On the edge implementation of quantized ANN for interturn short-circuit diagnostics

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F22%3APR37510" target="_blank" >RIV/00216305:26620/22:PR37510 - isvavai.cz</a>

Výsledek na webu

<a href="http://ai4di.ceitec.cz/vysledky" target="_blank" >http://ai4di.ceitec.cz/vysledky</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

On the edge implementation of quantized ANN for interturn short-circuit diagnostics

Popis výsledku v původním jazyce

The prepared software package contains a set of scripts for the conversion of neural networks for inter-turn short-circuit detection from floating point arithmetic to integer arithmetic suitable for implementation in tensor processing units - TPUs. A trained neural network and a representative dataset are needed to use the quantization process. The resulting neural network contains only integer types and can be easily implemented in low-cost microcontrollers without float processing units FPU or into TPU platforms. The size of the neural network is reduced to approximately one-quarter of the original size with just a minimum reduction in classification accuracy. The resulting quantized networks were tested on a test system for the analysis of inter-turn short-circuits in a multiphase PMS motor with a Nerve Blue platform equipped with an additional Coral TPU accelerator.

Název v anglickém jazyce

On the edge implementation of quantized ANN for interturn short-circuit diagnostics

Popis výsledku anglicky

The prepared software package contains a set of scripts for the conversion of neural networks for inter-turn short-circuit detection from floating point arithmetic to integer arithmetic suitable for implementation in tensor processing units - TPUs. A trained neural network and a representative dataset are needed to use the quantization process. The resulting neural network contains only integer types and can be easily implemented in low-cost microcontrollers without float processing units FPU or into TPU platforms. The size of the neural network is reduced to approximately one-quarter of the original size with just a minimum reduction in classification accuracy. The resulting quantized networks were tested on a test system for the analysis of inter-turn short-circuits in a multiphase PMS motor with a Nerve Blue platform equipped with an additional Coral TPU accelerator.

Druh

R - Software

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/8A19001" target="_blank" >8A19001: Artificial Intelligence for Digitizing Industry</a><br>

Návaznosti

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

Rok uplatnění

2022

Kód důvěrnosti údajů

C - Předmět řešení projektu podléhá obchodnímu tajemství (§ 504 Občanského zákoníku), ale název projektu, cíle projektu a u ukončeného nebo zastaveného projektu zhodnocení výsledku řešení projektu (údaje P03, P04, P15, P19, P29, PN8) dodané do CEP, jsou upraveny tak, aby byly zveřejnitelné.

Interní identifikační kód produktu

QUANT_ANN_ITSC_FD

Technické parametry

Softwarové nástroje lze použít pro quantizaci víceúrovnových perceptronových neuronových sítí a pro quantizaci konvolučních neuronových sítí. Výsledné neuronové sítě lze potom snadno implementovat do TPU jednotek nebo procesorou bez podpory aritmetiky s plovoucí řádovou čárkou.

Ekonomické parametry

Software realizuje kvantizaci předložené neuronové sítě. Cílem je redukovat její náročnos, aby ji bylo možné spustit na vestavných zařízeních, případně v prostředcích, které jsou nachystány na implementaci kvantizovaných neuronových sítí, jako jsou Tensor Processing Units. Software byl vytvořen pro vědecké účely a nepředpokládá se zatím jeho komerční využití.

IČO vlastníka výsledku

00216305

Název vlastníka

Vysoké učení technické v Brně