Third party funded individual grant
Acronym: Fit4ML
Start date : 01.08.2020
End date : 31.07.2021
Der technologische Fortschritt von Sensoren und deren umfangreicher Einsatz in Produktionssystemen kann für vielfältige Analyseaufgaben (z. B. vorausschauende Instandhaltung) genutzt werden. Hierbei haben in den letzten Jahren insbesondere Methoden des maschinellen Lernens (ML) zur Analyse an Bedeutung gewonnen. Die ML-basierte Verarbeitung der in Produktionsprozessen gewonnenen enormen Datenmengen wird durch die ebenfalls gestiegene Rechenleistung moderner Computersysteme (z. B. in der Cloud) ermöglicht. Häufig ist es allerdings notwendig oder wünschenswert die Daten möglichst nah an den Sensoren (teilweise) zu verarbeiten. Gründe können Bandbreitenbeschränkungen, Latenz- oder Sicherheitsanforderungen sein. Im Vergleich zu Cloud-basierten Lösungen ist der Speicherbedarf und die Rechenleistung an der „Edge“ allerdings immer noch sehr begrenzt.
Daher werden im Rahmen dieses vom Schaeffler Hub for Advanced Research at Friedrich-Alexander-Universität Erlangen-Nürnberg (SHARE at FAU) geförderten Projekts FPGA-basierte SoCs betrachtet, welche die notwendige Flexibilität und Rechenleistung bieten können. Hierbei wird ein integrierter Hardware-/Software-Entwurf zur optimierten Nutzung der verfügbaren Rechenressourcen entwickelt. Des Weiteren wird untersucht, wie berechnungsintensive Teile von Algorithmen durch Hardware-Implementierungen beschleunigt werden können.
Projektziele sind a) ein Entwurfsfluss für FPGA/SoC-Systeme für ML-Methoden für relevante Probleme der vorausschauenden Instandhaltung (d. h. Anomalie-Erkennung), b) die Bewertung im Vergleich zu herkömmlichen Ansätzen und c) eine Machbarkeitsstudie (Aufbau eines Demonstrators).