[论文解读] 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 14

一句话总结

ADEPOS 是一种基于边缘计算的异常检测框架，通过在预测性维护系统中动态调整计算精度来降低功耗。通过采用近似计算——在机器处于健康状态时从低精度计算开始，并在检测到异常后切换到更高精度——该方法在 NASA 轴承数据集上验证后，实现了 6.4–6.65 倍的能效提升，平均减少 8.8 倍的神经元数量。

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

研究动机与目标

• 解决工业物联网中持续传输传感器数据带来的高能耗和高带宽成本问题。
• 克服训练异常检测模型时故障数据有限的挑战。
• 通过根据系统健康状态动态调整计算精度，降低机器全生命周期内的计算能耗。
• 实现在边缘计算支持下，对云依赖极小的可持续长期预测性维护。

提出的方法

• 系统采用两阶段方法：在机器处于健康状态时，初始使用低精度近似计算。
• 利用轻量级模型在边缘设备上持续执行异常检测，以监控机器运行状态。
• 在检测到异常后，系统切换至更高精度的计算模式，以提升预测可靠性。
• 该框架利用近似计算技术，减少神经元数量和计算周期。
• 后版图仿真验证了不同精度级别下的能效节省效果。
• 使用 NASA 轴承数据集对异常检测和节能性能进行训练与评估。

实验结果

研究问题

• RQ1 如何在预测性维护系统中动态调整计算精度，以最小化机器全生命周期内的能耗？
• RQ2 在工业物联网的边缘异常检测中，精度与能效之间的权衡关系如何？
• RQ3 近似计算是否能在不损害故障预测可靠性的情况下，减少异常检测所需的神经元数量？
• RQ4 系统在从正常运行切换到异常运行时，如何保持检测性能？
• RQ5 基于边缘的异常检测在多大程度上可减少对云传输的依赖及其相关能耗？

主要发现

• 与传统高精度模型相比，ADEPOS 在异常检测方面平均减少了 8.8 倍的神经元数量。
• 后版图仿真结果显示，不同工作模式下能效节省达到 6.4 至 6.65 倍。
• 系统在机器运行的早期健康阶段显著降低了计算负载，同时保持了有效的异常检测性能。
• 从低精度到高精度模式的切换在检测到异常后能够可靠触发，确保故障预测的及时性和准确性。
• 该方法在 NASA 轴承数据集上得到验证，证明了其在真实预测性维护场景中的实际可行性。
• 该框架通过在边缘本地处理数据，有效减少了数据传输需求，显著降低了对云的依赖。