SW with optimized AI algorithms for predictive maintenance suitable for deployment on embedded devices

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F25%3A00388249" target="_blank" >RIV/68407700:21220/25:00388249 - isvavai.cz</a>

Result on the web

<a href="https://www.myscada.org" target="_blank" >https://www.myscada.org</a>

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

SW s optimalizovanými algoritmy AI pro prediktivní údržbu vhodným k nasazení na embedded zařízení

Original language description

Software představuje framework s optimalizovanými algoritmy umělé inteligence určený pro prediktivní údržbu technologických zařízení s možností nasazení na embedded platformách. Řešení zahrnuje moduly pro lokální akvizici a zpracování signálů, základní časovou a frekvenční analýzu a metody detekce anomálií založené na in-parameter-linear neuronových architekturách typu HONU a algoritmu Learning Entropy. Architektura systému je modulární a podporuje paralelní zpracování dat s využitím asynchronních front, což umožňuje efektivní využití omezených výpočetních a paměťových prostředků embedded zařízení. Software je navržen pro provoz v reálném čase a umožňuje komunikaci s nadřazenými systémy prostřednictvím protokolu MQTT. Výsledek je určen pro průmyslové aplikace prediktivní údržby v prostředích s omezenou dostupností výpočetních zdrojů a datové konektivity.

Czech name

SW s optimalizovanými algoritmy AI pro prediktivní údržbu vhodným k nasazení na embedded zařízení

Czech description

Software představuje framework s optimalizovanými algoritmy umělé inteligence určený pro prediktivní údržbu technologických zařízení s možností nasazení na embedded platformách. Řešení zahrnuje moduly pro lokální akvizici a zpracování signálů, základní časovou a frekvenční analýzu a metody detekce anomálií založené na in-parameter-linear neuronových architekturách typu HONU a algoritmu Learning Entropy. Architektura systému je modulární a podporuje paralelní zpracování dat s využitím asynchronních front, což umožňuje efektivní využití omezených výpočetních a paměťových prostředků embedded zařízení. Software je navržen pro provoz v reálném čase a umožňuje komunikaci s nadřazenými systémy prostřednictvím protokolu MQTT. Výsledek je určen pro průmyslové aplikace prediktivní údržby v prostředích s omezenou dostupností výpočetních zdrojů a datové konektivity.

Type

R - Software

CEP classification

—

OECD FORD branch

20301 - Mechanical engineering

Project

<a href="/en/project/TN02000010" target="_blank" >TN02000010: 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

2025

Confidentiality

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

Internal product ID

388249

Technical parameters

Operační systém: Linux (embedded Linux), testováno i na desktopových Linux distribucích, nutnost připojení karty Daqhat MCC172. Minimální požadavky na HW: ARM Cortex-A76 nebo ekvivalentní CPU, 8 GB RAM Celková velikost instalace včetně souvisejících SW: 2-4 GB (v závislosti na konfiguraci měřicích modulů a zpracovávaných algoritmů) Související instalace a kompilace: Python 3.10+ (doporučeno použít distribuci Anaconda nebo Miniconda), knihovny uvedené v technické dokumentaci projektu (requirements.txt) Hlavní komponenty frameworku 1. Řízení a orchestrace main.py - hlavní runner propojující měření a MQTT komunikaci task_manager.py - správce úloh definovaných v konfiguraci config_parser.py - parser konfiguračních souborů 2. Sběr dat (Data Acquisition) daqhats_read.py - čtení dat z MCC172 HAT zařízení daqhats_utils.py - pomocné funkce pro konfiguraci HAT data_reading_manager.py - správce datových front z měřicích zařízení 3. Zpracování dat (Data Processing) data_time_window_manager.py - správce časových oken z měřených dat data_processing_manager.py - scheduler pro zpracování raw dat pomocí analytických metod 4. Analytické metody (Signal Analysis & Anomaly Detection) basic_stats.py - základní statistiky frequency_analysis.py - frekvenční analýza (Welch, FFT) runtime.py - AISLE runtime pro detekci anomálií honu.py - implementace HONU neuronu aisle.py - výpočet Learning Entropy bukwise.py - Bukwise metoda data_logger.py - logování raw dat 5. Komunikace (MQTT Interface) client.py - MQTT klient pro odesílání zpráv encoder.py - serializace dat pro MQTT config.py - konfigurace MQTT brokeru 6. Datové struktury data_classes.py - dataclass definice všech konfigurací Celková velikost zdrojového kódu: cca 2 400 KB Množství zpracovávaných dat pro minimální HW konfiguraci: Datový tok z měřících karet: 3.2MB/s, poté v závislosti na konfiguraci analytických modulů. Podmínky využití výsledku: Výsledek je určen k využití v portfoliu produktů průmyslového partnera projektu.

Economical parameters

Výsledek představuje softwarový základ komerčně nabízeného řešení pro prediktivní údržbu určeného k integraci do portfolia produktů průmyslového partnera projektu. Ekonomický přínos spočívá zejména v možnosti nabídnout koncovým zákazníkům nástroj pro včasnou detekci poruch a omezení neplánovaných odstávek technologických zařízení. Na základě zkušeností z průmyslové praxe lze kvalifikovaně odhadnout, že nasazení řešení u koncových uživatelů může vést ke snížení nákladů na údržbu a provoz zařízení v řádu jednotek až desítek procent v závislosti na typu aplikace. Pro průmyslového partnera představuje výsledek rozšíření produktového portfolia o funkci s přidanou hodnotou, což zvyšuje konkurenceschopnost nabízeného řešení a jeho tržní potenciál.

Owner IČO

68407700

Owner name

České vysoké učení technické v Praze