Réseau de capteurs et edge AI basse consommation pour la maintenance prévisionnelle

Ultra low power sensor networks and edge AI for predictive maintenance

• Auteur / Autrice : Youssof Fassi
• Direction : Sébastien Boisseau
• Type : Projet de thèse
• Discipline(s) : Signal Image Parole Télécoms
• Date : Inscription en doctorat le 22/11/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Electronique et de Technologie de l'Information (LETI)

Mots clés

Mots clés libres

IA embarquée

Maintenance prévisionnelle

Réseaux de capteurs

Edge AI

Predictive maintenance

Sensor networks

Résumé

La maintenance prédictive est un enjeu majeur pour le secteur de l'énergie, le transport ou encore l'industrie, permettant de maximiser les temps d'utilisation des pièces, d'augmenter la durée de vie des machines, de réduire les pannes ainsi que les temps d'immobilisation des équipements; avec à la clé, des gains économiques et environnementaux pour l'entreprise. La maintenance prédictive s'appuie sur des réseaux de capteurs placés sur les équipements à monitorer et sur des mécanismes d'apprentissages mettant en œuvre de l'intelligence artificielle (Machine Learning). Ces capteurs sont aujourd'hui essentiellement filaires, ce qui rend leur installation complexe : passage de câbles, passage de murs, environnements tournants,… La solution idéale serait de disposer de capteurs communicants sans fil; se pose alors la question de leur autonomie énergétique, ce qui est l'enjeu de cette thèse. Ce sujet de thèse, qui s'inscrit dans la roadmap 'Systèmes Cyber-Physiques' du Département Systèmes du CEA-LETI (Grenoble), aura pour objectif de développer un réseau de capteurs basse consommation sans fil permettant de surveiller les équipements industriels et d'anticiper leur défaillance. La thèse s'appuiera sur des solutions technologiques avancées mettant en œuvre de l'intelligence artificielle embarquée (edge AI), du traitement de données provenant de différents capteurs (audio, vibrations) ainsi que de l'électronique basse consommation (hardware et firmware) notamment pour les aspects traitement de l'information et communication. L'intelligence artificielle est en plein essor avec des enjeux majeurs pour la santé, le transport, la protection de l'environnement ou encore l'industrie. Actuellement, les calculs sont majoritairement déportés sur des serveurs (couramment nommés cloud), ce qui nécessite la transmission complète des données mesurées par les capteurs (par ex. signal audio pour un microphone, ou vibrations pour un accéléromètre). Cette architecture est simple à déployer mais peu efficace du point de vue énergétique avec des serveurs de calcul surdimensionnés pour la plupart, et peu résiliente en cas de défaut de transmission des données. La tendance est donc à l'implémentation des algorithmes de traitement au plus proche des capteurs pour réduire les taux d'utilisation des systèmes de communication, décharger les serveurs de calcul en réduisant leur consommation énergétique et améliorer la résilience de ces réseaux de capteurs. Partant de ce constat, il reste à comprendre comment une tâche de traitement de données initialement réalisée par des serveurs sans contraintes d'alimentation et de puissance de calcul peut être déportée sur un réseau de capteurs à énergie disponible limitée et à puissance de calcul réduite (par ex. microcontrôleurs faible consommation). A cette fin, on pourra entre autre, mettre en œuvre des méthodes utilisées dans le domaine du compressive sensing, et appliquer des algorithmes de machine learning dans un espace compressé. Le cœur de la thèse portera donc sur la minimisation de la consommation énergétique hardware et firmware des systèmes électroniques embarqués implémentant de l'intelligence artificielle et visant l'application 'maintenance prédictive'. Les questions de recherche et les innovations associées cibleront: (i) le développement d'architectures électroniques basse consommation (fonctions de réveil, ajustement de la fréquence de mesure,…), (ii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour les fonctions capteurs (audio, vibrations, températures) et (iii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour l'optimisation de l'énergie et de l'autonomie. Un dispositif électronique complet (hardware + firmware) mettant en œuvre ces innovations et déployé en situation réelle est attendu pour la fin de la thèse.

Predictive maintenance is a major issue for the industry of the future (Industry 4.0), allowing to maximize the use time of parts, increase the machines service lifes, reduce failures and equipment downtime, with economic and environmental gains for the company. Predictive maintenance relies on sensor networks placed on the equipment to be monitored and on learning mechanisms using artificial intelligence (Machine Learning). These sensors are today essentially wired, which makes their installation complex: cables installation, walls, rotating environments, ... The ideal solution would be to have wireless communicating sensors; then the question of their energy autonomy arises, which is the issue of this PhD thesis. This topic, which is part of the 'Cyber-Physical Systems' roadmap of the Systems Department of CEA-LETI (Grenoble), will aim to develop a network of low-power wireless sensors to monitor industrial equipments and anticipate their failure. The PhD work will be based on advanced technological solutions using embedded artificial intelligence (edge AI), data fusion processing from different sensors (audio, vibration) and low-power electronics (hardware and firmware) in particular for the signals processing and communication aspects. Artificial intelligence is booming, with major challenges for health, transport, environmental protection and industry. At present, computations are mainly carried out on servers (commonly referred to as the cloud), which requires the complete transmission of data measured by sensors (e.g. an audio signal for a microphone, or vibrations for an accelerometer). This architecture is simple to deploy but not very energy efficient with oversized computing servers for the most part, and not very resilient in case of data transmission failure. The trend is therefore to implement processing algorithms as close as possible to the sensors in order to reduce the utilization rates of communication systems, offload the computational servers by reducing their energy consumption, and improve the resilience of these sensor networks. Based on this observation, it remains to be understood how a data processing task initially carried out by servers with no power and computing power constraints can be offloaded onto a local sensor network with limited available energy and reduced computing power (e.g. low-power microcontrollers). To this end, methods used in the field of compressive sensing and machine learning algorithms can be applied in the compressed space. The core of the thesis will thus focus on the minimization of hardware and firmware energy consumption of embedded electronic systems implementing artificial intelligence and aiming at the application 'predictive maintenance for industry'. Research questions and associated innovations will be targeted: (i) the development of low-power electronic architectures (wake-up functions, adjustment of measurement frequency, ...), (ii) the development and implementation on microcontrollers of Machine Learning algorithms for sensor functions (audio, vibration, temperature) and (iii) the development and implementation on microcontrollers of predictive Machine Learning algorithms for the optimization of energy and autonomy. A complete electronic device (hardware + firmware) implementing these innovations and deployed in a real environment is expected by the end of the thesis.