滚动轴承细粒度故障诊断研究

针对目前滚动轴承故障诊断主要采用监督式深度学习提取故障特征以及检测故障种类为粗粒度的现状,提出一种基于高斯混合模型(Gaussian mixed models,GMM)和深度残差收缩网络(deep residual shrinkage networks,DRSN)的滚动轴承细粒度故障诊断方法。GMM模型集成多个高斯分布函数,拟合细粒度故障数据的分布情况,实现对没有标签的轴承振动信号进行聚类,DRSN模型中注意力机制从大量故障特征信息中聚焦于对当前任务更为关键的信息,软阈值化旨在为处于不同健康状态的轴承样本设置不同的阈值。在凯斯西储大学(Case Western Reserve University,CWRU)滚动轴承故障数据中收集30种轴承健康状态对该方法进行了验证,结果表明,将非监督模型与深度学习模型融合,能够处理不含标签情况下的轴承故障数据,实现对轴承故障进行细粒度分类的目的,为后续的设备维护提供依据,具有较好的实际工程意义和推广性。

基于DCGAN与DRSN的滚动轴承细粒度故障诊断

针对目前滚动轴承故障诊断难以获取大量典型的轴承故障数据以及检测故障种类为粗粒度的现状,提出一种基于深度生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)和深度残差收缩网络(Deep Residual Shrinkage Networks,DRSN)的滚动轴承细粒度故障诊断方法。通过DCGAN对滚动轴承故障样本进行数据增强,结合原始故障样本用于进一步故障特征提取,DRSN模型中注意力机制从大量故障特征信息中聚焦于更为关键的信息,软阈值化旨在为处于不同健康状态的轴承样本设置不同的阈值。在凯斯西储大学轴承故障数据集CWRU上验证DCGAN-DRSN模型的有效性并与其他经典模型对比,结果表明,该方法能够解决数据不平衡造成的模型泛化性能差、故障诊断精度低的问题,实现对轴承故障细粒度分类的目的,为后续的设备维护提供依据,具有较好的实际工程意义和推广性。

基于虚通道故障粒度划分的3D NoC容错路由器设计

深亚微米工艺下,路由器受制于制造缺陷及运行时的脆弱性,易发生虚通道(virtual channel,VC)永久性故障,从而引起通信故障,影响系统功能和性能.为了能够有效地容忍虚通道故障、保证系统性能及充分利用可用资源,将虚通道故障类型细分为粗粒度故障和细粒度故障,提出SVS(single VC sharing)路由器架构,通过将路由器端口两两分组,组内端口间实现单虚通道共享.当发生虚通道粗粒度故障时,使用组内相邻端口共享虚通道容错.当发生细粒度故障时,根据Slot State Table信息配置虚通道读/写指针的值,从而跳过故障Buffer槽实现容错.在无粗粒度故障情况下,共享虚通道还可用于负载平衡及容忍路由计算模块故障.实验结果表明:较其他已有的虚通道路由器,SVS路由器在3种不同的故障情况下均较大地降低了延时,提高了吞吐量.这表明SVS路由器可有效提高系统可靠性,保证了系统性能,充分利用了可用资源.

基于故障粒度划分的NoC链路自适应容错方法

No C中数据包的传输需要经过链路,且链路占据了芯片上的绝大部分面积,故对链路的容错尤为重要.为解决链路的故障问题,该文将链路故障进行粒度划分,并提出了一种自适应的链路容错方法.当链路出现粗粒度故障时,重配置另一条链路的方向来传输数据包.当链路出现细粒度故障时,结合网络通信状态,选择重配置另一条链路的方向或利用自身剩余的完好位线来多次传输数据包.实验结果表明,该文方法较双向链路重配置方案和单向链路多次传输的容错方案而言,延时最多减小27.2%和34.2%,吞吐率最多增大21.7%和35.3%。在链路出现不同情况的故障时,该文方案有着明显的优势,保证了网络的可靠性。

一种故障节点再利用NoC容错路由算法

构建一种微细粒度故障模型,有效地区分链路故障和通道故障,并在该模型的基础上提出一种基于故障节点再利用的容错路由算法.本算法由一个动态暂存机制(dynamic pseudo-receiving mechanism,DPR)和动态转向控制(dynamic turn management,DTM)构成,分别用于暂存数据包和避免死锁.最后实验结果表明,本文算法较先前的容错算法,时间延迟降低27%,吞吐量提高21%.尤其在数据包注入率增大时,本文方案有着明显的优势。