From d911f9b3bbb6493a13ad82bc3a94b0180f401950 Mon Sep 17 00:00:00 2001 From: CaoWangrenbo Date: Sun, 12 May 2024 16:45:33 +0800 Subject: [PATCH] =?UTF-8?q?=E5=A2=9E=E5=8A=A0=E5=8D=B7=E7=A7=AF=E7=A5=9E?= =?UTF-8?q?=E7=BB=8F=E7=BD=91=E7=BB=9C=E5=9C=A8=E7=9B=B8=E5=85=B3=E6=96=B9?= =?UTF-8?q?=E5=90=91=E7=9A=84=E7=A0=94=E7=A9=B6=E7=8E=B0=E7=8A=B6?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- main.adoc | 23 +++++++++++++++++++++-- 1 file changed, 21 insertions(+), 2 deletions(-) diff --git a/main.adoc b/main.adoc index 408bd61..c7ffec0 100644 --- a/main.adoc +++ b/main.adoc @@ -41,7 +41,26 @@ Barbosa 等提出了一种基于振动信号分析和高阶统计的悬臂梁故 // [2] Y. K. Thong, M. S. Woolfson, J. A. Crowe, B. R. Hayes-Gill 和 D. A. Jones, 《Numerical double integration of acceleration measurements in noise》, Measurement, 卷 36, 期 1, 页 73–92, 7 月 2004, doi: 10.1016/j.measurement.2004.04.005. Kim 和 Thong 等分别提出了通过加速度和间歇位移测量的数据融合进行自主动态位移估计和噪声加速度测量的数值双积分的方式用于位移测量的方式，该方式可以作为振动筛运行状态的数据来源和评价标准之一。 -==== 边缘计算技术研究现状 +==== 卷积神经网络在相关方向的研究现状 + +随着计算机深度学习能力的发展，使用常规人工特征提取和传统时频域分析的方式正逐渐被深度学习方式取代。不同于传统方式，深度学习能够快速从大量数据中学习到人工不易观察到的特征，并具有较强的泛化能力。目前主要的研究都是基于广泛使用的深度学习模型结构，如堆叠 自动编码器 (AE)、深度信念网络 (DBN) 卷积神经网络 (CNN)、残差神经网络 (ResNet) 循环神经网络 (RNN)、长短时记忆网络 (LSTM) 等。 +// Y. Lei, B. Yang, X. Jiang, F. Jia, N. Li 和 A. K. Nandi, 《Applications of machine learning to machine fault diagnosis: A review and roadmap》, Mechanical Systems and Signal Processing, 卷 138, 页 106587, 4 月 2020, doi: 10.1016/j.ymssp.2019.106587. + +或者使用具有成熟结构的 LeNet、MobileNet 等网络。 + +就卷积神经网络而言，当 CNN 应用于时间序列分类时，它有两个优点：局部依赖性和尺度不变性。局部依赖意味着邻近信号可能是相关的，而尺度不变性是指不同的空间或频率下的尺度不变性。对于使用 CNN 的架构，主要分为使用 1D CNN 和 2D CNN 的诊断模型。2D CNN 广泛应用于图像处理，而 1D CNN 常见于数据序列的处理。一般来说，故障诊断常使用 1D CNN 进行。 + +//O. Janssens 等，《Convolutional Neural Network Based Fault Detection for Rotating Machinery》, Journal of Sound and Vibration, 卷 377, 页 331–345, 9 月 2016, doi: 10.1016/j.jsv.2016.05.027. +Janssens 等人提出了一种基于卷积神经网络的旋转机械故障检测方法。该网络使用将加速度计信号缩放至均值和单位方差为零（即使用 z-score 方式标准化）。然从训练集信号中提取包含一秒测量样本的非重叠窗口。对于提取样品的每个窗口，计算 DFT，最后将频域数据用作神经网络模型的训练样本。该网络使用了 2D CNN，输入数据是从正交放置的两个振动传感器得到并处理的，具有一个宽度为 64 的卷积层和一个有 200 个单元的全连接层。 + +// T. Ince, S. Kiranyaz, L. Eren, M. Askar 和 M. Gabbouj, 《Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks》, IEEE Transactions on Industrial Electronics, 卷 63, 期 11, 页 7067–7075, 11 月 2016, doi: 10.1109/TIE.2016.2582729. +Ince 等提出了一种使用一维 CNN 进行实时电机故障检测的方法。该方法使用工业电路监测器采集电机电流数据，通过二阶陷波滤波器对当前数据进行滤波，以抑制用于预处理的基频。通过在抗混叠滤波之前执行抽取，对原始输入电流信号进行 8 倍的下采样。然后进行归一化，作为一维 CNN 网络的输入。该方案实现了大于 97% 的识别准确率，并且具有较高水平的泛化能力。 + +// 王靖岳，高天，王浩天和王军年，《基于 CNN-LSTM 的齿轮箱复合故障状态监测研究》, 矿山机械，卷 50, 期 5, 页 55–59, 2022, doi: 10.16816/j.cnki.ksjx.2022.05.008. +王靖岳等提出了一种 CNN 内嵌 LSTM 网络的齿轮箱复合故障状态监测方法。该方法使用一维振动信号作为网络输入，该网络先叠加两层卷积层和一层展平层，将特征图转化为一维序列后输入 LSTM 层，再经过一层全连接层得到输出。使用该方法对齿轮箱试验台采集的复合故障数据进行训练与测试，平均准确率达到 86.4%，证明了该模型的有效性与稳定性。 + +//W. Jiang 和 Z. Yin, 《Human Activity Recognition Using Wearable Sensors by Deep Convolutional Neural Networks》, 收入 Proceedings of the 23rd ACM international conference on Multimedia, 收入 MM’15. New York, NY, USA: Association for Computing Machinery, 10 月 2015, 页 1307–1310. doi: 10.1145/2733373.2806333. +不同于传统使用 1D CNN 进行时间序列分类任务的方法，Jiang 等提出了一种基于深度卷积神经网络的可穿戴传感器进行人体活动识别的方法。该方法使用深度卷积神经网络 (DCNN)，并且将基于陀螺仪、总加速度和线性加速度信号生成的活动图像作为输入。认为通过将各一维信号逐行堆叠形成信号图像中，每个信号序列都有机会与其他序列相邻，这使得 DCNN 能够提取相邻信号之间的隐藏相关性。该论文中将所提方法和 SVM 方法和特征选择方法进行对比，取得了最佳的精度和处理效率。 === 当前存在的主要问题 @@ -55,7 +74,7 @@ Kim 和 Thong 等分别提出了通过加速度和间歇位移测量的数据融 对于使用远程服务器进行数据处理的方案，其本身最主要的问题在于较大的延迟和负载，以及一些冗余安全性问题。故障检测设备要求具有一定的实时性，虽然某些远程服务器确实性能普遍强于用于边缘计算的数据终端，但是由于复杂的网络结构和请求机制，以及网络设备的转发延迟和性能限制，有较多的传输和转发耗时。而由于实时性的要求会导致传输线路始终保持在较高负载的状态，当需要维护和更换设备时，可能会造成生产效率的损失。此外，对于中心数据处理服务器的依赖导致用户必须同时依赖计算服务提供商，或者自行托管服务器。如果依赖于计算服务提供商，则服务商是否能够长时间的提供支持和维护成为了故障检测设备生命周期的主要影响因素，如果其停止维护，将使得全部检测设备即使完好也无法继续运行。 -对于使用传统边缘计算终端进行数据处理的方案而言，传统上为了方便部署，开发者通常偏好于具有成熟开发环境以及完善框架的终端类型以简化开发流程。例如具有 cuda 框架的 jetson 平台、具有 onnx 框架的 Intel 平台或者其他具有专用加速器如 npu、xpu 的 aarch64 平台等。但对于一般的振动筛故障检测场景来说仍然较于昂贵，并且仍然需要搭建采集前端，部署流程本质上并无减少。对于较为小型的农业或者工业振动筛，很可能存在边缘计算终端价格占比较高甚至高于设备成本的情况，也导致了故障检测设备未能得到广泛应用。此外这类边缘计算的开发和维护也较为复杂，采用高级操作系统的边缘计算终端除了需要考虑数据计算流程外，还需要考虑进程保活、故障重启、入侵防护、组件更新等一系列问题，更复杂的功能同时也带来了对于安全和维护的一些列挑战。 +对于使用传统边缘计算终端进行数据处理的方案而言，传统上为了方便部署，开发者通常偏好于具有成熟开发环境以及完善框架的终端类型以简化开发流程。例如具有 cuda 框架的 jetson 平台、具有 onnx 框架的 Intel 平台或者其他具有专用加速器如 npu、xpu 的 aarch64 平台等。但对于一般的振动筛故障检测场景来说仍然较于昂贵，并且仍然需要搭建采集前端，部署流程本质上并无减少。对于较为小型的农业或者工业振动筛，很可能存在边缘计算终端价格占比较高甚至高于设备成本的情况，也导致了故障检测设备未能得到广泛应用。此外这类边缘计算的开发和维护也较为复杂，采用高级操作系统的边缘计算终端除了需要考虑数据计算流程外，还需要考虑进程保活、故障重启、入侵防护、组件更新等一系列问题，更复杂的功能同时也带来了对于安全和维护的一系列挑战。 === 本论文主要研究内容