在资源有限的PLC上集成机器学习进行预测性维护:可行性研究
Riccardo Mennilli1, Luigi Mazza1, Andrea Mura1
1Department of Mechanical and Aerospace Engineering, Politecnico di Torino, 10129 Turin, Italy.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
这项研究表明,神经网络可以在Finder OptaTM可编程逻辑控制器 (PLC) 上运行,用于实时预测维护. 这种边缘计算方法可以在资源有限的硬件上实现高效的机器学习.
科学领域:
- 工业自动化 工业自动化
- 边缘计算 边缘计算
- 机器学习 机器学习
背景情况:
- 工业4.0强调边缘计算用于实时工业应用.
- 传统的基于云的处理面临着延迟和带宽限制.
- 边缘设备通常具有有限的内存和处理能力.
研究的目的:
- 研究在先进可编程逻辑控制器 (PLC) 上部署神经网络的可行性.
- 用边缘计算来演示用于预测性维护的实时推断.
- 评估Finder OptaTM对于资源有限的机器学习应用程序的适用性.
主要方法:
- 为了推断,开发了一个卷积神经网络 (CNN).
- 在Finder OptaTM可编程逻辑控制器 (PLC) 上部署了CNN模型.
- 使用声学数据推断机械测试台的旋转速度.
主要成果:
- 寻找器OptaTM成功执行了一个用于实时推断的神经网络模型.
- 该研究表明了基于边缘的预测性维护的潜力.
- 该系统使用声学数据进行推断,以确定旋转速度.
结论:
- 寻找器OptaTM适用于边缘计算应用在预测性维护.
- 这种方法可以在紧硬件上实现可扩展和高效的机器学习.
- 这些发现支持为工业环境和实时异常检测提供成本效益高,适应性强的解决方案.


