一种基于卷积神经网络的滚动轴承健康状态预警方法及装置制造方法及图纸

本发明专利技术属于轴承领域，具体涉及一种基于卷积神经网络的滚动轴承健康状态预警方法及装置，方法包括通过分布轴承架上不同位置的传感器采集滚动轴承运行过程中的基于时间序列的对应信号；将多源异构数据传输至CPU

【技术实现步骤摘要】
一种基于卷积神经网络的滚动轴承健康状态预警方法及装置


[0001]本专利技术属于轴承领域，具体涉及一种基于卷积神经网络的滚动轴承健康状态预警方法及装置。

技术介绍

[0002]滚动轴承是大型机械设备的重要关节，随着对滚动轴承运行状态认识和实践的深入，人们发现在监测滚动轴承健康状态时往往需要多个传感器协同工作，因为多路传感器能够更好地表征滚动轴承实时运行状态的语义信息，同时，往往也需要不同类型的传感器协同工作，以便从多个评估角度对滚动轴承运行状态进行综合评估，以上数据统称多源异构数据。滚动轴承的早期故障预测对于工程机械而言至关重要，不但能够提早预测滚动轴承应当更换的时期，避免因滚动轴承损坏所造成的施工安全事故，同时还能够提高施工效率，更好地指导施工作业的高效进行。
[0003]随着多源异构传感数据在工业中的应用越来越广泛，传统的算法分析逐渐展现出了一定的缺陷，首先，传统算法难以应对越来越复杂的滚动轴承工况和多种传感器的组合，导致传统算法的泛化能力较差，其次，在计算能力、环境和能源受限的工业场景中，一般的计算设备难以处理多路、多个的传感数据分析工作，且随着大数据的发展，这种现象正变得愈加明显。
[0004]基于上述背景，本专利技术提出基于卷积神经网络的滚动轴承实时健康状态监测预警方法及装置。通过卷积神经网络实现基于多源异构传感数据的滚动轴承实时健康状态监测，并通过本专利技术所提出的装置实现多源异构传感数据的采集、预处理以及卷积神经网络推理计算。

技术实现思路

[0005]为了实时监测基于多源异构传感数据的滚动轴承健康状态，本专利技术提出一种基于卷积神经网络的滚动轴承健康状态预警方法，
[0006]通过分布轴承架上不同位置的传感器采集滚动轴承运行过程中的基于时间序列的对应信号；
[0007]将多源异构数据传输至CPU
‑
FPGA异构边缘计算终端，通过预处理后输入到神经网络分别对不同滚动轴承所属的多传感数据进行卷积神经网络推理计算；
[0008]按照卷积神经网络推理计算得到故障类型。
[0009]进一步的，CPU
‑
FPGA异构边缘计算终端通过一个卷积神经网络预测故障类型，卷积神经网络包括级联的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块以及全连接层，第一卷积模块、第二卷积模块、第四卷积模块、第六卷积模块、第八卷积模块由级联的卷积层、归一化层、池化层以及Relu层构成，第三卷积模块、第五卷积模块、第七卷积模块由级联的由级联的卷积层、归一化层以及池化层构成。
[0010]进一步的，CPU
‑
FPGA异构边缘计算终端包括主机端和设备端，其中主机端负责输入数据预处理、设备端输出数据后处理和对设备端任务调度相关的任务，在主机端，通过OpenVINO开放的API接口可以进行对数据的预处理和后处理；通过OpenCL开放的主机侧的接口API可以实现对主机端和设备端之间数据的调度以及对FPGA上的相关算子的调用，其中，该算子通过OpenCL框架实现。
[0011]本专利技术还提出一种基于卷积神经网络的滚动轴承健康状态预警装置，用于实现一种基于卷积神经网络的滚动轴承健康状态预警方法，包括主机端以及通过PCIE3.0x4总线与主机端连接的设备端，主机端用于接收设备的传感器采集到的数据后，并对数据进行预处理后传输到设备端，设备端通过输入的数据判断数据类型并回传到主机端，主机端进行结果显示。
[0012]进一步的，设备端包括I/O流和计算流两部分，其中I/O流用于控制数据的输入输出，计算流用于根据输入的数据进行卷积层、归一化层、池化层以及Relu层的计算，将计算完毕的数据通过I/O流传输到主机端，主机端进行全连接层的计算。
[0013]进一步的，卷积层包括多个多级卷积核流水内核，每个多级卷积核流水内核包括多个流水乘累加单元形成的计算矩阵，每个流水乘累加单元将计算的信息发送给其相邻单元或者接收来自其相邻单元的信息。
[0014]进一步的，池化层包括多级流水比较器阵列，在输入特征图后在第一个时钟周期对特征图中的特征值进行比较并将比较得到的较大值输入寄存器，在下一个时钟周期寄存进行比较直到输出一个最大值。
[0015]本专利技术具有以下有益效果：
[0016]本专利技术支持多源异构传感器输入进行实时的推理，且整机功耗显著低于基于同等性能下的通用图像处理单元，整机性能显著高于同等功耗的中央处理器。装置内采用CPU
‑
FPGA异构计算的形式，同时发挥CPU和FPGA的硬件特点，以实现最大性能和能效比的发挥；
[0017]本专利技术整个架构的I/O主要分为片上和片外两部分，片外的全局内存主要用于特征值、模型权重参数的存储，片上本地内存用于存储传输当前计算层的权重参数、特征值数据等。在本架构中，数据通路可由控制字来控制片上
‑
片外传输流水线；通过算法本身的网络结构，设计对应的控制字序列，从而控制每个算子输出的数据传输路径，尽量避免不必要的片上
‑
片外数据搬移，减少数据“足迹”，节省能源的同时减少数据搬移的时间开销；
[0018]本专利技术的FPGA的硬件架构设计涉及多种卷积神经网络算子的高效、针对性的比特流的实现，具有极高的性能、能效产出；
[0019]本专利技术利用OpenCL设计部署算法中的算子，然后利用OpenVINO进行算子调用和顶层应用的开发，一方面，顶层开发保证了开发流程高效性，另一方面，底层开发保证了设计的灵活性和高可定制性。
附图说明
[0020]图1为本专利技术所涉一种基于卷积神经网络的滚动轴承实时健康状态预警方法流程图；
[0021]图2为本专利技术用于训练的多传感数据集样本(在三中分类、双传感器和两种工况下采集)；
[0022]图3为本专利技术CPU
‑
FPGA滚动轴承实时健康状态预警装置工作流程图；
[0023]图4为本专利技术预警装置的数据流示意图；
[0024]图5为本专利技术预警装置的卷积核算子实现架构示意图；
[0025]图6为本专利技术预警装置的最大池化层算子实现架构示意图；
[0026]图7为本专利技术中CPU
‑
FPGA异构架构开发实现流程示意图；
[0027]图8为本专利技术中OpenCL的执行模型分块设计示意图。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]本专利技术提出一种基于卷积神经网络的滚动轴承健康状态预警方法，具体包括以下步骤：
[0030]通过分布轴承架上不同位置的传感器采集滚动轴承运行过程中的基于时间序列的对应信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的滚动轴承健康状态预警方法，其特征在于，具体包括以下步骤：通过分布轴承架上不同位置的传感器采集滚动轴承运行过程中的基于时间序列的对应信号；将多源异构数据传输至CPU
‑
FPGA异构边缘计算终端，通过预处理后输入到神经网络分别对不同滚动轴承所属的多传感数据进行卷积神经网络推理计算；按照卷积神经网络推理计算得到故障类型。2.根据权利要求1所述的一种基于卷积神经网络的滚动轴承健康状态预警方法，其特征在于，CPU
‑
FPGA异构边缘计算终端通过一个卷积神经网络预测故障类型，卷积神经网络包括级联的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块以及全连接层，第一卷积模块、第二卷积模块、第四卷积模块、第六卷积模块、第八卷积模块由级联的卷积层、归一化层、池化层以及Relu层构成，第三卷积模块、第五卷积模块、第七卷积模块由级联的由级联的卷积层、归一化层以及池化层构成。3.根据权利要求1所述的一种基于卷积神经网络的滚动轴承健康状态预警方法，其特征在于，CPU
‑
FPGA异构边缘计算终端包括主机端和设备端，其中主机端负责输入数据预处理、设备端输出数据后处理和对设备端任务调度相关的任务，在主机端，通过OpenVINO开放的API接口可以进行对数据的预处理和后处理；通过OpenCL开...

【专利技术属性】
技术研发人员：赵超莹，朱嘉琪，陈昌川，叶子任，郭捷兴，江昌博，代少升，张天骐，
申请(专利权)人：重庆邮电大学空间通信研究院，
类型：发明
国别省市：