在单片机中应用卷积神经网络实现故障诊断.pdfVIP

在单片机中应用卷积神经网络实现故障诊断

摘要：作者利用深度神经网络进行滚动轴承的智能故障诊断（IFD），将人工智能在低成本小型化平台

上实现了应用。作者在文章中优化改进了二维神经网络（CNN2D）的神经网络架构，并将其部署到

STM32H743VI单片机，实现了轴承故障振动信号的识别和分类。网络的训练和验证使用凯斯西储

大学（CWRU）轴承故障数据集，并获得其中的包含10种故障类型的数据。使用基于Tensorflow深

度学习框架的Keras工具对CNN2D的神经网络进行训练。验证可知该改进模型对故障识别准确

度可以达到98.90%。利用CubeAI工具将网络部署至单片机内。通过串口与电脑进行通信获取随

机轴承数据，实测每次诊断运行时间为约为19ms。

关键词：故障诊断；二维卷积神经网络；滚动轴承；Keras

CNNBasedFaultDiagnosisofRollingBearingsUsingMCU

Abstract：Thedeepneuralnetworkisappliedtointelligentfaultdiagnosis(IFD)ofrollingbearings,andartificialintelligenceis

realizedinlowcostminiaturizedplatforminthispaper.Theauthoroptimizedandimprovedaneuralnetworkarchitectureoftwo-

dimensionalconvolutionalneuralnetwork(CNN2D),anddeployedittoSTM32H743VIMCUtorealizetheidentificationand

classificationofbearingfaultvibrationsignals.ThetrainingandvalidationofthenetworkusestheCaseWesternReserve

University(CWRU)bearingfaultdatasetandobtainsdatacontaining10faulttypes.TheneuralnetworkofCNN2Distrainedby

KerastoolbasedonTensorflowdeeplearningframework.Verificationshowsthattheaccuracyoffaultidentificationcanreach

98.90%.ThenCubeAItoolisusedtodeploythenetworktothemicrocontroller.Therandombearingdataisobtainedthrough

communicationbetweenserialportandcomputer,andthemeasuredrunningtimeofeachdiagnosisisabout19ms.

Keywords：intelligentfaultdiagnosis(IFD)；CNN2D；rollingbearing；Keras

[1-4]

智能故障诊断（Intelligentfaultdiagnosis，IFD）学者所关注。这对以信号处理和人工提取特征为

是指将机器学习应用于故障诊断。近年来，随着机