在單片機中應用卷積神經(jīng)網(wǎng)絡實現(xiàn)故障診斷

張岷濤，廖文豪，卿朝進

（西華大學 電氣與電子信息學院，成都 610039）

智能故障診斷（Intelligent fault diagnosis，IFD）是指將機器學習應用于故障診斷。近年來，隨著機器學習的理論發(fā)展取得巨大成就，IFD 被更多專家學者所關(guān)注[1-4]。這對以信號處理和人工提取特征為主的傳統(tǒng)故障診斷方法提出了挑戰(zhàn)。

時域、頻域及時頻域分析是基于振動信號的傳統(tǒng)故障診斷方法[5]。為表征局部特征，通常采用短時傅里葉變換[6]、小波變換[7]、經(jīng)驗模態(tài)分解[8]、局部均值分解[9]等時頻處理方法提取故障特征，再通過工程師的人工經(jīng)驗進行故障判定，這需要大量的數(shù)據(jù)統(tǒng)計。智能化的故障診斷方法則利用支持向量機[10]、k-means[11]、人工神經(jīng)網(wǎng)絡[12]等機器學習方法自動分類特征，降低了對專家經(jīng)驗的依賴，但準確率仍取決于人工提取的特征能否準確描述故障信息，具有較大局限性。而深度學習等方式是基于數(shù)據(jù)驅(qū)動的方式，只需要精確的原始數(shù)據(jù)和合適的網(wǎng)絡結(jié)構(gòu)就可以實現(xiàn)端到端的自動故障診斷。

隨著信息技術(shù)的飛速發(fā)展，現(xiàn)代檢測技術(shù)已經(jīng)能很容易實現(xiàn)對于復雜設備的多點全覆蓋的數(shù)據(jù)采集，使得深度學習這種基于數(shù)據(jù)驅(qū)動的方式更能發(fā)揮其長處，取得更高精度的診斷效果。Hinton 應用深度置信網(wǎng)絡（Deep belief network，DBN）[13]，AlexNet[14]和ResNet[15]等應用卷積神經(jīng)網(wǎng)絡（Convolutional neural network，CNN），使IFD 取得了相當大的進步。

然而，這些深度學習的神經(jīng)網(wǎng)絡架構(gòu)中都有神經(jīng)元的設計。從某種程度上說，神經(jīng)元的數(shù)量越多網(wǎng)絡的學習能力就越強，但同時大量神經(jīng)元的設計也會消耗相當多的計算資源，使得其在計算能力有限的嵌入式設備中的應用受到很大的局限。……