Καινοτόμες λύσεις στη Βιομηχανία - Εκδήλωση "Connect to Success" 17/06/2015Schneider Electric
Από την Εκδήλωση "Connect to Success" (17/06/2015) της Schneider Electric
Παρουσίαση με θέμα Ολοκληρωμένες λύσεις στη Βιομηχανία (Νέα PLC, Βιομηχανικές Οθόνες Αφής HMI, Ρυθμιστές Στροφών Αντλιών)
Detection of a DC Motor Operating Conditions Using Neural Networks in Micropr...ISSEL
The field of Edge AI refers to the development of artificial intelligence that has the capability of processing data and run locally on hardware devices, without necessarily connecting them to the internet. Therefore, processes such as data creation can be performed without the need of uploading or downloading data from the Cloud. A main consequence of the above is the reduction of the response time of a system to extract results on a process. This triggers the development of artificial intelligence applications at the edge. Specifically, on the field of predictive maintenance at industrial level, applications of artificial intelligence at the edge can provide operational state recognition for machines in real time. This diploma thesis presents two methodological approaches to detect three states of operation, for a DC motor. These states are named as good, broken, and heavy load. Initially, for both approaches, features are extracted on the audio data of the IDMT-Isa-ELECTRIC-ENGINE dataset, after undergoing the appropriate pre-processing. A different neural network is then trained with CNN approach. Subsequently, the two models are subject to a post-training quantization process and an appropriate conversion and compression process in order to be inserted into Stm32 Discovery Kit IoT node board. After the completion of the implementations, an experimental application shall be carried out using the board to check the performance of the models on the recognition of the three sound states of the engine’s operation, as well as their response in cases of real-time change of the states. In conclusion, the results of the above procedures are presented, and conclusions are drawn on the performance of the models.
Ανίχνευση Λειτουργικών Καταστάσεων Κινητήρα Συνεχούς Ρεύματος με Χρήση Νευρων...ISSEL
Ο τομέας του Edge AI αφορά την ανάπτυξη τεχνητής νοημοσύνης που έχει τη δυνατότητα επεξεργασίας δεδομένων και εκτέλεσης τοπικά σε hardware συσκευές, χωρίς απαραίτητα την σύνδεσή τους με το διαδίκτυο. Επομένως, λειτουργίες όπως η δημιουργία δεδομένων μπορούν να πραγματοποιηθούν χωρίς την ανάγκη ανεβάσματος ή κατεβάσματος δεδομένων από το cloud, με κύρια συνέπεια την μείωση του χρόνου απόκρισης ενός συστήματος για την εξαγωγή αποτελεσμάτων πάνω σε μία διεργασία. Το γεγονός αυτό δίνει το έναυσμα για την ανάπτυξη εφαρμογών τεχνητής νοημοσύνης στην ακμή των συστημάτων. Συγκεκριμένα στον κλάδο που αφορά την προγνωστική συντήρηση σε βιομηχανικό επίπεδο, οι εφαρμογές της τεχνητής νοημοσύνης στην ακμή των συστημάτων μπορούν να παρέχουν δυνατότητες αναγνώρισης καταστάσεων λειτουργίας για μηχανήματα σε πραγματικό χρόνο. Στη παρούσα εργασία, παρουσιάζονται δύο μεθοδολογικές προσεγγίσεις για την ανίχνευση τριών καταστάσεων λειτουργίας για έναν κινητήρα συνεχούς ρεύματος που κατονομάζονται ως καλή, εσφαλμένη και επιφορτωμένη. Αρχικά, και για τις δύο προσεγγίσεις πραγματοποιείται η εξαγωγή χαρακτηριστικών πάνω στα δεδομένα ήχου του σετ δεδομένων IDMT-ISA-ELECTRIC-ENGINE, αφού υποστούν κατάλληλη προ-επεξεργασία. Στη συνέχεια, εκπαιδεύεται ένα διαφορετικό νευρωνικό δίκτυο CNN για την εκάστοτε προσέγγιση. Ακολούθως, τα δύο μοντέλα υπόκεινται σε διαδικασία μετεκπαιδευτικής κβαντοποίησης και σε μία διαδικασία κατάλληλης μετατροπής και συμπίεσης, ώστε να εισαχθούν στη πλακέτα STM32 Discovery kit IoT node. Μετά την ολοκλήρωση των υλοποιήσεων, πραγματοποιείται πειραματική εφαρμογή με τη χρήση της πλακέτας με σκοπό τον έλεγχο της επίδοσης των μοντέλων στην αναγνώριση των τριών ηχητικών καταστάσεων λειτουργίας του κινητήρα, καθώς και της απόκρισής τους σε περιπτώσεις εναλλαγής των καταστάσεων σε πραγματικό χρόνο Εν κατακλείδι, παρουσιάζονται τα αποτελέσματα των ανωτέρω διαδικασιών και εξάγονται συμπεράσματα για την επίδοση των μοντέλων.
Καινοτόμες λύσεις στη Βιομηχανία - Εκδήλωση "Connect to Success" 17/06/2015Schneider Electric
Από την Εκδήλωση "Connect to Success" (17/06/2015) της Schneider Electric
Παρουσίαση με θέμα Ολοκληρωμένες λύσεις στη Βιομηχανία (Νέα PLC, Βιομηχανικές Οθόνες Αφής HMI, Ρυθμιστές Στροφών Αντλιών)
Detection of a DC Motor Operating Conditions Using Neural Networks in Micropr...ISSEL
The field of Edge AI refers to the development of artificial intelligence that has the capability of processing data and run locally on hardware devices, without necessarily connecting them to the internet. Therefore, processes such as data creation can be performed without the need of uploading or downloading data from the Cloud. A main consequence of the above is the reduction of the response time of a system to extract results on a process. This triggers the development of artificial intelligence applications at the edge. Specifically, on the field of predictive maintenance at industrial level, applications of artificial intelligence at the edge can provide operational state recognition for machines in real time. This diploma thesis presents two methodological approaches to detect three states of operation, for a DC motor. These states are named as good, broken, and heavy load. Initially, for both approaches, features are extracted on the audio data of the IDMT-Isa-ELECTRIC-ENGINE dataset, after undergoing the appropriate pre-processing. A different neural network is then trained with CNN approach. Subsequently, the two models are subject to a post-training quantization process and an appropriate conversion and compression process in order to be inserted into Stm32 Discovery Kit IoT node board. After the completion of the implementations, an experimental application shall be carried out using the board to check the performance of the models on the recognition of the three sound states of the engine’s operation, as well as their response in cases of real-time change of the states. In conclusion, the results of the above procedures are presented, and conclusions are drawn on the performance of the models.
Ανίχνευση Λειτουργικών Καταστάσεων Κινητήρα Συνεχούς Ρεύματος με Χρήση Νευρων...ISSEL
Ο τομέας του Edge AI αφορά την ανάπτυξη τεχνητής νοημοσύνης που έχει τη δυνατότητα επεξεργασίας δεδομένων και εκτέλεσης τοπικά σε hardware συσκευές, χωρίς απαραίτητα την σύνδεσή τους με το διαδίκτυο. Επομένως, λειτουργίες όπως η δημιουργία δεδομένων μπορούν να πραγματοποιηθούν χωρίς την ανάγκη ανεβάσματος ή κατεβάσματος δεδομένων από το cloud, με κύρια συνέπεια την μείωση του χρόνου απόκρισης ενός συστήματος για την εξαγωγή αποτελεσμάτων πάνω σε μία διεργασία. Το γεγονός αυτό δίνει το έναυσμα για την ανάπτυξη εφαρμογών τεχνητής νοημοσύνης στην ακμή των συστημάτων. Συγκεκριμένα στον κλάδο που αφορά την προγνωστική συντήρηση σε βιομηχανικό επίπεδο, οι εφαρμογές της τεχνητής νοημοσύνης στην ακμή των συστημάτων μπορούν να παρέχουν δυνατότητες αναγνώρισης καταστάσεων λειτουργίας για μηχανήματα σε πραγματικό χρόνο. Στη παρούσα εργασία, παρουσιάζονται δύο μεθοδολογικές προσεγγίσεις για την ανίχνευση τριών καταστάσεων λειτουργίας για έναν κινητήρα συνεχούς ρεύματος που κατονομάζονται ως καλή, εσφαλμένη και επιφορτωμένη. Αρχικά, και για τις δύο προσεγγίσεις πραγματοποιείται η εξαγωγή χαρακτηριστικών πάνω στα δεδομένα ήχου του σετ δεδομένων IDMT-ISA-ELECTRIC-ENGINE, αφού υποστούν κατάλληλη προ-επεξεργασία. Στη συνέχεια, εκπαιδεύεται ένα διαφορετικό νευρωνικό δίκτυο CNN για την εκάστοτε προσέγγιση. Ακολούθως, τα δύο μοντέλα υπόκεινται σε διαδικασία μετεκπαιδευτικής κβαντοποίησης και σε μία διαδικασία κατάλληλης μετατροπής και συμπίεσης, ώστε να εισαχθούν στη πλακέτα STM32 Discovery kit IoT node. Μετά την ολοκλήρωση των υλοποιήσεων, πραγματοποιείται πειραματική εφαρμογή με τη χρήση της πλακέτας με σκοπό τον έλεγχο της επίδοσης των μοντέλων στην αναγνώριση των τριών ηχητικών καταστάσεων λειτουργίας του κινητήρα, καθώς και της απόκρισής τους σε περιπτώσεις εναλλαγής των καταστάσεων σε πραγματικό χρόνο Εν κατακλείδι, παρουσιάζονται τα αποτελέσματα των ανωτέρω διαδικασιών και εξάγονται συμπεράσματα για την επίδοση των μοντέλων.
12. Log/Personnel Data Call for Fire Air Tracks & Alerts Sit’l Awareness Enemy & Spot Reports Army Tactical Command and Control Systems (ATCCS) FBCB2 B O T T O M U P T O P D O W N FAADC2I Air Defense ASAS Intelligence MCS Maneuver AFATDS Fire Support CSSCS Logistics
13. BN CO PLT CO CDR EPLRS INC XO Bn CDR BDE WIDE EPLRS Data Backbone for SA and C2 Plt SGT Plt Ldr WG PLT SINCGARS Net ( Voice and Data) for SA and C2 WG ASIP SINCGARS ASIP SINCGARS EPLRS ASIP SINCGARS EPLRS ASIP SINCGARS EPLRS BDE Bn TOC Bde TOC MCS/P AFATDS ASAS INC GPS Handset INC GPS Handset INC GPS Handset APPLIQUE APPLIQUE APPLIQUE APPLIQUE R INC
15. Applique Hardware Touch Screen For Data Entry Sun Light Readable Universal Serial Bus for plug and play out of box expansion for peripherals and sensors. Provides standard interface and eliminates low reliability mass load devices such as floppy disk etc. Buttons Added Bradley “Sameness” Mil Spec Connectors Caution, Warning Shock mounted install plate to facilitate universal mounting plate to platform specific install brackets Detachable, movable keyboard and screen
16. Devotes most of the screen to the map - FBCB2 map is more pixels than entire M1A2 SEP or M2A3 screen Map brightness and contrast controllable separate from icons and overlays Map background can be CADRG, DTED, imagery and other standard NIMA products NBC WARNING 132156ZMAY98 14RPV 23366 46936 PLATOON TANK HALT Software Role label and own location Cursor location - display options for MGRS, Lat/long and UTM Main menu buttons located to minimize hand-eye movement; better operate-on-the-move support -- rest your hand on the edge of the display and touch the buttons with your thumb or fingers. Battlefield context display: depicts SA entities beyond your current viewing area; put your finger on the rectangle and slide to move to an adjacent area Zoom controls and Local time Auto-center toggle button to keep the map centered on own position User-settable single keystroke message send buttons View FIPR messages View top priority message ZuluDTG Cautions, warnings, alerts scroll and provide audible alarm Status “gumballs” GPS, comm, etc FIPR queue counters 800 x 600 pixels @ 10” for platforms 1,024 x 768 @ 12” for commanders Short form message window; minimizes user input for fast operation; one button send with predefined addresses
18. Video Imagery PROCESS MOTION IMAGERY TUAV DIVISION TOC BRIGADE TOC Other Imager Sources BATTALION TOC Aircraft Task Division Real-Time Video Non-Real-Time Video Non-Real-Time Video Request Brigade Real-Time Video Mission Task Information Non-Real-Time Video Request Battalion Real-Time Video Non-Real-Time Video Non-Real-Time Video Non-Real-Time Video Request ΑΡΧΙΚΟ ΔΙΑΓΡΑΜΜΑ ΑΝΑΛΥΣΗΣ ΣΥΣΤΗΜΑΤΟΣ TUAV
19.
20.
21.
22. ΤΕΡΜΑΤΙΚΑ ΕΠΕΞΕΡΓΑΣΙΑΣ ΒΙΝΤΕΟ Video Mosaic Fused Product MTI Extraction From Video Video Alerts Telemetry Video Stream Video Screener Exploitation Workstation Imagery MC&G Terrain ORB SHOOTER: LATCH 36 TGT: 3 TANKS VICINITY CP “SNAKE” POSITION: TANK 1 @ 33 22 13 N 115 30 35W TANK 2 @ 33 22 11 N 115 30 32W TANK 3 @ 33 22 08 N 115 30 31W ORDNANCE: LATCH CHOICE DESCRIPTION: THREE TANKS PRETEND-ING TO BE DEAD, MIXED WITH TANK HULKS FRIENDLIES: NONE NEAR CP “SNAKE” NOTES: TGT AREA OVERVIEW 5X5 nmi “ “ “ 2X2 nmi CLOSE-UP WITH TANKS IN AREA CLOSE OF JUST 3 TANKS MAX RES. TANK 1/TANK 2/TANK 3 A U T O D A Y N I G H T O F F C O N T B R T 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 RTIC Products t k-1 t k t k+1
![ΠΕΡΙΓΡΑΜΜΑ ΠΑΡΟΥΣΙΑΣΗΣ ,[object Object],[object Object],[object Object],[object Object]](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)