[논문 리뷰] ADEPOS: Anomaly Detection based Power Saving for Predictive Maintenance using Edge Computing

Sumon Kumar Bose, Bapi Kar외 3명|arXiv (Cornell University)|2018. 10. 30.

Advanced Battery Technologies Research참고 문헌 16인용 수 14

한 줄 요약

ADEPOS는 예측 정비 시스템에서 기계의 상태에 따라 계산 정확도를 동적으로 조정함으로써 전력 소비를 줄이는 엣지 컴퓨팅 기반의 이상 탐지 프레임워크이다. 기계가 건강할 땐 낮은 정확도의 계산을 시작하고 이상 탐지 시 더 높은 정확도로 전환하는 약간의 계산 기법을 사용함으로써, 나사 항공우주국(NASA) 베어링 데이터셋에서 검증된 바, 평균적으로 6.4–6.65배의 에너지 절감과 8.8배의 감소된 뉴런을 달성한다.

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

연구 동기 및 목표

• 예측 정비를 위한 산업용 IoT에서 연속적인 센서 데이터 전송으로 인한 높은 에너지 및 대역폭 비용을 해결하기 위해.
• 이상 탐지 모델 학습에 필요한 결함 데이터가 제한적인 문제를 해결하기 위해.
• 기계 수명 주기 동안 시스템의 건강 상태에 따라 계산 정확도를 동적으로 조정하여 계산 에너지 소비를 줄이기 위해.
• 클라우드에 대한 최소한의 의존도를 바탕으로 지속 가능한 장기 예측 정비를 가능하게 하기 위해.

제안 방법

• 시스템은 기계가 건강할 경우 처음에 낮은 정확도의 근사 계산을 사용하는 이중 단계 접근 방식을 채택한다.
• 경량 모델을 엣지 장치에서 지속적으로 사용하여 기계의 동작을 모니터링함으로써 이상 탐지를 수행한다.
• 이상이 탐지되면 시스템은 예측 신뢰도를 향상시키기 위해 더 높은 정확도의 계산 모드로 전환한다.
• 프레임워크는 뉴런 수와 계산 사이클 수를 줄이기 위해 약간의 계산 기법을 활용한다.
• 후처리 레이아웃 시뮬레이션을 통해 다양한 정확도 수준에서의 에너지 절감 효과를 검증한다.
• 나사 항공우주국(NASA) 베어링 데이터셋을 사용하여 이상 탐지 및 에너지 절감 성능을 학습하고 평가한다.

실험 결과

연구 질문

• RQ1 기계 수명 주기 동안 예측 정비 시스템에서 계산 정확도를 어떻게 동적으로 조정하여 에너지 소비를 최소화할 수 있는가?
• RQ2 산업용 IoT의 엣지 기반 이상 탐지에서 정확도와 에너지 효율성 사이의 상호 교환 관계는 어떠한가?
• RQ3 약간의 계산 기법을 통해 이상 탐지에 필요한 뉴런 수를 줄일 수 있는가, 이는 결함 예측 신뢰성에 영향을 주지 않는가?
• RQ4 정상 작동에서 이상 작동으로의 전환 시, 시스템은 어떻게 탐지 성능을 유지하는가?
• RQ5 엣지 기반 이상 탐지는 클라우드 전송 및 관련 에너지 비용을 얼마나 줄일 수 있는가?

주요 결과

• ADEPOS는 기존의 고정밀도 모델 대비 이상 탐지에 필요한 뉴런 수를 평균적으로 8.8배 감소시킨다.
• 후처리 레이아웃 시뮬레이션 결과, 다양한 운영 모드에서 에너지 절감이 6.4에서 6.65배에 달한다.
• 기계 운영의 초기 건강 단계에서 계산 부담을 크게 줄이며 효과적인 이상 탐지 성능을 유지한다.
• 이상 탐지 시에 저정밀도에서 고정밀도 모드로의 전환이 신뢰성 있게 발생하여 시기적절하고 정확한 고장 예측을 보장한다.
• 프레임워크는 나사 항공우주국(NASA) 베어링 데이터셋에서 검증되어 실제 예측 정비 시나리오에서의 실용성을 입증한다.
• 현지 엣지에서 데이터를 처리함으로써 데이터 전송 수요를 효과적으로 줄이며 클라우드 의존도를 최소화한다.