无监督深度学习框架用于温度补偿损害评估,使用边缘设备上的超声波引导波
Pankhi Kashyap1, Kajal Shivgan1, Sheetal Patil1
1Department of Electrical Engineering (EE), IIT Bombay, Mumbai, 400076, India.
Scientific reports
|February 15, 2024
概括
本研究介绍了TinyML用于引导波结构健康监测 (GW-SHM) 中的轻量级机器学习模型. 这使得复合结构中准确的设备内损坏检测成为可能,克服了云计算的限制.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 结构工程 结构工程
背景情况:
- 深度学习模型增强了超声波引导波结构健康监测 (GW-SHM),但需要大量的计算资源.
- 依赖于云的部署限制了当前GW-SHM系统的可扩展性,因为处理和连接需求.
- 环境因素和损害复杂性引入数据异质性,挑战传统的SHM方法.
研究的目的:
- 为GW-SHM开发一种轻量级的机器学习 (ML) 解决方案,可在边缘设备上部署.
- 为了实现高效和成本效益的结构健康监测,而无需持续的云连接.
- 为了证明TinyML在复合结构中实时损坏检测的可行性.
主要方法:
- 利用TinyML框架为嵌入式系统创建轻量级ML模型.
- 开发了一个无监督学习框架来检测损坏,特别针对复合材料三明治结构中的解结和分层.
- 通过有限元模拟和实验数据在0-90°C的温度范围内验证了该方法.
- 在Xilinx Artix-7 FPGA上实现了一个完全集成的系统,用于数据采集,控制和边缘推理.
主要成果:
- 轻量级的ML模型实现了相当高的准确性,尽管使用有限的功能.
- 该系统成功地检测到小尺寸的缺陷,并提高了边缘设备的灵敏度.
- 通过边缘部署展示了有效的在线GW-SHM能力.
- 在不同的温度 (0-90°C) 中,TinyML方法被证明是稳健的.
结论:
- TinyML为在资源受限的边缘设备上部署GW-SHM系统提供了一个可行的替代方案.
- 拟议的无监督学习框架可以有效地在线检测复合结构中的损害.
- 这项研究克服了基于云计算的SHMML解决方案的可扩展性限制.
- 综合FPGA解决方案可方便实用的实时结构健康监测.
