|本期目录/Table of Contents|

[1]陈家敏,陈向东,丁 星,等.动态可重构神经网络的FPGA实现及其在燃爆状态监测中的应用[J].电子设计工程,2020,28(01):1-5.[doi:10.14022/j.issn1674-6236.2020.01.001]
 CHEN Jiamin,CHEN Xiangdong,DING Xing,et al.Explosion state monitoring based on FPGA dynamic reconfigurable neural network[J].SAMSON,2020,28(01):1-5.[doi:10.14022/j.issn1674-6236.2020.01.001]
点击复制

动态可重构神经网络的FPGA实现及其在燃爆状态监测中的应用(PDF)
分享到:

《电子设计工程》[ISSN:1674-6236/CN:61-1477/TN]

卷:
28
期数:
2020年01期
页码:
1-5
栏目:
计算机技术应用
出版日期:
2020-01-05

文章信息/Info

Title:
Explosion state monitoring based on FPGA dynamic reconfigurable neural network
文章编号:
1674-6236(2020)01-0001-05
作者:
陈家敏1陈向东1丁 星1李 皋2陈一健3
(1.西南交通大学 信息科学与技术学院,四川 成都 611756;2.西南石油大学 油气藏地质及开发工程国家重点实验室,四川 成都 610500;3.西南石油大学 石油与天然气工程学院,四川 成都 610500)
Author(s):
CHEN Jia?min1 CHEN Xiang?dong1 DING Xing1 LI Gao2 CHEN Yi?jian3
(1.School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China;2.State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Southwest Petroleum University, Chengdu 610500, China;3.School of Petroleum and Natural Gas Engineering, Southwest Petroleum University, Chengdu 610500,China)
关键词:
FPGA 动态可重构 神经网络 可燃气体 燃爆
Keywords:
FPGA dynamic reconfigurable neural network neural network combustible gas explosion
分类号:
TP212.9;TP183
DOI:
10.14022/j.issn1674-6236.2020.01.001
文献标志码:
A
摘要:
提出了一种基于现场可编程门阵列(FPGA),实现动态可重构神经网络的可燃气体燃爆状态监测的方法。传感器采集可燃气体燃爆过程中引起的多种气体浓度变化的数据,在MATLAB中进行离线神经网络训练,燃爆状态的分类预测的准确性依赖于已训练好的模型。基于片上网络架构在FPGA上实现动态可重构神经网络,并优化了其硬件设计,其能够现场切换、调整合适的网络模型对气体燃爆状态进行在线的分类预测,以达到最佳预测效果。实验结果表明,文中所提出的方法对气体燃爆的多种状态的分类预测具有较高的准确率,该方法提高了硬件化神经网络在燃爆状态监测应用中的灵活性、通用性及分类准确性。
Abstract:
This paper proposes a method for monitoring the explosion state of combustible gas based on Field- Programmable Gate Array (FPGA) dynamic reconfigurable neural network. The data of various gas collecting by sensors are used for offline-training in MATLAB. The accuracy of classification of explosion state depends on the trained model. Based on the Network on Chip architecture, the optimized dynamic reconfigurable neural network is able to configure appropriate neural network model to predict the explosion state online. The achieved experimental results seem to show the effectiveness of the explosion state monitoring system. It improves the flexibility and classification accuracy of the hardware implementations of neural network.

参考文献/References:

[1] 肖洲,颜小兵,万昕.空气钻井井下燃爆控制技术探讨[J].钻采工艺,2017,40(4):13-14.[2] 魏武,周长虹,邓虎,等.气体钻井井控安全分析与控制[J].钻采工艺,2018,41(5):102-104,113.[3] Ali A A S, Amira A, Bensaali F, et al. Versatile Gas monitoring system on the heterogeneous zynq soc platform[J]. Proceedings of International Gas Processing Symposium, 2015:213-221.[4] 何鑫.采用RBF神经网络的可燃气体报警器开发[D].哈尔滨:哈尔滨理工大学,2013.[5] 韩晓云.基于传感器数据融合的可燃气体燃爆监测与评价系统[D].成都:西南交通大学,2018.[6] KIM C-M, CHOI K-H. Hardware design of CMAC neural network for control applications[C]// Proceedings of the International Joint Conference on Neural Networks. Piscataway: IEEE, 2003(2):953-958.[7] Kennedy R , Nahavandi S . Neural net device for IED gas identification[C]// Industrial Electronics & Applications. IEEE, 2011.[8] 沈阳靖,沈君成,叶俊,等.基于FPGA的脉冲神经网络加速器设计[J].电子科技,2017,30(10):89-92,96.[9] 刘培龙.基于FPGA的神经网络硬件实现的研究与设计[D].成都:电子科技大学,2012.[10]Shoushan L, Yan C, Wenshang X, et al. A single layer architecture to FPGA implementation of BP artificial neural network[C]// International Asia Conference on Informatics in Control. IEEE Press, 2010.[11]Eldredge J G, Hutchings B L. RRANN: a hardware implementation of the backpropagation algorithm using reconfigurable FPGAs[C]// Neural Networks, 1994. IEEE World Congress on Computational Intelligence. 1994 IEEE International Conference on. IEEE, 1994.[12]李丽,许居衍.片上网络技术发展现状及趋势浅析[J].电子产品世界,2009,16(1):32-37.[13]林剑锋.动态可重构神经网络实现及气体识别方法研究[D].大连:大连理工大学,2009.[14]Nielsen M A. Neural networks and deep learning[M]. USA: Determination press, 2015.[15]艾惊涛,李永杰,邓虎,等.气体钻井井下燃爆控制技术规范[S].Q/SYCQZ 104-2009.[16]王小川.MATLAB神经网络43个案例分析[M]. 北京:北京航空航天大学出版社,2013.[17]Holt J L, Baker T E. Back propagation simulations using limited precision calculations[C]//Neural Networks, 1991, IJCNN-91-Seattle International Joint Conference on. IEEE, 1991(2):121-126.[18]钱玉多.基于 FPGA 的神经网络硬件实现研究[D].武汉:华中科技大学,2012.

相似文献/References:

[1]张景悦,王明磊,王莹.基于FPGA的数字复接系统帧同步器设计与实现[J].电子设计工程,2005,(05):4.
[2]孙建东.使用VHDL语言设计FPGA的几个常见问题的探讨[J].电子设计工程,2006,(07):30.
[3]黄豪佑,卢建刚.基于GAP技术的网络隔离设备的设计[J].电子设计工程,2006,(07):22.
[4](王光,田斌,吴勉,等.数字匹配滤波器的优化设计与FPGA实现[J].电子设计工程,2006,(05):70.
[5]王志辉,林水生.基于FPGA的键盘扫描模块的设计与实现[J].电子设计工程,2006,(05):67.
[6]赵涛,傅丰林,王晓辉.基于Stratix系列FPGA的FFT模块设计与实现[J].电子设计工程,2006,(05):63.
[7]薛寒光,朱衡君.基于FPGA的线阵CCD驱动器设计[J].电子设计工程,2006,(05):60.
[8]李农.FPGA与DS18B20型温度传感器通信的实现[J].电子设计工程,2006,(02):48.
[9]刘赟,刘乃安.跳频电台中央控制单元及跳频单元的硬件设计[J].电子设计工程,2005,(12):4.
[10]叶雷,朱红.8B/10B编解码的IP核设计[J].电子设计工程,2005,(11):19.

备注/Memo

备注/Memo:
收稿日期:2019-03-16 稿件编号:201903119基金项目:国家自然科学基金重点资助项目(61731016);四川省科技支撑计划项目(2016JZ0028)作者简介:陈家敏(1993—),女,广东佛山人,硕士研究生。研究方向:信息感知、获取与处理技术。
更新日期/Last Update: 2019-12-27