一个无乘数卷积神经网络硬件加速器,用于CNC机器实时检测轴承状况
Yu-Pei Liang1, Ming-You Hung1, Ching-Che Chung1
1Department of Computer Science and Information Engineering, Advanced Institute of Manufacturing with High-Tech Innovations, National Chung Cheng University, Chia-Yi 621301, Taiwan.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了一种轻量级的神经网络,用于实时监测轴承状况. 该系统实现了高精度,具有显著的内存和节能,这对于工业预测维护至关重要.
科学领域:
- 工业工程 工业工程 工业工程
- 机器学习 机器学习
- 嵌入式系统 嵌入式系统
背景情况:
- 轴承故障是工业机械故障的主要原因,占运行故障的41-44%.
- 有效的预测性维护策略对于防止昂贵的停机时间和设备损坏至关重要.
研究的目的:
- 开发一个轻量级的神经网络,以有效地检测轴承状况.
- 为了实现实时监控资源有限的硬件,如FPGA.
- 为了减少工业应用的内存足迹和功耗.
主要方法:
- 在现场可编程网关阵列 (FPGA) 上实现一个具有 8.69K 参数的轻量级神经网络.
- 利用增量网络量化和固定点操作技术.
- 实时数据处理速度为每秒48000个样本.
主要成果:
- 与32位浮点运算相比,实现了63.49%的内存节省.
- 在最低342兆瓦的电力预算下运行.
- 在轴承条件下显示了95.12%的高检测精度.
结论:
- 开发的轻量级神经网络系统是有效的实时轴承状况检测.
- 该系统在内存效率,低功耗和高精度方面提供了显著的优势.
- 这种方法非常适合在工业环境中进行预测性维护,防止机器故障.
