Prediktivní údržba vestavných systémů založená na strojovém učení

Abstract

Prediktivní údržba (PdM) využívá metody založené na datech k předvídání poruch zařízení a ke snižování neplánovaných odstávek. S nástupem technologie Tiny Machine Learning (TinyML) je nyní možné provozovat lehké prediktivní modely přímo na vestavěných mikrokontrolérech, což umožňuje decentralizovanou a okamžitou detekci poruch na okraji sítě. Tato práce zkoumá proveditelnost a efektivitu použití TinyML v PdM na výpočetně omezeném hardwaru prostřednictvím dvou případových studií. První případ využívá dataset Microsoft Azure PdM k natrénování více-třídního klasifikátoru poruch pomocí spektrálních příznaků a hustých neuronových sítí. Výsledný model dosáhl 65,5% přesnosti na validační sadě a 52,2% na testovací sadě, přičemž F1 skóre pro jednotlivé třídy se pohybovalo mezi 0,20 až 0,40. Simulace ukázaly, že falešně pozitivní a falešně negativní detekce omezují přínosy modelu a přinášejí pouze mírné zlepšení dostupnosti zařízení. Druhý případ se zabývá detekcí anomálií v reálném čase na bezkomutátorovém stejnosměrném motoru (BLDC) pomocí vývojové desky Arduino Nano 33 BLE Sense. Binární klasifikátor dosáhl přesnosti 89%, přesnosti a citlivosti 0,82 a AUC 0,92. Ačkoliv se nasazení modelu do zařízení nezdařilo kvůli problémům s integrací SDK, výkonové metriky ze systému Edge Impulse potvrdily proveditelnost inferencí v reálném čase (latence 25ms, spotřeba paměti 16KB RAM). Simulované strategie údržby ukázaly, že dobře fungující modely mohou výrazně zvýšit provozuschopnost a snížit počet poruch, zatímco nedostatečně natrénované modely nemusejí přinášet téměř žádný přínos. Energetický profil navíc potvrdil, že inference pomocí TinyML spotřebovala 4–5× méně energie než přenos dat do cloudu, což potvrzuje její vhodnost pro efektivní PdM přímo na zařízení.

Predictive maintenance (PdM) leverages data-driven methods to anticipate equipment failures and reduce unplanned downtime. With the emergence of Tiny Machine Learning (TinyML), it is now possible to run lightweight predictive models directly on embedded microcontrollers, enabling decentralized, real-time fault detection at the edge. This thesis investigates the feasibility and effectiveness of TinyML-based PdM on constrained hardware through two case studies. The first case uses the Microsoft Azure PdM dataset to train a multiclass failure classifier with spectral features and dense neural networks. The model reached 65.5% validation accuracy and 52.2% test accuracy, with per-class F1-scores ranging from 0.20 to 0.40. Simulations showed that false positives and false negatives limited its benefits, yielding only marginal improvements in availability. The second case explores real-time anomaly detection on a brushless DC (BLDC) motor using the Arduino Nano 33 BLE Sense. A binary classifier achieved 89.3% accuracy, 0.82 precision and recall, and an AUC of 0.92. Though hardware deployment was blocked by SDK issues, performance metrics confirmed feasibility for real-time inference (25 ms latency, 16 KB RAM). Simulated maintenance strategies demonstrated that high-performing models can greatly improve uptime and reduce failure rates, while underperforming models may offer little advantage. Energy profiling further confirmed that TinyML inference consumed 4–5× less power than cloud-based offload, validating its role in efficient edge-based PdM.