【技术实现步骤摘要】
本专利技术属于工业自动化领域，具体的说是一种基于fpga的轴承信号故障诊断方法及装置，应用于机械设备的振动信号采集及预处理，便于对振动数据进行进一步处理。
技术介绍
1、滚动轴承在工业中被称为"工业的关节"，因为它们是各类机械中的关键基础部件。滚动轴承常常在恶劣的工作环境下运行，因此它们往往是大型机械设备中易受损的零件。这种损坏会对机械设备的性能、稳定性和寿命产生重大影响。许多研究表明，40％-50％的旋转机械故障都是由滚动轴承故障直接造成的。因此，为了保证机械设备的正常运行，及时而有效地诊断滚动轴承的状态是非常必要的。
2、针对轴承故障诊断，传统的诊断方法都是利用轴承信号分析和信息处理技术对轴承信号的特征进行提取，在此基础上，进而完成对轴承故障的识别，但是通常情况下，我们采取到的轴承信号经常会掺杂一些其他的噪声，这会极大的提高我们对轴承故障特征提取的难度，传统滤噪的方法需要才操作人员具备丰富的经验才能实现准确的降噪，难以应对不同工况下的轴承故障诊断需求。因此，需要更先进的技术来提高滚动轴承故障诊断的准确性和适用性。
3、近年来，深度学习技术的迅猛发展使得其在滚动轴承故障识别方面得到了广泛应用。相较于传统方法，深度学习具有处理复杂工况下原始数据的能力，并且能够自动学习复杂的特征表示。这种特性使得深度学习方法能够有效地解决信号处理中复杂特征提取的问题，并且具有更好的泛化能力。在实际的工况中，振动信号中常常存在许多意外噪声，这对传统故障诊断方法提出了很大挑战。这是因为噪声会掩盖轴承的故障特征，导致错误的判断结
4、随着深度学习技术的发展，各种高性能的神经网络模型已经在现实场景中得到广泛应用。然而，这些模型通常对计算和存储资源有着很高的要求，使得将它们部署到资源受限的嵌入式设备上成为一项挑战。为了解决这种矛盾，本专利技术从软件角度对模型进行了优化与加速。
5、通过软件优化，可以降低神经网络模型的计算复杂度，减少其对计算资源的需求。例如，可以采用剪枝和量化等技术，减少模型中的参数数量和计算量，从而提高模型在嵌入式设备上的可用性。此外，还可以使用模型压缩和加速算法，如蒸馏和轻量化网络设计，使得模型在嵌入式设备上的计算效率得到提升。
6、另外，针对嵌入式设备存储资源有限的问题，可以采用模型压缩和存储技术，如参数共享和权重剪枝等方法，减小模型的存储空间占用。同时，还可以利用硬件加速器和专用的嵌入式神经网络芯片等技术，提高模型的计算效率。
7、总之，通过软件优化与加速，可以充分利用有限的计算和存储资源，使得神经网络模型能够更好地适应嵌入式设备的环境，并在资源受限的场景下实现高效的部署。这将为各种应用领域带来更多的可能性和发展机会。
技术实现思路
1、根据上述提出的技术问题，提出了一种基于fpga的轴承信号故障诊断方法及装置，用于解决现有的轴承故障诊断方法在对噪声故障特征提取困难，分类模型参数量大，部署到嵌入式平台困难的问题。
2、本专利技术为实现上述目的所采用的技术方案是：
3、一种基于fpga的轴承信号故障诊断装置，所述装置通过fpga实现在zynq平台上，包括：
4、数据采集模块，用于通过加速度传感器采集轴承状态的振动模拟信号；
5、模数转换模块，用于将振动模拟信号转换为振动数字信号；
6、滤波模块，用于通过最小均方算法对振动数字信号进行降噪处理；
7、故障分类模块，用于通过神经网络对降噪后的振动信号分类，并通过对池化层和卷积层的同构化处理，得到轴承的诊断结果。
8、所述滤波模块包括：
9、数据延迟单元，用于控制输入信号的时延，使信号同步；
10、自适应滤波模块，用于通过滤波算法滤除同步信号中的噪声。
11、所述故障分类模块包括：
12、特征提取单元，用于提取滤波后的振动信号的特征；
13、信号分类单元，用于对提取到的特征进行分类，完成轴承的故障诊断。
14、所述特征提取单元包括：
15、卷积计算单元，用于基于设置的权重和偏置参数，提取振动信号的数据特征；
16、最大池化单元，用于对数据特征进行降维；
17、全连接单元，用于将降维后的特征空间映射到样本标记空间。
18、所述特征提取单元还包括：
19、输入振动信号数据缓存单元，用于接收并缓存滤波后的振动信号；
20、参数预存单元，用于预存设置的权重和偏置参数。
21、一种基于fpga的轴承信号故障诊断方法，包括以下步骤：
22、1)数据采集模块通过控制加速度传感器进行振动信号的实时采集，将采集到的轴承状态振动模拟信号传输至模数转换模块；
23、2)模数转换模块将振动模拟信号转换为振动数字信号；
24、3)滤波模块通过自适应滤波算法对振动数字信号进行滤波；
25、4)故障分类模块通过神经网络对降噪后的振动信号分类，并通过对池化层和卷积层的同构化处理，得到轴承的诊断结果。
26、所述步骤4)包括以下步骤：
27、4.1)数据缓存单元接收并缓存经过滤波处理后的振动数字信号；
28、4.2)卷积计算单元调用振动数字数据以及提前存入的权重参数和偏置参数进行数据的卷积计算，得到振动信号特征，并输出至最大池化单元；
29、4.3)最大池化单元将振动信号特征进行最大池化操作；
30、4.4)重复步骤4.1)～步骤4.3)，直至得到设定长度的输出特征数据，并存储至ddr3存储器中；
31、4.5)全连接单元从ddr3存储器中调用最大池化单元中得到的均值以及全连接层的权重参数和偏置参数，并通过对各个通道的计算结果进行横向比较，得到最大的全连接输出值，作为分类结果。
32、还包括以下步骤：
33、显示控制模块根据分类结果所代表的类别，控制显示器显示输出对应的信号分类情况。
34、所述故障分类模块中，fpga内部不进行反向传播计算，通过python获取训练数据集，并通过pytorch框架搭建卷积神经网络进行网络的训练，将训练的最优参数导出至matlab进行网络的验证以及数据的量化，用于卷积计算单元中的卷积计算。
35、本专利技术具有以下有益效果及优点：
36、本专利技术建立了一种基于fpga的轴承信号故障诊断方法及装置，能够很大程度上提高轴承振动分类的速度，在提高速度的基础上，对嵌入式平台的硬件资源也进行了减少，极大的降低了功耗，具有较强的灵活性和适应性。
本文档来自技高网...【技术保护点】
1.一种基于FPGA的轴承信号故障诊断装置，其特征在于，所述装置通过FPGA实现在ZYNQ平台上，包括：
2.根据权利要求1所述的一种基于FPGA的轴承信号故障诊断装置，其特征在于，所述滤波模块包括：
3.根据权利要求1所述的一种基于FPGA的轴承信号故障诊断装置，其特征在于，所述故障分类模块包括：
4.根据权利要求3所述的一种基于FPGA的轴承信号故障诊断装置，其特征在于，所述特征提取单元包括：
5.根据权利要求4所述的一种基于FPGA的轴承信号故障诊断装置，其特征在于，所述特征提取单元还包括：
6.一种基于FPGA的轴承信号故障诊断方法，其特征在于，包括以下步骤：
7.根据权利要求6所述的一种基于FPGA的轴承信号故障诊断方法，其特征在于，所述步骤4)包括以下步骤：
8.根据权利要求6所述的一种基于FPGA的轴承信号故障诊断方法，其特征在于，还包括以下步骤：
9.根据权利要求6所述的一种基于FPGA的轴承信号故障诊断方法，其特征在于，所述故障分类模块中，FPGA内部不进行反向传播计
...【技术特征摘要】
1.一种基于fpga的轴承信号故障诊断装置，其特征在于，所述装置通过fpga实现在zynq平台上，包括：
2.根据权利要求1所述的一种基于fpga的轴承信号故障诊断装置，其特征在于，所述滤波模块包括：
3.根据权利要求1所述的一种基于fpga的轴承信号故障诊断装置，其特征在于，所述故障分类模块包括：
4.根据权利要求3所述的一种基于fpga的轴承信号故障诊断装置，其特征在于，所述特征提取单元包括：
5.根据权利要求4所述的一种基于fpga的轴承信号故障诊断装置，其特征在于，所述特征提取单元还包括：
6.一种基于fpga的轴承...
【专利技术属性】
技术研发人员：尹震宇，李东吉，杨东升，张飞青，施晓强，徐光远，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
类型：发明
国别省市：
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。