Dataset standard di settore, split onesti, risultati riproducibili. Ogni numero in questa pagina proviene da dataset pubblici con metodologia documentata.
Split cross-load: addestrato su 0-1HP, testato su 2-3HP (condizioni operative mai viste). Competitivo con CNN e TCN — in meno di 20KB Flash.
Il nostro motore più leggero sta nella Flash di un chip che costa meno di un caffè. Nessuna GPU, nessun cloud, nessuna dipendenza da framework.
Dall'analisi vibrazionale all'anomaly detection acustica — ogni motore è ottimizzato per un tipo specifico di segnale. Una piattaforma, ogni use case edge.
Crediamo nella trasparenza. Ecco la nostra visione onesta di dove i motori Luviner eccellono e dove c'è margine di miglioramento.
Bearing fault detection (CWRU): fino al 99,6% accuracy (KAN), competitivo con CNN 99.8%/TCN 98.9%. Classificazione unificata (sklearn): 96% medio su 4 dataset. Turbofan RUL (C-MAPSS): RMSE 19.3, batte BiLSTM. Tutto in meno di 140KB Flash.
Anomaly detection time-series (TSAD): F1 0.56-0.80, vs SOTA 0.90+. Anomalia acustica (DCASE): AUC 0.75, vs SOTA 0.90. HAR: 86%, vs SOTA 95%+. Il gap è atteso — ottimizziamo per deployment MCU, non per compute illimitato.
Aggiornati automaticamente dagli ultimi benchmark. Ogni cella mostra il miglior risultato per quel motore su quel benchmark.
Non tutti i motori stanno su tutti gli MCU. La dimensione Flash dipende dall'architettura e configurazione del motore.
| MCU Target | Flash | RAM | Motori Compatibili | Costo Chip |
|---|---|---|---|---|
| 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 risultato in questa pagina è riproducibile. Usiamo dataset standard con split train/test documentati.
CWRU (Case Western Reserve), C-MAPSS (NASA), UCI HAR, TSAD (MSL/SMAP/SMD), DCASE 2020, sklearn (Iris/Wine/Cancer/Digits). Tutti pubblicamente disponibili.
Split cross-load dove applicabile (train e test su condizioni operative diverse). Nessun data leakage. Pure NumPy — nessuna GPU, nessun framework ML. I risultati includono info sistema per riproducibilità.
Ogni decisione tracciabile fino ai singoli neuroni. Catena causale completa dall'input all'output. Motori auto-riparanti che non degradano mai in silenzio. Tutto su microcontrollore.
Quando il motore segnala un'anomalia, ti dice esattamente quali neuroni sono responsabili e quali input li hanno guidati. Nessuna scatola nera.
Il motore monitora i propri neuroni per degrado, concept drift e unità morte. Segnala quando serve riaddestrare — prima che le prestazioni calino.
Visualizza la traiettoria degli stati nascosti in tempo reale. Vedi i bacini normali, le traiettorie anomale, e prevedi i problemi prima che superino la soglia.
| Metrica | Valore | Note |
|---|---|---|
| Tracciabilità decisioni | 100% | Ogni attribuzione neuronale tracciata |
| Footprint coscienza | <11 KB | Header + source, Q8 virgola fissa |
| Dipendenza cloud | 0 | Gira interamente sul dispositivo |
| Copertura test | 50 | Tutti i 10 organelli + export C |
| Organelli neurali | 10 | Tracer, Map, Lysosome, Ribosome, Membrane, Debugger, Amygdala, Hippocampus, Pituitary, NCL |
Combina più tipi di sensori in un unico modello AI. Encoder per modalità, attenzione cross-modale e analisi root cause — tutto su un microcontrollore con meno di 2 KB di overhead.
Ogni tipo di sensore ha un encoder specializzato (FFT per vibrazione, feature statistiche per sensori lenti). Il modello sa cosa significa ogni input, non solo il suo valore.
L'attenzione lineare fonde gli embedding delle modalità in tempo O(n). Il modello impara quali combinazioni di sensori contano — come la vibrazione che cambia prima della temperatura.
Quando il modello rileva un guasto, ti dice quale modalità sensore è responsabile. Nessun dubbio: 'la temperatura ha causato il 75% di questa anomalia'.
| Metrica | Valore | Nota |
|---|---|---|
| Rilevamento guasti | 100% | Guasto cuscinetto + sovracorrente, demo industriale 3 sensori |
| Tasso falsi allarmi | 2% | Su dati di operazione normale |
| Overhead multimodale | <2 KB | Pesi encoder + fusione, fixed-point Q8 |
| Complessità fusione | O(n) | Attenzione lineare, scala con qualsiasi numero di sensori |
| Motori compatibili | 13 | Funziona con tutti i 13 motori Luviner |
Classifica suoni in tempo reale su qualsiasi microcontrollore. Monitoraggio sonoro industriale, salute delle macchine via audio, classificazione ambientale — tutto in locale, senza cloud.
La macchina segnala un problema prima che un operatore possa sentirlo. Rileva rumore anomalo dei cuscinetti, cavitazione delle pompe e variazioni del flusso d'aria in tempo reale.
Classificazione audio continua alla velocita' del sensore. Nessun buffering, nessun ritardo di upload. Le decisioni avvengono sul dispositivo nel momento in cui il suono arriva.
AutoML seleziona il motore migliore per il tuo task audio. Tutti e 13 i motori Vivi supportano la classificazione audio di default.
| Metrica | Valore | Nota |
|---|---|---|
| Footprint flash | <60 KB | Modello completo inclusa l'estrazione delle feature |
| Benchmark sintetico (Vivi 4 / Focus 4) | 100% | Test di classificazione controllato, audio pulito |
| DCASE 2020 anomalia ventola (AUC) | 0.749 | Rilevamento anomalie ventola industriale, benchmark pubblico |
| Modalita' streaming | Real-time | Classifica in tempo reale mentre l'audio arriva |
| Dipendenza cloud | 0 | Tutta l'elaborazione sul dispositivo |
Classifica gesti e attivita' da un IMU a 6 assi (accelerometro + giroscopio). Wearable, robotica, controllo gestuale — tutto in locale su hardware commodity.
Camminare, correre, sedersi, salire le scale — classificati in tempo reale. Validato sul benchmark UCI HAR: 95% di accuratezza, split ufficiale.
Riconosci gesti personalizzati dal movimento del polso o della mano. Costruisci interfacce gesture-controlled senza elaborazione cloud.
Dal controllo degli arti prostetici al monitoraggio degli esoscheletri industriali, la classificazione del movimento gira interamente sul processore embedded.
| Metrica | Valore | Nota |
|---|---|---|
| Accuratezza UCI HAR | 95.0% | 6 attivita', 30 volontari, split ufficiale |
| Feature estratte | 51 | IMU a 6 assi (accelerometro + giroscopio) |
| Footprint flash | <20 KB | Modello completo, puro C, nessuna dipendenza |
| Assi di ingresso | 6 | Accelerometro 3 assi + giroscopio 3 assi |
| Modalita' inferenza | Real-time | Streaming in tempo reale, classificazione per campione |
Addestra modelli su dispositivi distribuiti senza condividere i dati grezzi del sensore. Ogni dispositivo migliora in locale, poi condivide solo quello che ha imparato — non quello che ha misurato. Privacy by design.
Ogni macchina in produzione impara dai propri dati di vibrazione. La flotta migliora collettivamente. Nessun dato grezzo esce dall'impianto.
I dispositivi di monitoraggio pazienti migliorano dai pattern della popolazione senza esporre le misurazioni individuali. Conforme alla normativa, senza data lake cloud.
Dispositivi guasti o compromessi non possono corrompere il modello globale. L'aggregazione con mediana robusta esclude automaticamente i nodi anomali.
| Metrica | Valore | Nota |
|---|---|---|
| Dati grezzi condivisi | 0 | Vengono scambiati solo gli aggiornamenti del modello |
| Convergenza — scenario IID | Fast | I dispositivi hanno distribuzioni dati simili |
| Convergenza — scenario non-IID | Stable | I dispositivi hanno distribuzioni locali eterogenee |
| Meccanismo di privacy | Gaussian DP | Privacy differenziale gaussiana, epsilon configurabile |
| Tolleranza ai guasti | Robust median | Mediana robusta esclude nodi guasti o malevoli |
Da CSV a C compilato in minuti. Inizia gratis.