基于卷积神经网络的多工况多传感滚动轴承实时监控方法OA北大核心CSTPCD

针对工业环境中广泛在多工况下多滚动轴承实时状态监测的需求和部署环境受限的挑战,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的面向多传感器滚动轴承运行状态监控方法。该方法将两个不同工况下的一维时间序列数据集以均方根(Root Mean Square,RMS)指标标注,并通过将一维时间序列多传感器数据重构为二维空间张量的形式输入卷积神经网络训练。最后利用层融合和16比特量化优化,将网络部署到FPGA上,用以解决CNN的计算开销。实验结果表明,在结合了两种不同工况的数据集下,网络测试推理准确度依然高达99.24%,比多层感知机实现高10.48%,比多层感知机结合支持向量机的实现高2.91%,该算法对于新加入的数据集也有较强的鲁棒性,经过重训练,新加入的数据集准确率可以达到99.17%。基于FPGA部署优化的网络的峰值能效为76.217GPOS/W,为CPU实现的33.09倍,GPU实现的5.39倍。其中,16比特精度部署的网络测试精度相较32比特精度实现仅降低0.001%。