Edge AI · Benchmark
I motori Vivi di Luviner, testati su dataset standard con split documentati. Ogni risultato è riproducibile.
| Risultato | Valore | Condizioni |
|---|---|---|
| Guasti cuscinetti (CWRU) | -- | Split cross-load: addestrato a 0-1 HP, testato a 2-3 HP. 99,8% su 5 run, 10 KB di Flash, 65 byte di RAM. |
| Modello più leggero | -- | Cuscinetti: 6,3 KB su Cortex-M0+, 7,3 KB su RISC-V. Gira su un chip da 12 centesimi. |
| Motori specializzati | 13 | Dalla vibrazione all'audio: ognuno ottimizzato per un tipo di segnale. |
Sul dispositivo resta un solo modello. Per cambiare compito si caricano 128 byte, senza riprogrammare.
UCI HAR: 561 feature, 7352 campioni di training, 2947 di test. Due compiti sugli stessi dati, etichette concordi solo nel 36% dei casi. 25 epoche ciascuno.
Meno dell'1% di accuratezza persa. Opzionale, disattivata di default.
UCI HAR, cinque seed, misurato sul C compilato. Il risultato dipende dal modello: vale per questo benchmark.
| Benchmark | Luviner | Riferimento | Esito |
|---|---|---|---|
| CWRU Bearing Fault | 99.6% | CNN 99.8% · TCN 98.9% | Competitivo |
| Classificazione (4 dataset sklearn) | 96% medio | — | Competitivo |
| C-MAPSS RUL (NASA) | RMSE 19.3 | Meglio di BiLSTM | Competitivo |
| TSAD | F1 0.56–0.80 | SOTA 0.90+ | Margine |
| DCASE 2020 | AUC 0.75 | SOTA 0.90 | Margine |
| HAR | 86% | SOTA 95%+ | Margine |
Tutto in meno di 140 KB di Flash. Ottimizziamo per i microcontrollori, non per calcolo illimitato: il divario sui benchmark più pesanti è atteso.
Generata dall'ultima esecuzione. In rosso il migliore per colonna.
Caricamento risultati...
Misurato sul binario compilato, non stimato.
| MCU Target | Flash | RAM | Motori Compatibili | Costo Chip |
|---|---|---|---|---|
| CH32V003 (RISC-V) | 16 KB | 2 KB | -- | ~da €0,12 |
| STM32C0 (Cortex-M0+) | 32 KB | 6 KB | -- | ~da €0,45 |
| ARM Cortex-M0 | 32 KB | 4 KB | -- | ~da €1 |
| ARM Cortex-M4 | 256 KB | 64 KB | -- | ~da €3 |
| ESP32 | 4 MB | 520 KB | -- | ~da €2 |
| ESP32-S3 | 8 MB | 512 KB | -- | ~da €3 |
Ogni decisione tracciabile. Il motore segnala da solo quando va riaddestrato.
| Decisioni tracciabili | 100% | Ogni attribuzione registrata |
| Footprint | <11 KB | Tutto sul dispositivo |
| Dipendenza cloud | 0 | Nessuna |
| Test automatici | 50 | Tutti i moduli + export C |
| Moduli di diagnostica | 10 | Tracciamento, auto-riparazione, mappa degli stati |
Più sensori in un modello. Indica quale sensore ha causato l'anomalia.
| Rilevamento guasti | 100% | Cuscinetto + sovracorrente, demo industriale a 3 sensori |
| Falsi allarmi | 2% | Su dati di funzionamento normale |
| Overhead multi-sensore | <2 KB | Aggiunto al modello |
| Complessità | O(n) | Scala con qualsiasi numero di sensori |
| Motori compatibili | 13 | Tutti i motori Vivi |
Rumore di cuscinetti, cavitazione, flusso d'aria: classificati mentre il suono arriva.
| Footprint Flash | <60 KB | Estrazione feature inclusa |
| Benchmark sintetico (Vivi 4 / Focus 4) | 100% | Test controllato, audio pulito |
| DCASE 2020, anomalia ventola (AUC) | 0.749 | Benchmark pubblico |
| Modalità | Tempo reale | Streaming |
| Dipendenza cloud | 0 | Tutto sul dispositivo |
Attività e gesti da un IMU a 6 assi. Wearable, robotica, controllo gestuale.
| Accuratezza UCI HAR | 95.0% | 6 attività, 30 volontari, split ufficiale |
| Feature estratte | 51 | Accelerometro + giroscopio |
| Footprint Flash | <20 KB | Modello completo, C puro |
| Assi in ingresso | 6 | 3 accelerometro + 3 giroscopio |
| Inferenza | Tempo reale | Un risultato per campione |
I dispositivi imparano insieme. I dati grezzi non escono mai.
| Dati grezzi condivisi | 0 | Si scambiano solo aggiornamenti del modello |
| Convergenza, dati simili (IID) | Rapida | |
| Convergenza, dati eterogenei (non-IID) | Stabile | |
| Privacy | Differenziale | Epsilon configurabile |
| Nodi guasti o malevoli | Esclusi | In automatico |
Split cross-load dove serve. Nessun data leakage. Info di sistema allegate a ogni run.
| Dataset | Fonte |
|---|---|
| CWRU | Case Western Reserve University |
| C-MAPSS | NASA |
| UCI HAR | UCI Machine Learning Repository |
| TSAD | MSL / SMAP / SMD |
| DCASE 2020 | DCASE Challenge |
| sklearn | Iris / Wine / Cancer / Digits |
Da CSV a C compilato in pochi minuti. Si parte gratis.
Inizia gratis → Demo Live →