Algoritme-hardware co-design voor adaptieve ingebedde anomaliedetectie

Intelligente machines zijn de sleutel tot de 4e industriële revolutie. Deze intelligente machines zijn voorzien van slimme sensoren en cyber-fysieke systemen. Deze maken het mogelijk om zelfstandig beslissingen te nemen en taken zo autonoom als mogelijk uit te voeren. Terwijl deze geautomatiseerde machines drastisch bijdragen aan de kwaliteit en efficiëntie van productieprocessen, wordt hun betrouwbaarheid hoe langer hoe meer belangrijker. Dit om de veiligheid te garanderen en kostbare stilstand van machines tot een minimum te beperken. Door continu de gezondheid van een machine te controleren aan de hand van de aanwezige sensoren, kunnen onderhoudswerkzaamheden efficiënter ingepland worden om de betrouwbaarheid te verbeteren. Om dit mogelijk te maken is er een constante stroom aan sensorinformatie nodig, die vandaag de dag typisch wordt geanalyseerd in de cloud. Deze constante informatiestroom richting de cloud legt een zware druk op het netwerk. In dit onderzoek willen we aan de hand van anomaliedetectie het normale gedrag van een machine modelleren. Door voorkennis in te brengen in het model, kan de benodigde hoeveelheid data gereduceerd worden. In het geval van een fout zal de machine afwijken van zijn gemodelleerde normale gedrag, wat dan aanleiding geeft om een onderhoud in te plannen. Naast het algoritmisch aspect zal er in dit onderzoek ook gewerkt worden rond energie-efficiënte hardware implementaties voor zowel het uitvoeren als het leren van het model. Dit moet het mogelijk maken om zo veel mogelijk berekeningen nabij de machine uit te voeren wat voordelig is voor de netwerkinfrastructuur en gebruiksgemak van de totaaloplossing.