre of Mechatronics and Smart Technologies for Mechanical Engineering</a><br>

Continuities

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Publication year

2022

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Internal product ID

NCC MESTEC - W4-data mining

Technical parameters

OS: Windows, Linux, MAC Min. požadavky na HW: 4GB RAM, dual core CPU. Celková velikost instalace včetně souvisejících SW: 4GB pro embedded; 200MB pro Windows Související embedded instalace a kompilace: Python 3.7.4 v distribuci Anaconda. Počet vyvinutých modulů: 9. Názvy modulů: ghonu.py, ghonn.py ,app.py, honu.py, honn.py, networker.py, mmult_AXI.bit, mmult_64x64.bit, detector.py. Celková velikost zdrojového kódu: 9 451 KB. Množství zpracovávaných dat pro minimální HW konfiguraci: 0.5 GB Podmínky využití výsledku jsou zahrnuty ve Smlouvě o využití výsledků projektu NCK MESTEC, podepsané 16.12.2020 (ČVUT, RBCB)

Economical parameters

Předpokládaná za licenci: 1 500 000,- Kč bez DPH Cena je odvozena od potenciálu úspor celkového SW řešení pro cílového zákazníka.

Owner IČO

68407700

Owner name

České vysoké učení technické v Praze FS, Ústav mechaniky