【技术实现步骤摘要】
本专利技术涉及故障诊断领域，具体涉及一种面向边缘环境的故障诊断模型轻量化方法。
技术介绍
1、随着深度学习与边缘计算技术的发展，将深度学习模型部署至边缘节点能有效完成边缘环境的轴承故障诊断任务。边缘计算是指在网络边缘执行计算的一种新型计算模型。它具有以下特点：在网络边缘处理大量临时数据，不再全部上传云端，这极大地减轻了网络带宽和数据中心功耗的压力；在靠近数据生产者处做数据处理，不需要通过网络请求云计算中心的响应，大大减少了系统延迟，增强了服务响应能力；边缘计算将用户隐私数据不再上传，而是存储在网络边缘设备上，减少了网络数据泄露的风险，保护了用户数据安全和隐私。轴承常被应用于各类机械设备，在工业生产中承担着各种关键性任务，对轴承进行故障诊断是工业生产顺利进行的重要保障。
2、深度学习在故障诊断领域中得到了广泛的应用。卷积神经网络模型是深度学习方法中经典模型的之一。现目前轴承故障诊断这一工程领域对卷积神经网络模型越发关注。然而，为实现长时间大范围低成本轴承故障诊断，工业生产中常需要将卷积神经网络模型部署至边缘环境的设备中。高性能的卷积神经网络模型常具有较高的模型复杂度，难以在各种资源受限的边缘环境的设备上高效部署。
3、因此，在保障卷积神经网络模型精度损失可接受的情况下，通过合适的模型轻量化方法降低边缘环境下的轴承故障诊断模型的复杂度具有重要意义。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种面向边缘环境的故障诊断模型轻量化方法，在模型轻量化
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、一种面向边缘环境的故障诊断模型轻量化方法，包括以下步骤：
4、s1、构建轴承故障诊断模型，并确定轴承故障诊断模型的模型精度；
5、s2、根据步骤s1中的轴承故障诊断模型和模型精度，利用精度反馈方法确定目标剪枝比例；
6、s3、根据步骤s1中的轴承故障诊断模型，利用相关熵方法确定轴承故障诊断模型中的滤波器重要性；
7、s4、根据步骤s2中的目标剪枝比例和步骤s3中轴承故障诊断模型中的滤波器重要性，对步骤s1中的轴承故障诊断模型进行剪枝以获取轴承故障诊断轻量化模型。
8、进一步地，在步骤s1中，构建的轴承故障诊断模型为一维深度卷积神经网络模型。
9、进一步地，步骤s2包括以下分步骤：
10、s21、根据步骤s1中的轴承故障诊断模型，对轴承故障诊断模型的卷积层进行编号，按照卷积层编号对卷积层依次进行剪枝，并获取剪枝卷积层后的轴承故障诊断模型的精度；
11、s22、根据步骤s1中的模型精度以及分步骤s21中的卷积层编号和剪枝卷积层后的轴承故障诊断模型的精度，确定重要卷积层和非重要卷积层；
12、s23、采用不同的剪枝比例对分步骤s22中重要卷积层和非重要卷积层进行滤波器剪枝，并获取剪枝滤波器后的轴承故障诊断模型的精度；
13、s24、根据分步骤s23中剪枝滤波器后的轴承故障诊断模型的精度，确定目标剪枝比例。
14、进一步地，步骤s22包括以下分步骤：
15、s221、将步骤s1中的模型精度减去步骤s21中剪枝卷积层后的轴承故障诊断模型的精度，以获取卷积层重要性；
16、s222、根据步骤s21中的卷积层编号和分步骤s221中的卷积层重要性，确定重要卷积层和非重要卷积层。
17、进一步地，在步骤s23中，采用不同的剪枝比例对重要卷积层和非重要卷积层进行滤波器剪枝，具体为：确定初始剪枝比例和剪枝比例搜索步长，通过剪枝比例搜索步长对初始剪枝比例进行调整，以获取不同的剪枝比例，并采用不同的剪枝比例对分步骤s22中重要卷积层和非重要卷积层进行滤波器剪枝。
18、进一步地，步骤s3包括以下分步骤：
19、s31、根据步骤s1中的轴承故障诊断模型，对轴承故障诊断模型同一卷积层的滤波器参数进行平均化处理，获取特征滤波器；
20、s32、根据分步骤s31中的特征滤波器，利用相关熵方法确定轴承故障诊断模型中的滤波器重要性。
21、进一步地，步骤s32包括以下分步骤：
22、s321、计算特征滤波器与轴承故障诊断模型同一卷积层的滤波器的相关熵，表示为：
23、
24、其中：为特征滤波器x与轴承故障诊断模型同一卷积层的滤波器y的相关熵，σ为一族正定核函数的宽度参数，n为滤波器的参数总量，i为滤波器的参数序号，kσ(·)为一族正定核函数，xi为特征滤波器x的第i个参数，yi为轴承故障诊断模型同一卷积层的滤波器y的第i个参数；
25、s322、根据分步骤s321中特征滤波器与轴承故障诊断模型同一卷积层的滤波器的相关熵，确定轴承故障诊断模型同一卷积层的滤波器的重要性。
26、进一步地，在步骤s321中，将一族正定核函数的宽度参数设置为0.5。
27、进一步地，在步骤s322中，确定轴承故障诊断模型同一卷积层的滤波器的重要性，具体为：获取相关熵，将相关熵进行升序排列，并将相关熵升序排序结果确定为同一卷积层中滤波器的重要性降序排列结果。
28、进一步地，在步骤s4中，对轴承故障诊断模型进行剪枝以获取轴承故障诊断轻量化模型具体为：根据目标剪枝比例确定轴承故障诊断模型每层卷积层中滤波器的剪枝比例，根据滤波器重要性选取每层卷积层中满足剪枝比例的重要性低的滤波器进行剪枝以获取轴承故障诊断轻量化模型。
29、本专利技术的有益效果为：
30、(1)由于边缘环境中的计算资源和存储资源有限，本专利技术利用精度反馈方法确定目标剪枝比例，并通过相关熵方法确定轴承故障诊断模型中的滤波器重要性，将目标剪枝比例与轴承故障诊断模型中的滤波器重要性进行结合，在模型轻量化的同时能保持模型的精度，从而适应了边缘环境的特点；
31、(2)本专利技术利用精度反馈方法对模型精度损失的敏感度进行分析以及基于相关熵对滤波器的重要性进行分析，通过合理的剪枝比例分配和滤波器选择，确保了模型在轻量化后仍然能够提供准确的轴承故障诊断结果；
32、(3)本专利技术通过相关熵方法确定轴承故障诊断模型中的滤波器重要性，有助于识别出冗余滤波器，从而增强模型的特征选择和冗余消除能力。这不仅有助于轻量化模型，还能够提高模型的解释性和泛化性能。
本文档来自技高网...【技术保护点】
1.一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，在步骤S1中，构建的轴承故障诊断模型为一维深度卷积神经网络模型。
3.根据权利要求1所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，步骤S2包括以下分步骤：
4.根据权利要求3所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，步骤S22包括以下分步骤：
5.根据权利要求3所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，在步骤S23中，采用不同的剪枝比例对重要卷积层和非重要卷积层进行滤波器剪枝，具体为：确定初始剪枝比例和剪枝比例搜索步长，通过剪枝比例搜索步长对初始剪枝比例进行调整，以获取不同的剪枝比例，并采用不同的剪枝比例对分步骤S22中重要卷积层和非重要卷积层进行滤波器剪枝。
6.根据权利要求1所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，步骤S3包括以下分步骤：
7.根据权利要求6所述的一种面向边缘环境的故障诊
8.根据权利要求7所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，在步骤S321中，将一族正定核函数的宽度参数设置为0.5。
9.根据权利要求7所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，在步骤S322中，确定轴承故障诊断模型同一卷积层的滤波器的重要性，具体为：获取相关熵，将相关熵进行升序排列，并将相关熵升序排序结果确定为同一卷积层中滤波器的重要性降序排列结果。
10.根据权利要求1所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，在步骤S4中，对轴承故障诊断模型进行剪枝以获取轴承故障诊断轻量化模型具体为：根据目标剪枝比例确定轴承故障诊断模型每层卷积层中滤波器的剪枝比例，根据滤波器重要性选取每层卷积层中满足剪枝比例的重要性低的滤波器进行剪枝以获取轴承故障诊断轻量化模型。
...【技术特征摘要】
1.一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，在步骤s1中，构建的轴承故障诊断模型为一维深度卷积神经网络模型。
3.根据权利要求1所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，步骤s2包括以下分步骤：
4.根据权利要求3所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，步骤s22包括以下分步骤：
5.根据权利要求3所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征在于，在步骤s23中，采用不同的剪枝比例对重要卷积层和非重要卷积层进行滤波器剪枝，具体为：确定初始剪枝比例和剪枝比例搜索步长，通过剪枝比例搜索步长对初始剪枝比例进行调整，以获取不同的剪枝比例，并采用不同的剪枝比例对分步骤s22中重要卷积层和非重要卷积层进行滤波器剪枝。
6.根据权利要求1所述的一种面向边缘环境的故障诊断模型轻量化方法，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。