CNN硬件加速器用于实时轴承故障诊断
Ching-Che Chung1, Yu-Pei Liang1, Hong-Jin Jiang1
1Department of Computer Science and Information Engineering and Advanced Institute of Manufacturing with High-Tech Innovations, National Chung Cheng University, Chia-Yi 621301, Taiwan.
本研究介绍了一种用于一维卷积神经网络 (CNN) 的新型硬件加速器,可实现实时轴承状况监控. 该系统使用现场可编程门阵列实现了高诊断准确度和效率,降低了计算成本.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 轴承状况监测对于工业机械的维护至关重要.
- 传统的方法通常需要将数据传输到云服务器,从而引发延迟和安全问题.
- 开发高效的基于边缘的诊断系统对于实时故障检测至关重要.
研究的目的:
- 为实时轴承状况评估引入一种新型的一维卷积神经网络 (CNN) 硬件加速器.
- 实现加速器在一个具有成本效益的现场可编程网关阵列 (FPGA) 平台上,用于边缘计算.
- 通过特定技术,提高诊断准确度和减少记忆足迹.
主要方法:
- 一个1D CNN硬件加速器的开发.
- 在FPGA评估平台上实施现场数据处理.
- 利用信号下降采样来延长信号图像的可见时间跨度.
- 应用四元量子化来降低模型内存需求.
- 在100MHz时钟频率实现实时故障诊断,数据速率为64K样本/秒.
主要成果:
- 拟议的CNN硬件加速器可以实现实时轴承状况诊断.
- 下降采样技术提高了诊断的准确性.
- 四次量子化将神经网络模型的内存需求降低了89%.
- 该系统实现了96.37%的故障诊断精度.
- 美国有线电视新闻网硬件系统的响应时间为0.28秒.
结论:
- 开发的1D CNN硬件加速器为实时轴承状况监测提供了高效和准确的解决方案.
- 在FPGA平台上的基于边缘的处理消除了对云数据传输的需求,提高了速度和安全性.
- 低采样和四次量子化的结合为准确性和记忆效率提供了显著的改进.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
08:27A New Hybrid Quantitative Evaluation Model for Axillary Junctional Hemorrhage in Swine
Published on: December 6, 2024
相关概念视频
Relative Motion Analysis using Rotating Axes - Acceleration
Time differentiation is...
Relative Motion Analysis - Acceleration
Bearings: Problem Solving
Errors in Global Positioning System
Relative Motion Analysis using Rotating Axes-Problem Solving
Here, in order to determine the magnitude of velocity and acceleration for point...
