Over the last years the industrial world has been dominated by the so called fourth industrial revolution, based on globalization and digitization, in a framework called Industry 4.0. Companies must exploit new digital and IoT technologies, to increase the production efficiency and to be competitive on the market. The transition towards Indutry 4.0 is made possible also thanks the sensor's evolution. Sensors are no longer just sensors, rather they become sensing nodes with on-board smart capability. This acts as technology enabler for novel sensing strategies in which data management and processing takes place at node-level. Moreover, as these nodes embeds communication capabilities, solutions based on sensing nodes working in network configuration can also be developed. Edge processing is leading a new revolution in testing. Indeed, data can be collected and analyzed directly on sensor's board or eventually at gateway level. This paves the way for reducing the size of data streamed to cloud as well as the cloud storage requirements for certain applications. STMicroelectronics, a recognized leader in the semiconductor industry, also sharing a big portion of the MEMS market, recently launched an evaluation product, STEVAL-STWINKT1B, which consists of a multi-sensor board with a micro-controller unit (STM32 family).. Accelerometers, microphones and ambient sensors can be used to collect data or to run Artificial Intelligence-based algorithms on the same board where sensors are present: the idea of the evaluation board is to provide an effective way for fast prototyping and sensor network testing prior to switching to a product. In this thesis, in a first step the STEVAL-STWINKT1B has been metrologically tested by comparing its accelerometers and microphones with more accurate sensing devices. After this preliminary step to evaluate the system performances, the STEVAL-STWINKT1B has been used to collect data on a washing machine with the final aim of developing strategies to on-line detect the washing phases once implemented at board level. Both Convolutional Neural Network and a Supervised Learning algorithms were tested. The solution identified as the best performing was then deployed on the board to prove the effectiveness of this new generation of smart sensors.
Industry 4.0 è un termine coniato in questi ultimi anni per identificare l'avvento della quarta rivoluzione industriale che si basa sui concetti di globalizzazione e digitalizzazione. Le industrie devono necessariamente partecipare attivamente a questa transizione adottando nuove tecnologie digitali e IIoT per aumentare l'efficienza produttiva e rimanere competitive sul mercato. La transizione all'industria 4.0 è resa possibile anche grazie all'evoluzione nel campo dei sensori che non sono più solo sensori ma sono diventati dei nodi sensore (smart sensor node) capaci di gestire e valutare dati a bordo del sensore stesso e in diverse posizioni all'interno di una rete di sensori. L'edge processing è una nuova tecnologia che consiste nella possibilità di acquisire dati ed elaborarli direttamente a bordo del sensore o eventualmente nel gateway. In più questa nuova famiglia di smart sensors offrono la possibilità di acquisire dati tramite piattaforme cloud nel caso in cui ci fosse la necessità di utilizzo in modalità wireless. STMicroelectronics, leader nel settore dei semiconduttori e sensori di tipo MEMS ha introdotto nel mercato l'STEVAL-STWINKT1B che consiste in una evaluation board composta da più sensori e un microprocessore. I dati provenienti dagli accelerometri, microfoni o sensori ambientali possono essere utilizzati per raccogliere dati e utilizzarli per lanciare un algoritmo di intelligenza artificiale installato a bordo della scheda stessa. Il concetto di evaluation board è quello di prototipare reti di sensori prima di effettuare un'installazione definitiva. Questa tesi propone inizialmente di caratterizzare le prestazioni meccaniche degli accelerometri e microfoni che sono presenti sulla scheda tramite una verifica metrologica più accurata. Successivamente l'STEVAL-STWINKT1B è stato utilizzato per acquisire dati da una lavatrice e poi utilizzati per fare il Training di una rete neurale di tipo "Convolutional Neural Network" e di un algoritmo di "Supervised Learning" per la classificazione delle fasi di lavaggio. Infine la rete neurale è stata installata a bordo del processore dell'STEVAL-STWINKT1B per provare l'efficacia di questa nuova generazione di sensori.La transizione all'industria 4.0 è resa possibile anche grazie all'evoluzione nel campo dei sensori che non sono più solo sensori ma sono diventati dei nodi sensore (smart sensor node) capaci di gestire e valutare dati a bordo del sensore stesso e in diverse posizioni all'interno di una rete di sensori. L'edge processing è una nuova tecnologia che consiste nella possibilità di acquisire dati ed elaborarli direttamente a bordo del sensore o eventualmente nel gateway. In più questa nuova famiglia di smart sensors offrono la possibilità di acquisire dati tramite piattaforme cloud nel caso in cui ci fosse la necessità di utilizzo in modalità wireless. STMicroelectronics, leader nel settore dei semiconduttori e sensori di tipo MEMS ha introdotto nel mercato l'STEVAL-STWINKT1B che consiste in una evaluation board composta da più sensori e un microprocessore. I dati provenienti dagli accelerometri, microfoni o sensori ambientali possono essere utilizzati per raccogliere dati e utilizzarli per lanciare un algoritmo di intelligenza artificiale installato a bordo della scheda stessa. Il concetto di evaluation board è quello di prototipare reti di sensori prima di effettuare un'installazione definitiva. Questa tesi propone inizialmente di caratterizzare le prestazioni meccaniche degli accelerometri e microfoni che sono presenti sulla scheda tramite una verifica metrologica più accurata. Successivamente l'STEVAL-STWINKT1B è stato utilizzato per acquisire dati da una lavatrice e poi utilizzati per fare il Training di una rete neurale di tipo "Convolutional Neural Network" e di un algoritmo di "Supervised Learning" per la classificazione delle fasi di lavaggio. Infine la rete neurale è stata installata a bordo del processore dell'STEVAL-STWINKT1B per provare l'efficacia di questa nuova generazione di sensori.La transizione all'industria 4.0 è resa possibile anche grazie all'evoluzione nel campo dei sensori (smart sensors) che non sono più solo sensori ma sono diventati dei nodi sensoriali (sensor node) capaci di gestire e valutare dati a bordo del sensore stesso e in diverse posizioni all'interno di una rete di sensori. L'edge processing consiste nella possibilità di acquisire dati ed elaborarli direttamente a bordo del sensore o eventualmente nel gateway. In più questa nuova famiglia di smart sensors offrono la possibilità di acquisire dati tramite piattaforme cloud nel caso in cui ci fosse la necessità di utilizzo in modalità wireless. STMicroelectronics, leader nel settore dei semiconduttori e sensori di tipo MEMS, ha introdotto nel mercato l'STEVAL-STWINKT1B che consiste in una evaluation board composta da più sensori e un microprocessore. I dati provenienti dagli accelerometri, microfoni o sensori ambientali possono essere utilizzati per raccogliere dati e utilizzarli per lanciare un algoritmo di intelligenza artificiale installato a bordo della scheda stessa. Il concetto di evaluation board è quello di prototipare reti neurali prima di un'installazione definitiva. Questa tesi propone inizialmente di caratterizzare le prestazioni meccaniche degli accelerometri e microfoni che sono presenti sulla scheda tramite una verifica metrologica più accurata. Successivamente l'STEVAL-STWINKT1B è stato utilizzato per acquisire dati da una lavatrice utilizzati per fare il Training di una rete neurale di tipo "Convolutional Neural Network" e di un algoritmo di "Supervised Learning" per la classificazione delle fasi di lavaggio. Infine la rete neurale è stata installata a bordo del processore dell'STEVAL-STWINKT1B per provare l'efficacia di questa nuova generazione di sensori.
Embedding artificial intelligence in consumer grade IIoT measurement devices for a new testing era in industry
Iacussi, Leonardo
2020/2021
Abstract
Over the last years the industrial world has been dominated by the so called fourth industrial revolution, based on globalization and digitization, in a framework called Industry 4.0. Companies must exploit new digital and IoT technologies, to increase the production efficiency and to be competitive on the market. The transition towards Indutry 4.0 is made possible also thanks the sensor's evolution. Sensors are no longer just sensors, rather they become sensing nodes with on-board smart capability. This acts as technology enabler for novel sensing strategies in which data management and processing takes place at node-level. Moreover, as these nodes embeds communication capabilities, solutions based on sensing nodes working in network configuration can also be developed. Edge processing is leading a new revolution in testing. Indeed, data can be collected and analyzed directly on sensor's board or eventually at gateway level. This paves the way for reducing the size of data streamed to cloud as well as the cloud storage requirements for certain applications. STMicroelectronics, a recognized leader in the semiconductor industry, also sharing a big portion of the MEMS market, recently launched an evaluation product, STEVAL-STWINKT1B, which consists of a multi-sensor board with a micro-controller unit (STM32 family).. Accelerometers, microphones and ambient sensors can be used to collect data or to run Artificial Intelligence-based algorithms on the same board where sensors are present: the idea of the evaluation board is to provide an effective way for fast prototyping and sensor network testing prior to switching to a product. In this thesis, in a first step the STEVAL-STWINKT1B has been metrologically tested by comparing its accelerometers and microphones with more accurate sensing devices. After this preliminary step to evaluate the system performances, the STEVAL-STWINKT1B has been used to collect data on a washing machine with the final aim of developing strategies to on-line detect the washing phases once implemented at board level. Both Convolutional Neural Network and a Supervised Learning algorithms were tested. The solution identified as the best performing was then deployed on the board to prove the effectiveness of this new generation of smart sensors.| File | Dimensione | Formato | |
|---|---|---|---|
|
Tesi_Leonardo_Iacussi.pdf
non accessibile
Descrizione: Last Version
Dimensione
35.33 MB
Formato
Adobe PDF
|
35.33 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/183639