基于深度學習的傳感器故障數據分析系統設計

(航空工業西安飛機工業集團有限公司，西安 710089)

0 引言

傳感器是一種檢測裝置，傳感器的類型具有多樣化，但是傳感器的主要組成部分基本相同，常規傳感器一般是由敏感元件、轉換元件、信號調理轉換電路三部分組成，部分傳感器需要增加獨立電源為傳感器提供能量。傳感器將檢測到的信息通過相應的程序轉變為電信號或者其他觀測者所需要的信息，轉變后的信息更有利于觀測者對信息的傳輸、處理、存儲、顯示、記錄和控制等要求。當傳感器出現故障時，以上的作用便不能精準實現。可以通過獲取傳感器的故障數據來進行分析確定傳感器的故障，來對有故障的傳感器進行維修[1]。

近年來，深度學習這一概念成為人們研究的熱點概念，深度學習指的是通過分析學習樣本數據尋找內在規律，使機器擁有人的思維，深度學習在識別復雜問題上具有顯著效果，綜上所述，本文將基于深度學習設計一套傳感器故障數據分析系統，由于目前科技手段較為發達，網絡通信技術比較成熟，比較傳統的接口通信工作效率得到顯著的提升。所以本文所設計的系統應用功能是轉換機與運行機采用先進的定時通信過程，在轉換機處理、過濾數據后使用網絡通信單次性的將數據傳送給運行機，如此便大大地提升了轉換機與運行機之間工作的效率[2]。

以往的各類系統功能設計中都會存在網絡卡頓或網絡服務器阻塞的問題，這將大大地折扣系統功能的運行效率，所以本文在設計運行機的服務器時安裝了雙顯卡裝置，和交換機之間形成了兩條線路，這樣的設計可以在一塊顯卡出現故障時可以將數據轉移到另一塊顯卡中，運行另一條線路，提高系統的容錯性[3]。

1 基于深度學習的傳感器故障數據分析系統硬件設計

系統的硬件部分主要由傳感器、ARM數據處理器、主電路板、FODI數據處理器、集成采集接口板、故障數據傳感器、多轉質感器、場效應傳感器及GKCL儲存器組成。當傳感器的故障數據已知，利用故障數據傳感器、場效應傳感器和多轉質感器輸出12組模擬信號，再利用FODI數據采集器、ARM數據采集器將模擬信號轉換為數字信號，同時FODI數據采集器讀取傳感器內部數據并將數據儲存到GKCL儲存器中。當傳感器的故障數據被采集后再對數據進行深度學習研究[4]。系統的總體程序如圖1所示。

圖1 基于深度學習的傳感器故障數據分析系統總體架構

1.1 ARM數據處理器

ARM數據處理器裝配了Cortex-X4系列的Stm48裝片，此裝片具有48位數據處理器內核，采用立式結構,它的發送指令和數據總協議相互獨立,138個引腳，126個GPIO口，16個定時、定位器，128個屏蔽信號器，這樣的裝配更有利于通信、協議等方面的運作。

1.2 FODI數據處理器

本文硬件系統選用Virtex-6系列裝片XC6VZX120。FODI數據處理器的主要應用是周轉傳感器故障數據的工作數據的快速精準處理，在進行數據處理的同時，FODI數據處理器還要能夠高速進行數據的儲存處理，對于多樣故障數據的處理就需要更多的GKCL儲存器做準備[5]。

1.3 ASVH248故障數據傳感器

本文采用的ASVH248故障數據傳感器是創楊電子設備有限公司制造的一種基于數據傳感技術的多轉故障數據傳感器和數字輸出故障數據傳感器相結合的成果。這種故障數據傳感器的主要特點有：分辨率高，最高分辨率可達16位分辨率。量程可變，可以在正負2 g、正負4 g、正負8 g、正負16 g量程范圍內變化。靈敏度高，最高靈敏度可以達到3.8 mg/LSB，能測量斜度角變化一度以內的變化。功耗低，在待機的狀態下只有0.1 mA的損耗，工作狀態下40～150 mA的超低功耗。型號小，傳感器中的芯片長寬高尺寸只有3 ms、5 ms、1 ms。ASVH248故障數據傳感器如圖2所示。

圖2 ASVH248故障數據傳感器

ASVH248故障數據傳感器支持標準的SPI、I2C數字接口。傳感器自身攜帶32級GKCL儲存裝置，并且傳感器的內部有多種數據狀態檢測和隨機屏蔽的方式等特性。ASVH248傳感器的檢測軸見圖3。

圖3 SVH248傳感器的檢測軸

傳感器內部自身攜帶A/D轉換器,有兩種方式對所測的故障數據進行提取工作[6]。圖4為ASVH248引腳配置圖。

圖4 SVH248引腳配置圖

引腳的各項功能如表1所示。

表1 引腳功能使用介紹

1.4 L3DG20多轉質感器

本文采用的這款傳感器也具有低功耗的特點，使用特殊材質半導體開發進行微加工工匠制造，它包括一個感應元件和能夠提供精準測量環境故障數據的核心裝片。多轉質感器通過DNN/NWJ/KLAN接口與JFKA進行通信。JFKA利用總網絡協議訪問內置儲存器地址信息來控制所獲取數據的讀取與端口之間進行數據傳遞[7]。圖5為4L3DG20多轉質感器的接線圖。

4L3DG20多轉質感器的接線圖的各個位置解析如表2所示。

表2 各個位置解析表

本文中的主電路板采用48位A/D轉換芯片AD7711、接口驅動芯片MAX501、雙路9通道選擇器MAX405、時鐘芯片SD2608、電壓轉換單元PT5151N[8]。

2 基于深度學習的傳感器故障數據分析系統應用功能

2.1 基于深度學習的故障特征數據提取技方法

深度學習是復雜的機器學習算法，它能夠通過學習樣本數據的特定規則及表達水平，完成數據識別的功能。在傳感器故障數據分析系統設計中，首先需要根據深度學習算法提取傳感器的故障特征數據，在此基礎上采集數據，通過ARM數據處理器分析故障數據，并通過接口傳輸到運行機中，在顯示器上顯示，完成傳感器故障數據分析系統設計。

構建分層機器學習模型，利用海量樣本數據進行訓練，通過逐層深入學習降低訓練難度，得到深層次的故障特征數據。通過逐層深入的訓練，能夠提高特征提取的準確性，且訓練過程簡單，容易得到準確的傳感器故障數據特征數據。

2.2 系統應用功能中傳感器故障數據采集

本文中所采用的故障數據傳感器、多轉質感器、磁傳感器均是三軸驅動。這些硬件器材都具備故障數據轉換功能。本文中采用的這3種不同型號的傳感器在收集到故障信號后，通過相應程序轉換為數字化信號，隨后傳感器與FODI數據處理器通信，再經過FODI數據處理器規劃[9]。

通過總線協議途徑，用FPGA發送信號，再利用總線協議這條途徑找到并訪問故障傳感器地址，之后FPGA接收到相對應傳感器的回應，FPGA進入并訪問故障數據的儲存器，通過輸出儲存器的地址位置讓傳感器與之相對應的故障傳感器的再次回復從而實現交流通信。本文所采用的3個數據采集器均被PFGA讀取并存到GKCL儲存器中。

在PFGA運行的過程中會與其他的程序產生誤差，因此本文采用了GKCL儲存器進行儲存，從而達到一個緩沖的作用，提高系統應用功能的容錯性能，以便系統應用功能的流暢運行[10]。

2.3 系統應用功能的數據處理

本文主要采用ARM數據處理器對上文中PFGA讀取后儲存在GKCL儲存器中的故障數據，處理的數據還包括系統應用功能中所顯示的數據，但是在ARM處理器對PFGA數據處理時處理的數據為GKCL儲存器中的數據[11]。

GKCL中的數據分為兩大種類，一種是接近滿容量狀態，另一種是變化狀態。當滿數據狀態從低電壓信號狀變為高電壓信號狀態ARM開始發送讀取信號，提取GKCL儲存器中的故障數據[12]。當變化狀態下的低電壓信號狀態狀變為高電壓信號狀態時，證明GKCL中的故障數據已經被ARM處理器處理完畢。自此以后ARM處理器一直延續這種數據處理方法，不斷地重復這種操作[13]。本文ARM處理器與PFGA之間的轉化讀取關系如圖6所示。

圖6 ARM處理器與PFGA之間的轉化讀取關系

2.4 系統應用功能中傳感器故障數據的儲存

通過ARM處理器處理過的傳感器故障數據可以通過接口傳輸到運行機中通過顯示器顯示，還可以通過網絡數據總協議將數據傳輸到運行系統中。在一般情況下芯片ARM與運行機之間的通信主要是依靠同步通信裝置特有的讀寫應用模式，從而ARM處理器能夠在儲存器中進行讀寫故障數據[14]。利用這種方式優先通過傳感器采集故障數據，再使用系統程序利用顯示器對故障數據進行顯示。這種系統實現方式的缺點是無法實時地對故障數據進行監測與測試[15]。

本文中所設計的方案利用無線傳感技術與運行機進行通信。轉換機通電運行后，通過運行機的服務器出口發送應答命令，應答命令發送成功后，并應答成功，轉換機再打開接口進行中斷。使用總通信協議進行故障數據的接收與命令的發出。系統中共有三部分故障數據可以進行運行，本文設計的系統使用輪回發送的方式來進行接收或發送。當故障數據完成接收或發送過程后，轉換機分別對接收到的故障數據校驗檢查，之后對有效數據進行篩選，在篩選的同時要對故障數據進行解碼運算。將運算后的數據使用來回碰撞的方式存儲到不同的儲存器中。在另外的一路線程中，運行機通過發送系統指令來命令轉換機，轉換機接收到指令后，再從儲存器中讀取數據，將數據通過總通信協議發送給運行機。運行過程如圖7所示。

圖7 運行過程

3 實驗研究

本實驗將采用混合數據算法實現對大量故障數據進行整合與精準計算。本實驗選擇50平方米的開闊地區范圍內隨機安放有故障的傳感器10個、測量故障數據傳感器10個、傳感器網絡安裝包2個、數據匯聚節點4個。通過混合數據算法的特征最終可以計算出明確、精準、有層次的故障數據。相對于傳統的IF算法本實驗采用的混合數據計算在容錯性能、精準度、計算速度等方面均有很大程度上的提升。本實驗還引用了可遠程控制的智能化數據編碼器。最終通過實驗的研究，可以通過實驗數據比較出，本實驗采用的新型混合數據計算方法相對于傳統的故障數據處理算法有很大的優勢。實驗運行環境如圖8所示。

圖8 實驗運行環境

混合數據算法成效取決于故障數據的不同類型，因此本文在實驗中引用了一種數據分類程序STED，這種程序的設定由數據提取模板、數據分類模板設定成。

本實驗首先給予傳感器一個賬號名稱，提取隨機點的故障數據；其次要確定傳感器周圍環境的穩定，電量充足，各類設備正常運行；再次獲取故障數據的地點可以明確自身的位置信息?；旌纤惴ǖ木唧w流程首先利用總體網絡協議對程序進行選擇，然后再選擇混合數據算法的運行方式。

實驗算法第一步為傳感器對故障傳感器數據的采集，并將數據傳達到下一流程；第二步將傳入數據進行訓練，建立訓練樣板；第三步將數據傳到處理器中使數據被特殊篩選；第四步將數據按照上步所篩選總結的特征進行分類并將分類后的數據融入系統應用功能中的公式試算法，得出的最終結果為樣板數據；最后一步將在網絡上繼續采集故障數據完成上一輪前四步的內容采集、訓練、篩選、融合。

為了確保實驗驗證的精確性，本實驗對3組數據進行深度學習故障數據分析測量，測試的樣本是實驗試驗點實時采集的數據，得到實驗結果數據如圖9所示。

圖9 精準度實驗數據圖

針對圖9進行總結，得到實驗數據具體信息如表3所示。

表3本實驗采用的算法所得出的數據信息表，本文算法與傳統算法的性能比較表4所示。

表4 采集精準度對比結果

對比上述結論，在測試精準度上，本文研究的系統相比較于傳統系統提高了15.28%。本實驗對基于深度學習來對傳感器故障數據進行分析研究，深度學習結構中包含深度網絡DBS、卡茲克曼、消音FUI配置。在故障數據提取的過程中利用數據智能化編碼器和深度網絡DBS結構，這樣可以提取隱藏的故障數據，在獲取故障數據的同時還要對即將提取的數據進行編碼，利用編碼器使編碼獲取故障信號，經過編碼設計函數來讓故障數據更加有可以深度學習研究的價值。使用DP反方向算法來對深度網絡DBS進行訓練。而且為了算法變換的精準性，設置編碼矩陣權值輸出數值與輸入數值相同。當應用程序輸入故障數據完全已知，則儲存器的輸入隱藏故障數值以經被海量的讀取。此時可以把這條數據提取應用程序定義為故障數據提取器。這種應用程序可以在故障數據損失最小的情況下實現對故障數據的特殊性處理。

還可以利用數據智能化編碼器逐層的獲取各類故障數據與參數，按照編碼器中設定好的程序進行逐層的特征化訓練讀取，最終可以獲取更加精準優質的故障數據。

實驗中網絡傳輸故障數據量大，還需要具備實時性、精準性等條件同時存在。因此本實驗采用智能化數據編碼器在深度學習的基礎上對故障數據進行訓練，培養為數據模板，再將數據與算法融合而形成了本實驗中的數據融合算法。實現了深度學習算法方面的創新發展，對于傳感器故障數據的分析研究起到了一定的影響。

4 結束語

本文主要通過深度學習來設計一套完整的傳感器數據分析系統。首先在硬件系統中應用了多項先進的設備與配置，使系統中的應用程序能夠流暢的運行，在應用程序方面本文應用網絡技術手段使運行機與轉換機之間的配合更加順暢，提高了系統的整體性能，最后本文設計實驗對故障數據分析進行仿真模擬，并將本文中所采用的算法與傳統的常規算法相比較，經過數據的比對發現本文中的算法性能優越于傳統的算法，這也將驗證了本文所設計的系統能夠應用于實際，為傳感器的故障數據分析領域做出一定的貢獻。