Достижения в области датчиков промышленного интернета вещей (IIoT) позволяют реализовать сложное предиктивное техническое обслуживание (ПТО) с высоким временным разрешением. Для экономически эффективных решений особый интерес представляет мониторинг состояния на основе вибрации. Однако анализ данных вибрации высокого разрешения с помощью традиционных облачных подходов влечет за собой значительные затраты на электроэнергию и связь, что затрудняет развертывание периферийных устройств с питанием от аккумуляторов. Это требует переноса интеллектуальных функций на периферийные устройства датчиков. Благодаря своей событийно-управляемой природе, импульсные нейронные сети (SNN) предлагают многообещающий путь к энергоэффективной обработке данных на устройстве. В данной статье исследуется рекуррентная SNN для одновременной регрессии (расход, давление, скорость насоса) и многофакторной классификации (нормальное давление, избыточное давление, кавитация) для промышленного винтового насоса (PCP) с использованием данных о вибрации по 3 осям. Кроме того, мы приводим оценки энергопотребления, сравнивая подход SNN на традиционных (x86, ARM) и нейроморфных (Loihi) аппаратных платформах. Результаты демонстрируют высокую точность классификации (>97%) с нулевым уровнем ложноотрицательных результатов для критических ошибок избыточного давления и кавитации. Сглаженные результаты регрессии достигают средней относительной процентной погрешности менее 1% для расхода и скорости насоса, приближаясь к стандартам промышленных датчиков, хотя прогнозирование давления требует дальнейшего уточнения. Оценки энергопотребления указывают на значительную экономию энергии: потребление Loihi (0,0032 Дж/дюйм) на 3 порядка меньше по сравнению с расчетным потреблением процессоров x86 (11,3 Дж/дюйм) и ARM (1,18 Дж/дюйм). Наши результаты подчеркивают потенциал нейронных сетей SNN для многозадачного управления производительностью непосредственно на периферийных устройствах с ограниченными ресурсами, что позволяет создавать масштабируемые и энергоэффективные решения для промышленного мониторинга.
*Перевод выполнен с помощью нейросетей
Spiking Neural Networks for Low-Power Vibration-Based Predictive Maintenance
Advancements in Industrial Internet of Things (IIoT) sensors enable sophisticated Predictive Maintenance (PM) with high temporal resolution. For cost-efficient solutions, vibration-based condition monitoring is especially of interest. However, analyzing high-resolution vibration data via traditional cloud approaches incurs significant energy and communication costs, hindering battery-powered edge deployments. This necessitates shifting intelligence to the sensor edge. Due to their event-driven nature, Spiking Neural Networks (SNNs) offer a promising pathway toward energy-efficient on-device processing. This paper investigates a recurrent SNN for simultaneous regression (flow, pressure, pump speed) and multi-label classification (normal, overpressure, cavitation) for an industrial progressing cavity pump (PCP) using 3-axis vibration data. Furthermore, we provide energy consumption estimates comparing the SNN approach on conventional (x86, ARM) and neuromorphic (Loihi) hardware platforms. Results demonstrate high classification accuracy (>97%) with zero False Negative Rates for critical Overpressure and Cavitation faults. Smoothed regression outputs achieve Mean Relative Percentage Errors below 1% for flow and pump speed, approaching industrial sensor standards, although pressure prediction requires further refinement. Energy estimates indicate significant power savings, with the Loihi consumption (0.0032 J/inf) being up to 3 orders of magnitude less compared to the estimated x86 CPU (11.3 J/inf) and ARM CPU (1.18 J/inf) execution. Our findings underscore the potential of SNNs for multi-task PM directly on resource-constrained edge devices, enabling scalable and energy-efficient industrial monitoring solutions.