神經(jīng)網(wǎng)絡如何促進振動分析

在日益復雜的工業(yè)和汽車環(huán)境中，狀態(tài)監(jiān)測對于確保安全可靠的運行變得越來越重要。通過數(shù)據(jù)分析可以檢測運行異常和潛在的設備缺陷，從而在發(fā)生故障之前及時進行維修。它還可以最大限度地減少維護頻率并避免不必要的成本。

振動分析在旋轉機構和機器中起著關鍵作用，因為它有助于識別機械健康狀況并預測故障。工業(yè)設備和連接的振動傳感器網(wǎng)絡可以提供有價值的見解，使公司能夠更早地發(fā)現(xiàn)效率低下和問題，最終節(jié)省時間和金錢。

發(fā)現(xiàn)的機械問題包括軸不平衡、軸承故障、齒輪磨損、風力渦輪機葉片不平衡、開裂或腐蝕。除了機械損壞外，這種分析還可以檢測磨料侵入和潤滑不足的問題。振動數(shù)據(jù)不僅可用于監(jiān)測相對簡單的機制，還可用于監(jiān)測復雜的機制，例如泵、發(fā)動機或風力渦輪機。

然而，并非每個企業(yè)都能負擔有線傳感器網(wǎng)絡的安裝或維護費用。

還有一些應用在技術上難以實現(xiàn)有線聯(lián)網(wǎng)，甚至無法實現(xiàn)，例如遠程采礦點或從汽車輪胎收集數(shù)據(jù)。為了解決這個問題，人們使用無線 IIoT 傳感器通過無線電信道連接到主機設備。然而，將所有原始數(shù)據(jù)直接傳輸?shù)椒掌骰蛟贫诵枰邔拵ㄐ判诺?，從而導致大量能耗?

由于無線傳感器通常由電池供電，因此需要使用 LoRa 和 BLE 等功耗較低的窄帶通信通道。為此，必須在傳輸?shù)街鳈C之前減少密集振動信號產(chǎn)生的數(shù)據(jù)量。但有損數(shù)據(jù)壓縮會犧牲重要信息，導致有關缺陷的關鍵細節(jié)丟失。

神經(jīng)網(wǎng)絡的優(yōu)點

雖然可以使用算法來處理工業(yè)物聯(lián)網(wǎng)傳感器生成的未處理數(shù)據(jù)，但使用神經(jīng)網(wǎng)絡進行信號處理是一種更好的方法。振動信號可能很復雜，尤其是在以不同速度和負載運行的機器中。背景和測量噪聲的存在使信號分析更加復雜。

傳統(tǒng)的振動分析方法往往難以應對這種復雜性，因此需要整合機器學習技術。基于算法的數(shù)據(jù)壓縮具有局限性，尤其是對于噪聲信號，因為它們具有線性數(shù)據(jù)處理特性。

另一方面，神經(jīng)網(wǎng)絡由于其非線性數(shù)據(jù)處理能力，甚至可以從嘈雜的數(shù)據(jù)中提取有價值的信息。它們擅長從原始信號中提取特征，執(zhí)行聚類和分類數(shù)據(jù)。某些深度神經(jīng)網(wǎng)絡架構特別適合解決振動監(jiān)測挑戰(zhàn)。

傳感器處有用的數(shù)據(jù)提取

傳輸前振動數(shù)據(jù)縮減的一個關鍵方面是使用由編碼器和解碼器組成的自動編碼器神經(jīng)網(wǎng)絡從原始數(shù)據(jù)流中提取有用信息。編碼器從輸入信號中提取數(shù)據(jù)特征，在明顯低維的空間中創(chuàng)建所謂的嵌入。

自動編碼器訓練完成后，其編碼器部分將用于原始信號預處理。這樣可以將從編碼器輸出端無線傳輸?shù)轿挥?MCU、服務器或云端的分類器的數(shù)據(jù)量減少 1,000 倍至 4,000 倍。

解碼器部分被分類器取代，分類器使用在訓練期間學習到的數(shù)據(jù)類別。數(shù)據(jù)類別代表所討論機器的不同穩(wěn)定狀態(tài)。如果數(shù)據(jù)點不屬于已知類別，則可能表示機器出現(xiàn)故障或出現(xiàn)新的操作模式。

當使用來自傳感器節(jié)點的標記數(shù)據(jù)重新訓練分類器，以及更新或形成新的類別時，可以應用設備上學習或上訓練，從而顯著提高分類精度。

方法通用性

振動監(jiān)測通常處理由各種頻率的正弦信號組成的振動頻譜以及與缺陷、結構和背景噪聲相關的非確定性寬帶振動。為了優(yōu)化每個信號分量的診斷方法，必須分解振動。自動編碼器神經(jīng)網(wǎng)絡可以檢測這些頻譜中的非線性分量，即使失真很小。

嵌入生成是一種通用方法，允許經(jīng)過訓練的編碼器從任何類型的振動原始數(shù)據(jù)中提取特征，甚至可以從新類型的輸入信號中提取特征。這使得在生成神經(jīng)形態(tài)嵌入后可以對各種數(shù)據(jù)類型進行聚類和分類。

經(jīng)濟高效的 NFE 實施

在傳感器層面高效運行神經(jīng)網(wǎng)絡至關重要。神經(jīng)形態(tài)前端 (NFE) 直接在傳感器節(jié)點引入模擬神經(jīng)形態(tài)處理。NFE 使用在由模擬電路元件制成的微型超低功耗硅芯片上實現(xiàn)的神經(jīng)網(wǎng)絡來處理傳感器信號。

NFE 僅從原始數(shù)據(jù)流中提取有價值的數(shù)據(jù)，將傳輸?shù)臄?shù)據(jù)減少到適合窄帶無線通信的千比特，從而降低功耗。由于采用并行數(shù)據(jù)處理，NFE 通常僅消耗約 100 μW，從而支持電池供電操作或基于能量收集的設計。

使用 NASP 和 NFE 進行振動分析的示例

在軸承振動分析中，分類的數(shù)據(jù)可以包括軸承的不同轉速，破碎的鋸齒噪聲，缺油，軸承潤滑劑中的磨料或軸承夾變形。

在 NFE 解決方案中，從軸承收集的振動數(shù)據(jù)集由經(jīng)過訓練的神經(jīng)網(wǎng)絡處理。分類器接收各種振動的編碼表示，并將每個數(shù)據(jù)點分配給訓練期間定義的類別之一。

多層感知器 (MLP) 對軸承振動進行分類的示例

軸承振動的 MLP 分類混淆矩陣示例

可以使用混淆矩陣來評估神經(jīng)網(wǎng)絡性能，提供準確度、精確度、召回率和 F1 分數(shù)等指標。下表總結了使用各種分類器的 NFE 解決方案進行軸承振動分析的典型性能：

NFE 解決方案通過不同的分類器表現(xiàn)出較高的準確性，確保可靠的振動分析。這種方法具有通用性，適用于各種機制和操作模式。

新的應用機會

在 IIoT 應用中利用神經(jīng)形態(tài)模擬信號處理 (NASP) NFE 帶來了新的機會。神經(jīng)形態(tài)處理的模擬實現(xiàn)在降低功耗和減少推理延遲方面起著至關重要的作用。這一進步允許與緊湊型傳感器集成，使它們能夠使用電池電源或能量收集運行并通過節(jié)能無線電協(xié)議進行連接。

數(shù)據(jù)量顯著減少數(shù)千倍，可用于新的與移動相關的應用，例如智能輪胎，為高級駕駛輔助系統(tǒng)和車隊管理系統(tǒng)以及機器人、精密機械或火車輪對提供評估。

資源高效的 NFE 方法可顯著減少數(shù)據(jù)流量以及基礎設施和總擁有成本，同時提供可靠的結果。這使得振動分析在許多行業(yè)中部署時都負擔得起，從而保證更高的安全性和可持續(xù)性。