Skip to content

VLAIO TETRA MLOps4ECM

MLOps for Edge Condition Monitoring

Binnen het kader van het VLAIO TETRA programma (TEchnologie TRAnsfer) voeren het IoT-lab van Hogeschool VIVES en de M-Group van de KU Leuven Campus Brugge gezamenlijk onderzoek uit om bedrijven praktische kennis, expertise en tools aan te reiken voor het operationaliseren en onderhouden van hun machine learning modellen. Dit stelt bedrijven in staat om de levenscyclus van hun machine learning modellen te bewaken en waar nodig te verfijnen.


Projectsituering

Het bewaken van complexe industriële processen vraagt vaak naar datagedreven modellen om de gezondheidsstatus van de (sub-)systemen te bepalen. Tegenwoordig zijn er heel wat tools, handleidingen en opleidingen om die modellen te trainen en op te zetten. Het uitwerken van een datagedreven oplossing bestaat typisch uit dezelfde stappen: data verzamelen, verwerken, labelen, en mogelijke karakteristieken bepalen, om vervolgens het model te ontwerpen, trainen en optimaliseren, en implementeren. Ten slotte kan het resulterende model gebruikt worden in de bedrijfsomgeving, bv. om voorspellingen te maken. Het uitvoeren van deze stappen is tijdsintensief en vergt specifieke kennis. Het resulterend model wordt vaak ontwikkeld in een test-opstelling of R&D omgeving, maar raakt (of blijft) vaak niet in productie ten gevolge van het gebrek aan beheer, onderhoud en opvolging van het model. Hierdoor is er ook geen garantie dat het model continu accurate resultaten blijft geven en zal het mogelijk degraderen over de tijd heen.

Dit kan opgelost worden door deze levenscyclus te monitoren en het model (semi-)automatisch periodiek te hertrainen, rekening houdende met gewijzigde omstandigheden. Dit vormt het onderwerp van MLOps, een verzameling van ‘good practices’ en methodieken die als doel hebben om machine learning modellen op een efficiënte en betrouwbare manier in productie te brengen én te houden. Een extra uitdaging is de toepassing van deze methodes op edge systemen, waarbij de data dicht bij de machine verwerkt wordt, wat we in dit project willen uitzoeken. Door MLOps toe te passen worden kosten en tijd uitgespaard en kan machine learning echt toegepast worden in productie.

Projectdoel

Het doel van dit project is om bedrijven tools, hands-on kennis en handleidingen aan te reiken om alle aspecten van een ML model lifecycle te monitoren en te automatiseren. We baseren ons op gekende best-practices uit DevOps implementaties zoals Continuous Integration/Continuous Delivery (CI/CD) en microservices en breiden deze uit met tools voor data en model management. Deze tools laten toe om het development en deployment proces te automatiseren, het model te verbeteren via monitoring en de model versies te beheren en onderhouden. De toepassingen zijn toegespitst op health-, wear-, condition-, machine- en proces- monitoring om de operationele efficiëntie van de machine of het proces te verhogen. Het edge device dat gebruikt wordt kan variëren van een industriële computer, Raspberry Pi tot een specifieke microcontroller.

Projectverloop

  • In kaart brengen van de huidige kennis en toepassingen binnen de begeleidingsgroep.
  • Bundelen van SOTA-kennis en tools om MLOps toe te passen op edge devices.
  • Toepassen van die kennis op relevante use-cases binnen de begeleidingsgroep.
  • Verspreiden van de projectresultaten via seminaries en workshops op demonstratoren.

Contact

De inhoud van deze website maakt deel uit van een VLAIO TETRA-project en is enkel toegankelijk voor de deelnemende bedrijven. Indien uw bedrijf wenst deel te nemen aan dit project, gelieve contact met ons op te nemen.

Project supervisoren:

Project onderzoekers:

  • Hogeschool VIVES – Alexander D'hoore
  • KU Leuven Brugge – Lara Luys

Begeleidingsgroep

  • Araani
  • Beckhoff Automation
  • Bekaert
  • CNH Industrial
  • CTRL Engineering
  • Howest
  • Leap Technologies
  • L.E.T. Automotive
  • MARELEC
  • Odisee
  • Siemens
  • Summa nv
  • Superlinear (Radix)
  • Televic
  • Thomas More
  • Vandewiele
  • Vintecc
  • Yazzoom