論文の概要: Spiking Neural Networks for Low-Power Vibration-Based Predictive Maintenance

• arxiv url: http://arxiv.org/abs/2506.13416v1
• Date: Mon, 16 Jun 2025 12:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.393358
• Title: Spiking Neural Networks for Low-Power Vibration-Based Predictive Maintenance
• Title（参考訳）: 低出力振動に基づく予測保守のためのスパイクニューラルネットワーク
• Authors: Alexandru Vasilache, Sven Nitzsche, Christian Kneidl, Mikael Tekneyan, Moritz Neher, Juergen Becker,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、エネルギー効率の高いオンデバイス処理への有望な経路を提供する。 本稿では, 産業用進行キャビティポンプの同時回帰(流量, 圧力, ポンプ速度)とマルチラベル分類(正常, 過圧, キャビテーション)の繰り返しSNNについて検討する。 その結果, 臨界過圧およびキャビテーション断層に対する偽陰性率ゼロの高分類精度 (>97%) を示した。
• 参考スコア（独自算出の注目度）: 38.09509006669997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 産業用モノのインターネット(IIoT)センサーの進歩は、高時間分解能で洗練された予測保守(PM)を可能にする。 コスト効率のよいソリューションでは、特に振動に基づく状態監視が重要である。 しかし、従来のクラウドアプローチによる高分解能振動データの解析は、かなりのエネルギーと通信コストを発生させ、バッテリー駆動エッジ配置を妨げている。 これは、インテリジェンスをセンサーエッジにシフトさせる必要がある。 イベント駆動性のため、スパイキングニューラルネットワーク(SNN)は、エネルギー効率の高いオンデバイス処理への有望な経路を提供する。 本稿では,3軸振動データを用いた産業用進行キャビティポンプ(PCP)の同時回帰(流量,圧力,ポンプ速度)とマルチラベル分類(正常,過圧,キャビテーション)について検討する。 さらに,従来の (x86, ARM) とニューロモルフィック (Loihi) のハードウェアプラットフォーム上での SNN アプローチと比較したエネルギー消費量の推定を行った。 その結果, 臨界過圧およびキャビテーション断層に対する偽陰性率ゼロの高分類精度 (>97%) を示した。 Smoothed regression outputs achieve Mean Relative Percentage Errors below 1% for flow and pump speed, approach to industrial sensor standards, while pressure prediction requires more refinement。 エネルギー推定では、ロイヒの消費電力(0.0032 J/inf)は、推定x86のCPU(11.3 J/inf)とARMのCPU(1.18 J/inf)と比較して桁違いに小さくなっている。 本研究は,資源制約エッジデバイス上でのマルチタスクPMのSNNの可能性を強調し,スケーラブルでエネルギー効率の高い産業モニタリングソリューションを実現することを目的とした。

関連論文リスト

• sVAD: A Robust, Low-Power, and Light-Weight Voice Activity Detection with Spiking Neural Networks [51.516451451719654]
  スパイキングニューラルネットワーク(SNN)は生物学的に妥当で、電力効率が高いことが知られている。 本稿では sVAD と呼ばれる新しい SNN ベースの音声活動検出モデルを提案する。 SincNetと1D畳み込みによる効果的な聴覚特徴表現を提供し、アテンション機構による雑音の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-09T02:55:44Z)
• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• Evaluating Spiking Neural Network On Neuromorphic Platform For Human Activity Recognition [2.710807780228189]
  エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。 スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
  論文  参考訳（メタデータ） (2023-08-01T18:59:06Z)
• NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [50.00272243518593]
  ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は問題の多いままである。 我々は低電圧状態におけるエネルギー精度のトレードオフを処理する新しいアドオンモジュールであるNeuralFuseを開発した。 1%のビットエラー率で、NeuralFuseはアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
  論文  参考訳（メタデータ） (2023-06-29T11:38:22Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。