消除深度学习模型处理信号的输入障碍
时间金字塔池化模型
Jiduo Zhang1*, Robert Heinemann1, Otto Jan Bakker1, Menghui Zhu1
1 曼彻斯特大学工学院
分而池之
恒定形状的输出 正如图片所示，我们使用了三个池编号（1、2和4），这产生了由一个形状为（N，L，C），两个(N, L/2, C)， 三个(N, L/4, C)的向量组成的输出， 然后在这些向量上进行最大池化操作，将结果的最大值集中到一个形状为（N，(1+2+4)*C）的一维向量中，这为任何长度的输入产生了一个恒定形状的输出。
天生一对
在很小的模型下实现极快的处理速度 通过使用卷积神经网络（CNN），金字塔池化卷积神经网络可以识别信号的细微和宏观结构，共享权重，从而实现最小的参数以识别工况。 其可较好的部署于嵌入式设备及其集成系统。
TPP
CNN
准确度
99%
对于切削工况的识别
允许的输入时间
∞
允许任意尺寸的输入2
运算率
50
一秒内可以实现至多50次运算3
一劳永逸 与传统模型相比，该方法能够准确识别不同频率和持续时间组合的工况事件，一旦训练良好，即可节省重建、重新训练和重新测试模型的时间。
广 谱高效 与传统模型相比，该方法能够准确识别不同频率和持续时间组合的工况事件。
2: 受硬件和软件环境的限制，过大的输入会生成巨大的特征图，从而耗尽计算资源。
3: 该测试在NVIDIA RTX 3080的CUDA 11环境下进行，采样持续时间为0.1s，频率为1KHz。
由于该方法可以应用于任何信号处理任务，因此其可以在广泛的应用中实现深度学习方法的高精度和即时监控。此外，我们希望这种方法可以成为制造业中通用工具状态监测问题的潜在解决方案。
此工作题为 "基于时间金字塔池化和卷积神经网络的切削工况识别"已被17届CIRP智能制造工程计算会议接收。
纪铎谨在此感谢国家留学基金委对于本项目的持续资助。
如果您对于我们的工作有任何问题或建议，请随时 联系我.