在FPGA上实施的一维深度可分离的卷积神经网络用于轴承故障诊断
Yu-Pei Liang1, Hao Chen1, 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 17, 2024
概括
这项研究展示了一个一维卷积神经网络 (CNN) 的硬件实现,使用深度可分离卷积 (DSC) 进行高效的滚动轴承故障诊断. 该系统实现了高精度,降低了计算复杂性和内存使用.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 卷积神经网络 (CNN) 是信号处理和故障诊断的强大工具.
- 传统CNN的高计算和内存需求限制了它们在资源有限的硬件中的应用.
- 深度可分离卷积 (DSC) 为标准卷积提供了一个计算效率高的替代方案.
研究的目的:
- 介绍一下1D CNN使用DSC进行滚动轴承故障诊断的硬件实现.
- 优化CNN模型以减少计算复杂性和内存足迹.
- 在准确性,功耗和资源利用方面评估硬件实现的性能.
主要方法:
- 在VC707 FPGA开发板上硬件实现1D CNN.
- 使用深度可分离卷积 (DSC) 来减少计算负载和参数.
- 应用DoReFa-Net量子化来压缩网络参数和激活功能.
- 处理Paderborn大学 (PU) 滚动轴承电流信号数据集,使用最小的预处理.
主要成果:
- 量子化DSC模型只需要22KB的存储空间.
- 该模型可以执行1,203,128个浮点运算.
- 实现了96.12%的故障诊断准确度.
- 在50MHz时钟频率下,证明了527mW的功耗.
结论:
- 基于DSC的CNN硬件实现对于滚动轴承故障诊断是可行的和高效的.
- 拟议的方法显著降低了计算复杂性和内存需求.
- 该系统实现了高精度和低功耗,适合嵌入式应用.
