Nástroj pro analýzu dynamiky zkušebního cyklu a predikci negativního výsledku testu

Kód výsledku v 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>

Výsledek na webu

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

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Nástroj pro analýzu dynamiky zkušebního cyklu a predikci negativního výsledku testu

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Test cycle dynamics analysis and negative test result prediction tool

Popis výsledku anglicky

The developed software and applied methods were designed for both server and local deployment. Possible step and batch adaptation methods for even more timely prediction of the test result were investigated in detail. However, previously unknown technical limitations have greatly complicated this goal and the batch method is still considered as more suitable for this application. The deployment of the developed software on the PYNQ-Z1 device with FPGA acceleration of matrix computations and the development of neural networks with selective (gated) output which are expected to be even more accurate in predicting the result compared to the already developed methods have been tested. Furthermore, a custom neural network builder for Gated Higher Order Neural Units (GHONUs), referred to as GHONNs (Gated Higher Order Neural Networks), has been designed and developed. Furthermore, a builder for Higher Order Neural Networks (HONNs) was developed in parallel based on the previously implemented neural architecture. These new methods are suitable not only for anomaly detection purposes but also for prediction purposes.

Druh

R - Software

CEP obor

—

OECD FORD obor

20301 - Mechanical engineering

Projekt

<a href="/cs/project/TN01000071" target="_blank" >TN01000071: Národní centrum kompetence Mechatroniky a chytrých technologií pro strojírenství</a><br>

Návaznosti

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

Rok uplatnění

2022

Kód důvěrnosti údajů

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

Interní identifikační kód produktu

NCC MESTEC - W4-data mining

Technické parametry

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)

Ekonomické parametry

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

IČO vlastníka výsledku

68407700

Název vlastníka

České vysoké učení technické v Praze FS, Ústav mechaniky