神经网络如何促进振动分析

在日益复杂的工业和汽车环境中，状态监测对于确保安全可靠的运行变得越来越重要。通过数据分析可以检测运行异常和潜在的设备缺陷，从而在发生故障之前及时进行维修。它还可以最大限度地减少维护频率并避免不必要的成本。

振动分析在旋转机构和机器中起着关键作用，因为它有助于识别机械健康状况并预测故障。工业设备和连接的振动传感器网络可以提供有价值的见解，使公司能够更早地发现效率低下和问题，最终节省时间和金钱。

发现的机械问题包括轴不平衡、轴承故障、齿轮磨损、风力涡轮机叶片不平衡、开裂或腐蚀。除了机械损坏外，这种分析还可以检测磨料侵入和润滑不足的问题。振动数据不仅可用于监测相对简单的机制，还可用于监测复杂的机制，例如泵、发动机或风力涡轮机。

然而，并非每个企业都能负担有线传感器网络的安装或维护费用。

还有一些应用在技术上难以实现有线联网，甚至无法实现，例如远程采矿点或从汽车轮胎收集数据。为了解决这个问题，人们使用无线 IIoT 传感器通过无线电信道连接到主机设备。然而，将所有原始数据直接传输到服务器或云端需要高宽带通信信道，从而导致大量能耗。

由于无线传感器通常由电池供电，因此需要使用 LoRa 和 BLE 等功耗较低的窄带通信通道。为此，必须在传输到主机之前减少密集振动信号产生的数据量。但有损数据压缩会牺牲重要信息，导致有关缺陷的关键细节丢失。

神经网络的优点

虽然可以使用算法来处理工业物联网传感器生成的未处理数据，但使用神经网络进行信号处理是一种更好的方法。振动信号可能很复杂，尤其是在以不同速度和负载运行的机器中。背景和测量噪声的存在使信号分析更加复杂。

传统的振动分析方法往往难以应对这种复杂性，因此需要整合机器学习技术。基于算法的数据压缩具有局限性，尤其是对于噪声信号，因为它们具有线性数据处理特性。

另一方面，神经网络由于其非线性数据处理能力，甚至可以从嘈杂的数据中提取有价值的信息。它们擅长从原始信号中提取特征，执行聚类和分类数据。某些深度神经网络架构特别适合解决振动监测挑战。

传感器处有用的数据提取

传输前振动数据缩减的一个关键方面是使用由编码器和解码器组成的自动编码器神经网络从原始数据流中提取有用信息。编码器从输入信号中提取数据特征，在明显低维的空间中创建所谓的嵌入。

自动编码器训练完成后，其编码器部分将用于原始信号预处理。这样可以将从编码器输出端无线传输到位于 MCU、服务器或云端的分类器的数据量减少 1,000 倍至 4,000 倍。

解码器部分被分类器取代，分类器使用在训练期间学习到的数据类别。数据类别代表所讨论机器的不同稳定状态。如果数据点不属于已知类别，则可能表示机器出现故障或出现新的操作模式。

当使用来自传感器节点的标记数据重新训练分类器，以及更新或形成新的类别时，可以应用设备上学习或上训练，从而显著提高分类精度。

方法通用性

振动监测通常处理由各种频率的正弦信号组成的振动频谱以及与缺陷、结构和背景噪声相关的非确定性宽带振动。为了优化每个信号分量的诊断方法，必须分解振动。自动编码器神经网络可以检测这些频谱中的非线性分量，即使失真很小。

嵌入生成是一种通用方法，允许经过训练的编码器从任何类型的振动原始数据中提取特征，甚至可以从新类型的输入信号中提取特征。这使得在生成神经形态嵌入后可以对各种数据类型进行聚类和分类。

经济高效的 NFE 实施

在传感器层面高效运行神经网络至关重要。神经形态前端 (NFE) 直接在传感器节点引入模拟神经形态处理。NFE 使用在由模拟电路元件制成的微型超低功耗硅芯片上实现的神经网络来处理传感器信号。

NFE 仅从原始数据流中提取有价值的数据，将传输的数据减少到适合窄带无线通信的千比特，从而降低功耗。由于采用并行数据处理，NFE 通常仅消耗约 100 µW，从而支持电池供电操作或基于能量收集的设计。

使用 NASP 和 NFE 进行振动分析的示例

在轴承振动分析中，分类的数据可以包括轴承的不同转速，破碎的锯齿噪声，缺油，轴承润滑剂中的磨料或轴承夹变形。

在 NFE 解决方案中，从轴承收集的振动数据集由经过训练的神经网络处理。分类器接收各种振动的编码表示，并将每个数据点分配给训练期间定义的类别之一。

多层感知器 (MLP) 对轴承振动进行分类的示例

轴承振动的 MLP 分类混淆矩阵示例

可以使用混淆矩阵来评估神经网络性能，提供准确度、精确度、召回率和 F1 分数等指标。下表总结了使用各种分类器的 NFE 解决方案进行轴承振动分析的典型性能：

NFE 解决方案通过不同的分类器表现出较高的准确性，确保可靠的振动分析。这种方法具有通用性，适用于各种机制和操作模式。

新的应用机会

在 IIoT 应用中利用神经形态模拟信号处理 (NASP) NFE 带来了新的机会。神经形态处理的模拟实现在降低功耗和减少推理延迟方面起着至关重要的作用。这一进步允许与紧凑型传感器集成，使它们能够使用电池电源或能量收集运行并通过节能无线电协议进行连接。

数据量显著减少数千倍，可用于新的与移动相关的应用，例如智能轮胎，为高级驾驶辅助系统和车队管理系统以及机器人、精密机械或火车轮对提供评估。

资源高效的 NFE 方法可显著减少数据流量以及基础设施和总拥有成本，同时提供可靠的结果。这使得振动分析在许多行业中部署时都负担得起，从而保证更高的安全性和可持续性。