Implementación en una raspberry pi de una red neuronal convolucional con propiedades de tolerancia a fallos

Abstract

[ES] La modificación de los pesos de una red neuronal en plena ejecución de un proceso industrial puede llevar a resultados inesperados; probablemente no alineados con el objetivo de la cadena productiva, que pueden provocar cuantiosas pérdidas económicas. Por otro lado, los sistemas embebidos de propósito general han avanzado en prestaciones de manera considerable, haciéndolos candidatos a adoptar nuevos roles en la industria que no habían podido adoptar en un pasado. Dado el escenario anterior, surge la pregunta de: “¿Sería efectivo y posible incorporar una red neuronal con propiedades de tolerancia a fallos dentro de un sistema embebido de propósito general?”, naciendo así la motivación para el desarrollo del presente Trabajo Fin de Grado, donde se ha logrado demostrar que lo anterior sí es posible y que tiene el potencial de aportar una seguridad extra a los procesos industriales.

[ES] Durante estos últimos años, el avance de la tecnología ha permitido el desarrollo de sistemas empotrados con una amplia gama de aplicaciones. Este tipo de sistemas presentan características especiales, como pueden ser un bajo consumo de energía, un peso y volumen reducidos o una capacidad de cómputo y de memoria no muy alta. En trabajos anteriores, se han desarrollado sistemas empotrados con características de tolerancia a fallos. En concreto, se han protegido las variables consideradas críticas frente a fallos en la memoria mediante Códigos de Corrección de Errores. En la actualidad, una de las aplicaciones que está teniendo un gran auge son las redes neuronales. Este tipo de software de aprendizaje automático suele ser altamente preciso y eficaz, y se ha utilizado en una gran variedad de aplicaciones. Se construye sobre un conjunto de capas conectadas que, a su vez, están compuestas por unidades que realizan una determinada función, a partir de un valor que se ha denominado peso. Los pesos de una red neuronal son valores críticos, y determinan el correcto funcionamiento de la misma, por lo que es muy interesante protegerlos. En este TFG, y a partir de una red neuronal ya desarrollada en otro TFG anterior, se quiere adaptar esta red para que funcione en una raspberry pi. Una vez puesta en marcha, el siguiente paso será proteger los pesos de esta red neuronal frente a fallos en la memoria mediante diferentes Códigos de Corrección de Errores.

[EN] The modification of the weights of a neural network in the middle of an industrial process can lead to unexpected results, probably not aligned with the objective of the production chain, which can cause considerable economic losses. On the other hand, general-purpose embedded systems have advanced considerably in terms of performance, making them candidates to adopt new roles in the industry that they had not been able to adopt in the past. Given the above scenario, the question arises: "Would it be effective and possible to incorporate a neural network with fault-tolerant properties into a general-purpose embedded system?", thus giving rise to the motivation for the development of this Final Degree Project, which it has been demonstrated that this is possible and that it has the potential to provide extra security to industrial processes.