[論文レビュー] ADEPOS: Anomaly Detection based Power Saving for Predictive Maintenance using Edge Computing

Sumon Kumar Bose, Bapi Kar+3 more|arXiv (Cornell University)|Oct 30, 2018

Advanced Battery Technologies Research参考文献 16被引用数 14

ひとこと要約

ADEPOS は、予知保全システムにおける計算精度を動的に調整することで、電力消費を低減するエッジコンピューティングベースの異常検出フレームワークである。機械が健全な状態の際は低精度の計算を開始し、異常検出時に高精度の計算に切り替える近似計算を活用することで、NASAのベアリングデータセットを用いた検証で、6.4–6.65倍のエネルギー節約と平均で8.8倍のニューロン削減を達成した。

ABSTRACT

In industry 4.0, predictive maintenance(PM) is one of the most important applications pertaining to the Internet of Things(IoT). Machine learning is used to predict the possible failure of a machine before the actual event occurs. However, the main challenges in PM are (a) lack of enough data from failing machines, and (b) paucity of power and bandwidth to transmit sensor data to cloud throughout the lifetime of the machine. Alternatively, edge computing approaches reduce data transmission and consume low energy. In this paper, we propose Anomaly Detection based Power Saving(ADEPOS) scheme using approximate computing through the lifetime of the machine. In the beginning of the machines life, low accuracy computations are used when the machine is healthy. However, on the detection of anomalies, as time progresses, the system is switched to higher accuracy modes. We show using the NASA bearing dataset that using ADEPOS, we need 8.8X less neurons on average and based on post-layout results, the resultant energy savings are 6.4 to 6.65X

研究の動機と目的

• 産業用IoTにおける予知保全のための継続的センサデータ送信に伴う高いエネルギーおよび帯域幅コストを低減すること。
• 異常検出モデルの学習に必要な故障データが限られているという課題を克服すること。
• 機械の寿命にわたり、システムの健全性に基づいて計算精度を動的に調整することで、計算エネルギー消費を低減すること。
• クラウドへの依存を最小限に抑えながら、持続可能で長期的な予知保全を実現すること。

提案手法

• システムは二段階のアプローチを採用しており、機械が健全な状態の際は低精度の近似計算を最初に使用する。
• 軽量なモデルをエッジデバイスで継続的に用いて、機械の挙動を監視する異常検出を実施する。
• 異常を検出すると、予測の信頼性を向上させるために高精度の計算モードに切り替える。
• フレームワークは、ニューロン数と計算サイクルの削減を実現する近似コンピューティング技術を活用する。
• レイアウト後シミュレーションにより、さまざまな精度レベルでのエネルギー節約が検証された。
• NASAのベアリングデータセットを用いて、異常検出とエネルギー節約性能のトレーニングおよび評価が行われた。

実験結果

リサーチクエスチョン

• RQ1 予知保全システムにおいて、計算精度をどのように動的に調整することで、機械の寿命にわたるエネルギー消費を最小限に抑えることができるか？
• RQ2 産業用IoTにおけるエッジベースの異常検出において、精度とエネルギー効率のトレードオフはどのようなものか？
• RQ3 近似コンピューティングにより、故障予測の信頼性を損なわずに異常検出に必要なニューロン数を削減できるか？
• RQ4 正常動作から異常動作への移行時、システムはどのようにして検出性能を維持するか？
• RQ5 エッジベースの異常検出は、クラウドへの依存と関連するエネルギーコストをどの程度低減できるか？

主な発見

• ADEPOS は、従来の高精度モデルと比較して、異常検出に必要なニューロン数を平均で8.8倍削減した。
• レイアウト後シミュレーションの結果、さまざまな運用モードで6.4～6.65倍のエネルギー節約が確認された。
• 機械の初期段階（健全時）において、計算負荷を顕著に低減しながらも、効果的な異常検出性能を維持した。
• 異常検出時に低精度モードから高精度モードへの切り替えが信頼性高く発火され、遅延なく正確な故障予測が可能になった。
• NASAのベアリングデータセットを用いた検証により、実世界の予知保全シナリオにおける実用的妥当性が示された。
• フレームワークは、データをエッジでローカルに処理することで、データ送信の必要性を効果的に削減し、クラウド依存を最小限に抑えた。