|本期目录/Table of Contents|

[1]李宁宁,师玲萍.基于时间递归神经网络的轨道车辆自检系统设计[J].工业仪表与自动化装置,2023,(04):58-63.[doi:10.19950/j.cnki.cn61-1121/th.2023.04.011]
　LI Ningning,SHI Lingping.Design of rail vehicle self-test system based on time recursive neural network[J].Industrial Instrumentation & Automation,2023,(04):58-63.[doi:10.19950/j.cnki.cn61-1121/th.2023.04.011]
点击复制

基于时间递归神经网络的轨道车辆自检系统设计

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2023年04期
页码:
58-63
栏目:
出版日期:
2023-08-15

文章信息/Info

Title:
Design of rail vehicle self-test system based on time recursive neural network
文章编号:
1000-0682（2023）03-0058-06
作者:
李宁宁1; 师玲萍2
1. 西安交通工程学院 机电学院，陕西 西安 710300；
2. 西安铁路职业技术学院 机电学院，陕西 西安 710026
Author(s):
LI Ningning1;  SHI Lingping2
1.School of Mechanical & Electrical Engineering, Xi’an Traffic Engineering Institute, Xi’an 710300, China;
2.School of Mechanical and Electrical Engineering, Xi’an Railway Vocational＆Technical Institute, Xi’an 710026, China
关键词:
轨道车辆; 故障检测; 神经网络; LSTM; 模型压缩; 硬件加速; FPGA
Keywords:
rail vehicle; fault monitoring; neural network; long short-term memory; model compression; hardware acceleration; field programmable gate array
分类号:
TP311.52
DOI:
10.19950/j.cnki.cn61-1121/th.2023.04.011
文献标志码:
A
摘要:
针对轨道车辆内部复杂的信号和多样化的故障类型，为提高故障自检的快速性和有效性，设计了一种基于时间递归神经网络的轨道车辆自检系统，此系统中包含了基于FPGA的神经网络加速器、信号处理芯片、通信模块和传感器。加速器是利用时间递归神经网络LSTM作为自检系统内部智能化神经网络模型，采用剪枝、量化和编码等方式对模型进行了轻量化压缩，最后设计相应的加速器部署在自检系统中，同时完成了LSTM网络轻量化压缩实验和神经网络加速器实验。实验结果表明，自检系统的神经网络压缩算法的设计虽然使模型准确率下降了12.1%，但是压缩率可达7.1%；加速器部分在FPGA部署时仅占用了1.28%的硬件存储资源，性能可以达到200 MHz，吞吐率为19.39 GOPS。
Abstract:
In order to improve the rapidity and effectiveness of fault self-detection, a rail vehicle self-detection system based on time recursive neural network is designed, which includes neural network accelerator, signal processing chip, communication module and sensor based on FPGA. The accelerator uses the time recursive neural network LSTM as the internal intelligent neural network model of the self-checking system. The model is lightweight compressed by means of pruning, quantization and coding. Finally, the corresponding acceleration circuit is designed and deployed on the accelerator, and the LSTM network lightweight compression experiment and neural network accelerator experiment are completed.The experimental results show that although the design of the neural network compression algorithm reduces the model accuracy by 12.1%, the compression rate can reach 7.1%. In FPGA deployment, the accelerator occupies only 1.28% of the hardware storage resources, and the performance can reach 200 MHz with a throughput of 19.39 GOPS.

参考文献/References:

[1]谭常清.轨道车辆走行部故障监测系统可靠性分析与优化建议[J].电力机车与城轨车辆,2022,45(5):104-107.

[2]李宏菱.城市轨道交通车辆网络节点重要性分配优化算法研究[J].电子设计工程,2022,30(9):57-61.
[3]刘海斌.基于云平台的城市轨道交通综合监控系统设计与实现[J].微型电脑应用,2022,38(10):194-197.
[4]李思雨,王沁蓉,黄少罗,等.基于深度学习的某型远火武器系统故障诊断方法研究[J].火炮发射与控制学报,2022,43(5):72-76,83.
[5]邓刚,叶伟,程磊,等.基于深度学习的站用交直流电源系统故障诊断方法[J].电子设计工程,2022,30(20):189-193.
[6]潘超,王雪涵,高俊平等.基于深度学习的计算机视觉技术在交通场景中的应用[J].长春工业大学学报,2022,43(3):251-257.
[7]Zhang Q C,Yang L T,Chen Z K,et al.A survey on deep learning for big data[J].Information Fusion,2018,42(7):146-157.
[8]张佳钰,寇金桥,刘宁钟.基于滤波器分布拟合的神经网络剪枝算法[J].计算机技术与发展,2022,32(12):136-141.
[9]王骞,陶青川.基于AI神经网络加速芯片的模型量化算法[J].现代计算机,2021,27(36):28-33.
[10]王夏霖,阚秀,范艺璇.基于LSTM-Attention的P300事件相关电位识别分类研究[J].电子科技,2022,35(12):10-16.
[11]李屹,魏建国,刘贯伟.模型剪枝算法综述[J].计算机与现代化,2022(9):51-59.[12]于涵.深度学习通用加速方案的设计与研究[D].长春:吉林大学,2019:34-54.
[13]王晞阳,陈继林,李猛,等.FPGA架构上面向稀疏矩阵求解的静态调度算法[J].计算机工程,2022,48(7):199-205,213.
[14]张奕玮.基于FPGA的高能效比LSTM预测算法加速器的设计与实现[D].合肥:中国科学技术大学,2018:12-37.
[15]顾俊杰,白雪丽.基于FPGA的多通道可调增益数据采集系统设计[J].电子设计工程,2022,30(19):44-48.
[16]GUAN Y,YUAN Z,SUN G,et al.FPGA-based accelerator for long short-term memory recurrent neural networks[C].Chiba:The 22nd Asia and South Pacific Design Automation Conference (ASP-DAC),IEEE,2017:629-634.
[17]CHANG A X M,CULURCIELLO E.Hardware accelerators for recurrent neural networks on FPGA[C].Baltimore:IEEE International Symposium on Circuits and Systems (ISCAS),IEEE,2017:1-4.

相似文献/References:

[1]姚 林,张 岩.基于分布式稀疏LS的热轧过程质量相关故障检测[J].工业仪表与自动化装置,2020,(06):65.[doi:1000-0682(2020)06-0000-00]
　YAO Lin,ZHANG Yan.Quality-related fault detection for hot rolling processes based on distributed sparse LS[J].Industrial Instrumentation & Automation,2020,(04):65.[doi:1000-0682(2020)06-0000-00]
[2]赵泽予,余 强,侯玉莲,等.电流互感器红外故障热像图自动诊断方法[J].工业仪表与自动化装置,2021,(06):78.[doi:10.19950/j.cnki.cn61-1121/th.2021.06.015]
　ZHAO Zeyu,YU Qiang,HOU Yulian,et al.Automatic diagnosis method of infrared fault thermal image of current transformer[J].Industrial Instrumentation & Automation,2021,(04):78.[doi:10.19950/j.cnki.cn61-1121/th.2021.06.015]
[3]秦宝坤,戴宇辉*,秦园莉,等.基于关联规则算法的卷烟厂空调系统传感器故障实时检测方法[J].工业仪表与自动化装置,2021,(06):83.[doi:10.19950/j.cnki.cn61-1121/th.2021.06.016]
　QIN Baokun,DAI Yuhui*,QIN Yuanli,et al.A real-time sensor fault detection method for air conditioning system in cigarette factory based on association rule algorithm[J].Industrial Instrumentation & Automation,2021,(04):83.[doi:10.19950/j.cnki.cn61-1121/th.2021.06.016]
[4]吕智勇,岳海波,王向军,等.新型电磁感应式无源触发器分析与设计[J].工业仪表与自动化装置,2024,(03):3.[doi:DOI:10.19950/j.cnki.CN61-1121/TH.2024.03.001]
　LV Zhiyong,YUE Haibo,WANG Xiangjun,et al.Analysis and design of a new electromagnetic induction passive trigger[J].Industrial Instrumentation & Automation,2024,(04):3.[doi:DOI:10.19950/j.cnki.CN61-1121/TH.2024.03.001]

备注/Memo

备注/Memo:
收稿日期：2023-04-21

基金项目：
陕西省教育科学“十三五”规划2020年度课题（SGH20Y1631)；
西安交通工程学院中青年基金项目（2022KY-35）

第一作者：
李宁宁（1987—），女，甘肃庆阳，本科，讲师。研究方向：轨道车辆结构修造。
更新日期/Last Update: 1900-01-01