基于边缘设备上超声导波的温度补偿损伤评估无监督深度学习框架
信号处理
2023-10-10 v1
摘要
受机器学习(ML)快速发展以及云计算与图形处理单元(GPU)更广泛获取的推动，人们提出了多种基于深度学习的模型以提升超声导波结构健康监测(GW-SHM)系统的性能，尤其是应对由温度变化等环境因素及损伤类型导致的数据复杂性与异质性。此类模型通常包含数百万可训练参数，因而因云连接与处理需求增加了部署成本，限制了GW-SHM的部署规模。本工作中，我们提出一种替代方案，利用TinyML框架开发可直部署于嵌入式边缘设备的轻量级ML模型。我们通过给出一个无监督学习框架来展示该方案的效用，该框架用于蜂窝复合夹层结构(HCSS)中脱粘与分层类型损伤的检测，并使用有限元(FE)仿真及在0{\deg}C至90{\deg}C范围内不同温度下的实验所生成的数据进行了验证。我们展示了使用Xilinx Artix-7 FPGA进行数据采集与控制以及损伤边缘推断的全集成方案。
引用
@article{arxiv.2310.05154,
title = {Unsupervised deep learning framework for temperature-compensated damage assessment using ultrasonic guided waves on edge device},
author = {Pankhi Kashyap and Kajal Shivgan and Sheetal Patil and Ramana Raja B and Sagar Mahajan and Sauvik Banerjee and Siddharth Tallur},
journal= {arXiv preprint arXiv:2310.05154},
year = {2023}
}