齿轮故障诊断的量化概率 AI
系统与控制
2026-05-07 v1 系统与控制
摘要
在电力电子领域部署大型人工智能（AI）模型常需高计算资源。致力于量化范式，这篇摘要提出了一种量化感知训练（QAT）原则，显著降低所需位数，同时最大化计算的准确性。以在电机驱动中进行齿轮故障诊断的预训练概率贝叶斯神经网络（BNN）为例，我们将其权重和激活函数从浮点 FP32 量化为低精度 INT8，提升了计算效率，提升幅度为 30-45%（取决于不同模型版本），而无需牺牲任何准确性和不确定性估计。这证明了将大多数量化轻量级 AI 模型部署到低成本边缘处理器以进行电力电子应用的可持续机制。
引用
@article{arxiv.2605.05032,
title = {Quantized Probabilistic AI for Gear Fault Diagnosis in Motor Drives},
author = {Subham Sahoo and Huai Wang and Frede Blaabjerg},
journal= {arXiv preprint arXiv:2605.05032},
year = {2026}
}
备注
This manuscript has been accepted for publication in 2026 International Power Electronics Conference, IPEC-Nagasaki 2026 -ECCE Asia-