Jul, 2023

BearingPGA-Net：一种轻量且可部署的轴承故障诊断网络，通过解耦知识蒸馏和 FPGA 加速

PDF
TL;DR通过蒸馏方法训练轻量级模型 BearingPGA-Net，并使用 FPGA 加速方案，实现了高速、便携和低功耗的轴承故障诊断，相较于其他轻量级方法具有优异的诊断性能。
deep learningbearing fault diagnosislightweight modelfpga accelerationknowledge distillation
发现论文，激发创造
  • DKDL-Net：一种基于解耦知识蒸馏和低秩适应微调的轻量级轴承故障检测模型

    提出了一种轻量级的滚动轴承故障诊断模型 DKDL-Net，通过解耦知识蒸馏和低秩自适应微调，在 CWRU 数据集上进行训练，实验证明在保持模型性能的同时，DKDL-Net 在计算复杂度上实现了 99.48% 的准确率，比现有技术模型高出 0.58%，且参数更少。

    Jun, 2024

  • 一种可解释的深度学习方法用于轴承故障诊断

    利用卷积神经网络和 Grad-CAM 激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

    Aug, 2023

  • 利用 FPGA 能力加速生物医学计算

    本研究基于多种高级神经网络结构，包括卷积神经网络、循环神经网络、LSTM 和深度置信网络，利用可编程门阵列（FPGA）进行 ECG 信号分析，探索开发基于 PYNQ Z1 板的自定义张量计算单元（TCU）加速器，为各种应用程序优化神经网络性能提供指导。

    Jul, 2023

  • 利用 FPGA 技术增强生物医学计算

    本研究详细探讨了使用卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）和深度置信网络（DBN）通过可编程门阵列（FPGA）改进对心电图（ECG）信号的分析的复杂神经网络框架，使用 MIT-BIH 心律失常数据库作为模型训练和评估的基础，并加入高斯噪声来提高算法的鲁棒性。研究中我们采用多层结构进行特定处理和分类功能的设计，使用了 EarlyStopping 回调和 Dropout 层等策略来防止过拟合现象。此外，还详细介绍了为 PYNQ Z1 平台创建定制化的张量计算单元（TCU）加速器的过程。该研究提供了一个系统的方法论，涵盖了在 Docker 中配置 Tensil 工具链、选择架构、PS-PL 配置以及模型的编译和部署。通过评估延迟和吞吐量等性能指标，展示了 FPGA 在先进的生物医学计算中的效果。最终，本研究成果在各个领域优化 FPGA 上的神经网络操作提供了全面的指南。

    Nov, 2023

  • 时变速条件下的实时基于振动的轴承故障诊断

    该研究论文提出了一种高效的实时卷积神经网络（CNN）来诊断多个滚动轴承故障，针对不同噪声水平和时变转速的实际应用环境。并且，使用一种新颖的基于 Fisher 的频谱可分离性分析（SSA）方法，阐明了所设计 CNN 模型的有效性。实验证实了该模型在三个方面优于最先进方法：精度提高高达 15.8%，在各种信噪比下具有噪声鲁棒性，且实时处理速度是采集速度的五分之一。此外，通过所提供的 SSA 技术，我们揭示了该模型在应对实际挑战方面的有效性。

    Nov, 2023

  • 在嵌入式 FPGA 中加速混合极低位宽神经网络的设计流程

    在嵌入式 FPGA 中，通过混合量化方案加速极低比特宽度神经网络（ELB-NN），提出了一种设计流程，既涵盖了网络的训练，也包含了基于 FPGA 的网络部署，从而方便设计者探索设计空间，简化网络精度和计算效率之间的权衡，巧妙地在资源和功耗限制条件下提供边缘设备中的网络加速器，实现高达 10.3 TOPS 的高性能，每瓦分类达到 325.3 张图像。在文献中，我们比较了 GPU 或其他 FPGA 实现，结果显示出目前最省能的解决方案。

    Jul, 2018

  • 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法

    基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗噪性能。

    Mar, 2024

  • 物理引导的神经网络架构（PGA）用于量化湖泊温度建模中的不确定性

    在深度学习模型中硬编码物理约束的物理引导架构（PGA）可同时解决表达不确定性和生成与已知科学知识一致的模型输出的需求，加入蒙特卡罗（MC）Dropout 等最先进的不确定性估计方法，以确保 MC 估计能够正确匹配地面观测分布，从而实现更好的可泛化性和物理一致性。

    Nov, 2019

  • NP-SBFL：连接基于频谱的故障定位与错误的神经途径诊断间的鸿沟

    这篇论文提出了一种新颖的 NP-SBFL 方法，它通过使用层次相关传播（LRP）技术来确定关键神经元并确定哪些关键神经元是有问题的。该方法通过多阶段梯度上升（MGA）有效激活一系列神经元，并在维持以前神经元的激活的同时确定故障神经元。实证结果表明，NP-SBFL-MGA 在发现可疑路径和合成对抗输入方面比基准方法具有更高的效果。尤其是，在 NP-SBFL-MGA 上，Tarantula 方法的故障检测率为 96.75％，超过 Ochiai 方法上的 DeepFault（89.90％）和 NP-SBFL-GA（60.61％）。我们的方法在合成自然输入方面也产生了可比较的结果，并发现关键路径的覆盖率与 DNN 故障定位中的失败测试数之间存在正相关关系。

    Oct, 2023

  • 在 FPGA 上增强基于 Dropout 的贝叶斯神经网络的多出口

    本文提出了一个算法和硬件协同设计框架，该框架可以为高效的基于 FPGA 的 Bayesian 神经网络生成加速器，以减少计算和内存负载，并实现更高的能源效率。

    Jun, 2024