In einer Zeit, in der Industrie 4.0 und datengetriebene Prozesse die Produktion revolutionieren, stehen Unternehmen vor der Herausforderung, Maschinendaten effizient zu verarbeiten.
Ein Lösungsansatz hierfür sind Embedded-Geräte, die direkt an der Datenquelle arbeiten. Dabei stellt sich die Frage: Wie performant können diese Geräte neuronale Netzwerke ausführen, um beispielsweise komplexe Vorhersagen zur Maschinenwartung in Echtzeit zu ermöglichen?
Die Antwort auf diese Frage steht im Mittelpunkt einer neuen Studie, die von Wissenschaftlern der Hochschule Kempten sowie der Technischen Universität München erarbeitet wurde.
Präsentiert werden die Resultate unter dem Titel: „Analysis of Neural Network Inference Response Times on Embedded Platforms“ auf der ASIANComNet 2024 von Herrn Patrick Huber.
Die internationale Konferenz findet vom 24. bis 27. Oktober 2024 in Thailand statt und versammelt führende Forscher und Experten, um zukunftsweisende Technologien in den Bereichen Elektrotechnik und Informatik zu diskutieren. Unter dem Motto „THAI (TecHnology And Innovation) for a Smart Planet“ bietet sie ein Forum für den Austausch über die neuesten Entwicklungen in Bereichen wie drahtlose Kommunikation, mobile Netzwerke und das Internet der Dinge.
Die Autoren haben in ihrer Arbeit die Reaktionszeiten von neuronalen Netzwerken auf unterschiedlichen Embedded-Systemen untersucht. Dabei konzentrierte sich die Forschung auf die Frage, wie Faktoren wie Netzwerkparameter, Aktivierungsfunktionen und Multi-Threading die Ausführungszeiten beeinflussen. Solche Echtzeitanalysen sind von entscheidender Bedeutung für Anwendungsfelder wie die vorausschauende Wartung, bei der schnelle und präzise Vorhersagen von Maschinenzuständen die Produktivität und Betriebssicherheit steigern.
Die Studie hebt die Komplexität der Aufgabenverteilung und der Scheduling-Strategien hervor, die erforderlich sind, um optimale Leistung auf ressourcenbeschränkten Plattformen wie dem Raspberry Pi oder speziellen ARM-basierten Geräten zu erzielen. Die Ergebnisse unterstreichen, dass nicht alle modernen Frameworks automatisch die optimalen Anpassungen vornehmen und wie wichtig es ist, Netzwerke und Hardwareplattformen präzise aufeinander abzustimmen.
Die vorgestellten Forschungsergebnisse liefern entscheidende Einblicke, wie intelligente Systeme in Zukunft direkt an der Datenquelle eingesetzt werden können, um industrielle Prozesse zu optimieren. Die Forschungsergebnisse werden im Anschluss an die ASIANComNet 2024 in IEEE Xplore unter dem gleichnamigen Titel veröffentlicht.
Die Studie wurden im Rahmen des Projekts ESKIMO erarbeitet, das durch die Förderinitiative „KMU-innovativ“ des Bundesministeriums für Bildung und Forschung gefördert wird.
Weitere Informationen:
Zu ESKIMO: https://forschung.hs-kempten.de/de/forschungsprojekt/276-eskimo
Zur ASIANComNet 2024: https://asiancomnet2024.aconf.org
Kontakt:
ESKIMO Team
Hochschule Kempten – University of Applied Sciences
Patrick Huber
Bahnhofstr. 61, 87437 Kempten
E-Mail: patrick.huber@hs-kempten.de