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

Kód výsledku v 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>

Výsledek na webu

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

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

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

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

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

Popis výsledku anglicky

The software represents a framework with optimized artificial intelligence algorithms for predictive maintenance, designed for deployment on embedded platforms. The solution includes modules for local signal acquisition and processing, basic time-domain and frequency-domain analysis, and anomaly detection methods based on in-parameter-linear neural architectures of the HONU type and the Learning Entropy algorithm. The system architecture is modular and supports parallel data processing using asynchronous queues, enabling efficient utilization of limited computational and memory resources of embedded devices. The software is designed for real-time operation and supports communication with supervisory systems via the MQTT protocol. The result is intended for industrial predictive maintenance applications in environments with constrained computational resources and limited data connectivity.

Druh

R - Software

CEP obor

—

OECD FORD obor

20301 - Mechanical engineering

Projekt

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

2025

Kód důvěrnosti údajů

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

Interní identifikační kód produktu

388249

Technické parametry

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.

Ekonomické parametry

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.

IČO vlastníka výsledku

68407700

Název vlastníka

České vysoké učení technické v Praze