本发明属于模拟电路故障数据处理，特别涉及一种基于深度可分离卷积的模拟电路实时故障数据轻量化方法及系统。
背景技术：
1、实时监测需要交付系统或者事件的持续更新数据，这种监测以零或低延迟提供信息，以保证数据收集和分析之间的延迟最小，它可以快速检测异常与性能问题。在信号实时监测领域，长久以来研究沿着两条路径发展，一是芯片研发领域，通过工艺技术进步与集成电路设计发展，提高芯片存储与计算资源降低延迟，提高数据收集与处理效率；二是算法研究领域，通过改进算法模型降低计算消耗，在数据处理环节力争达到效率最大化。目前实时监测场景多聚焦于终端或移动端，部署方式有两种，一是在线部署，传感器采集信号传输到终端，终端将数据发送至上位机端，上位机处理后向终端设备传回数据，其中，算力较低、性能较差的终端往往在其中起到“中间商”的作用。然而，在线模式的高可靠度运行需要通畅且稳定的网络环境支撑，且需要消耗大量的通信成本。在5g环境尚未达到全覆盖的当下，实时监测过程中的信息传输速度受到网络环境严重制约。二是离线部署，此时终端和上位机合二为一，从传感器接收到的数据直接部署在终端上处理。然而，终端的计算与存储资源受到很大制约。此外，另一个常用作终端设备的fpga，其片内存储器小于10mb。因此，若在终端设备上部署算法，算法的计算消耗与存储消耗是除了准确性之外必需考虑的关键问题。综上，从算法轻量化层面对实时监测问题开展研究具有一定的必要性。
2、mobile net是轻量型结构设计经典的模型之一，通过采用深度可分离卷积模块实现卷积网络轻量化，在imagenet数据集取得了70.6％的分类准确率，预测精度与深度卷积网络精度等同，但该算法有效减少32倍参数量以及27倍模型计算量。添加宽度因子以及分辨率因子作为网络可训练参数，使网络保持准确率的基础上实现轻量化。在mobile net基础上结合残差网络结构提出了mobile net v2，其标准卷积模块首先使用1\times1卷积核对输入数据特征通道数扩张，其次用3\times3卷积核进行深度卷积提取单通道特征信息，再用1\times1卷积对通道降维，最后与残差网络模块进行通道拼接输出。mobile net v3卷积网络将senet提出的特征注意力机制融入mobile net v2，设计新型非线性激活函数，用神经网络架构搜索得到各层卷积核个数，使得网络的性能进一步提高。除了对构建这样小型高效的神经网络之外，获得轻量网络的另一种方式是收缩和分解神经网络，压缩方法包括基于乘积量化、向量量化和huffman编码。分解方法包括跨通道或过滤器等因式分解模型加快预训练网络的速度。
3、为适应实时监测场景，在解决噪声问题的同时考虑计算机算力问题，使准确度与实时性达到最大程度平衡，本技术提出了一种基于深度可分离卷积的诊断模型轻量化方法，在保证故障诊断模型精确度的同时进行算力卸载，降低延时，有利于集成化、微型化、高速化、实时化地实现准确可靠的监测与诊断。
技术实现思路
1、针对现有技术的不足，本发明提供了一种基于深度可分离卷积的模拟电路实时故障数据轻量化方法，首先确定衡量模型轻量化程度的两个评价标准，在现有模型的基础上进行改进，基于深度可分离卷积思想，分别进行全局与局部轻量化设计，在保证准确率、复杂度、参数量达到平衡的条件下得到满足实际应用需求的故障数据轻量化模型，然后对实时采集故障数据进行轻量化处理，最后通过性能参数对比验证本方法的有效性。
2、为实现上述目的，本发明公开了如下技术方案：
3、一种基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其包括：
4、s1：确定模拟电路实时故障数据轻量化模型的评价指标，根据标准卷积网络计算评价指标；
5、使用参数量和浮点运算次数来评价模拟电路实时采集故障数据轻量化模型；设定标准卷积网络特征图的三个维度为：高度、宽度和通道数，组合为[h,w,c1]；设定标准卷积网络的卷积核为[kw,kh′,c1]，滤波器数目为c2，标准卷积网络后特征图维度为[h,w,c2]，根据标准卷积网络计算模拟电路参数量指标和模拟电路浮点运算次数评价指标；
6、s2：使用深度可分离卷积网络完成模拟电路实时故障数据轻量化模型构建；
7、s21：基于分组卷积操作，深度可分离卷积网络对输入特征每个通道单独设置过滤器进行滑切操作，减少参数量并正则化；设定尺寸为w×w×m，通道数为1的标准卷积网络滤波器k，应用于尺寸为df×df×n的输入特征向量f，通过深度可分离卷积网络得到输出模拟电路故障数据特征向量
8、s22：通过深度可分离卷积网络过滤输入通道后，使用点卷积网络对特征进行组合从而生成第一模拟电路实时故障数据特征；确定深度可分离卷积网络模型的输出向量为：
9、
10、其中，gk,l,n为深度可分离卷积网络模型输出的第一模拟电路特征向量；为标准卷积网络滤波器；k为模拟电路特征向量的宽度；l为模拟电路特征向量的长度；为输出模拟电路故障数据特征向量；m为卷积核的个数；n为卷积核个数的输出值；
11、s23：使用深度可分离卷积网络降低步骤s1中的参数量指标和浮点运算次数指标的基础上设计整体网络结构，提高故障数据轻量化模型的分类效果；
12、s231：设计第一轻量化模型ds1和第二轻量化模型ds2；首先，设定卷积核为3×3的深度可分离卷积网络，对每个输入通道应用单个卷积滤波器执行轻量级滤波，承接卷积核为1×1的点卷积网络，通过计算输入通道的线性组合来构建第二模拟电路实时故障数据特征，使实时故障数据维持输入时的维度；
13、s232：根据第一轻量化模型ds1和第二轻量化模型ds2组成故障数据轻量化模型的主干部分，采用局部轻量化设计优化主干部分，使用标准卷积网络和深度可分离卷积网络交替组合形式，能够同时兼顾模型轻量化和模型准确度；设计两类主干部分的第一主干部分结构ds_v1和第二主干部分结构ds_v2；
14、s3：通过试验获取模拟电路实时故障数据并通过数据增强算法实现样本量的扩充，使用故障数据轻量化模型完成优化；
15、采用时序数据增强算法对采集到的模拟电路实时故障数据进行样本量扩充；将得到的模拟电路实时故障数据导入步骤s2中的故障数据轻量化模型进行处理，完成模拟电路实时故障数据的轻量化优化。
16、可优选的是，步骤s1中的模拟电路参数量指标为：
17、params(sdcl)＝c1kwkhc2；
18、其中，params(sdcl)为模拟电路参数量指标；c1为标准卷积网络通道数；kw为标准卷积网络滤波器宽度；kh为标准卷积网络滤波器高度；c2为滤波器数目；c1kwkh为单个卷积层的乘法运算次数。
19、可优选的是，步骤s1中的模拟电路浮点运算次数指标，具体为：
20、所述模拟电路浮点运算次数指标用来衡量算法复杂度，卷积网络中计算量主要由前向推理承担，前向推理过程在数学层面为累乘累加计算，因此浮点运算次数主要由乘加运算的次数构成；所述浮点运算次数指标为：
21、flops(sdcl)＝[c1kwkh+(c1kwkh-1)]＝(2c1kwkh-1)×c2wh；
22、其中，flops(sdcl)为模拟电路浮点运算次数指标；c1kwkh-1为单个卷积层的加法运算次数；w为标准卷积网络宽度；h为标准卷积网络高度。
23、可优选的是，步骤s21通过深度可分离卷积网络得到输出模拟电路故障数据特征向量具体为：
24、将标准卷积网络滤波器k用于输入特征向量f的通道，将m组输入特征向量f与m个标准卷积网络滤波器k分别滑切，得到m组结果拼接得到输出模拟电路故障数据特征向量为：
25、
26、其中，ki,j,m为标准卷积网络滤波器；fk+i-1,l+j-1,m为输入特征向量；i为卷积核的第一位置变化量；j为卷积核的第二位置变化量。
27、可优选的是，步骤s22中的点卷积网络是标准卷积网络在卷积核尺寸为[1,1]，等同于对模拟电路故障数据特征图在深度方向加权组合，能够起到模拟电路故障数据特征降维并增加非线性的作用。
28、可优选的是，步骤s232中的故障数据轻量化模型的主干部分具备特征提取能力的部分，在深度可分离卷积网络输入端放置3×3标准卷积网络，能够在输入端处提取故障数据特征。
29、可优选的是，步骤s232中的两类主干部分的第一主干部分结构ds_v1和第二主干部分结构ds_v2，具体为：
30、第一主干部分结构ds_v1在经典卷积网络mobilenet的主干部分基础上，将第二轻量化模型ds2替换为第二深度卷积神经网络res2net；
31、第二主干部分结构ds_v2在经典卷积网络mobilenet的主干部分基础上，将第一轻量化模型ds1替换为第一深度卷积神经网络res1net。
32、可优选的是，步骤s3中的时序数据增强算法具备统一的api接口，能够控制每一个功能实现的发生概率以便随机增强故障数据具备所需分布。
33、本发明的第二方面，提出了一种基于前述深度可分离卷积的模拟电路实时故障数据轻量化方法的模型构建系统，其包括：深度可分离卷积网络模块、点卷积网络模块、残差网络模块和故障数据轻量化模型的主干模块；
34、所述深度可分离卷积网络模块使用深度卷积和点卷积两类模块代替标准卷积，对输入故障数据特征分别进行过滤与组合；
35、所述点卷积网络模块对输入故障数据特征进行组合，生成新故障数据特征；
36、所述残差网络模块基于adabn的残差网络算法进行轻量化改进，在削减故障数据轻量化模型的参数量和浮点运算次数的过程中，还能够保证准确率；
37、所述故障数据轻量化模型的主干模块包括第一轻量化模型ds1和第二轻量化模型ds2；在降低故障数据轻量化模型的参数量和浮点运算次数的基础上设计整体网络结构，保证模型分类效果，能够在临近输入端处充分提取故障数据特征。
38、与现有技术相比，本发明具有以下有益效果：
39、(1)本发明首先根据数据轻量化算法模型的计算消耗与存储消耗问题，提出衡量模型轻量化程度的两个评价标准，在现有模型的基础上开展设计改进，基于深度可分离卷积思想，对模型分别进行全局与局部轻量化设计，在保证准确率、复杂度、参数量达到平衡的条件下得到满足实际应用需求的故障数据轻量化模型。
40、(2)本发明在实物层面进行故障数据收集与处理工作，采用tsaug数据增强算法对数据量进行扩充，对数据增强后的实时采集数据进行轻量化处理，最后通过性能参数对比验证本方法的有效性。
1.一种基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于，其包括：
2.根据权利要求1所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于：步骤s1中的模拟电路参数量指标为：
3.根据权利要求1所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于：步骤s1中的模拟电路浮点运算次数指标，具体为：
4.根据权利要求1所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于：步骤s21通过深度可分离卷积网络得到输出模拟电路故障数据特征向量具体为：
5.根据权利要求1所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于：步骤s22中的点卷积网络是标准卷积网络在卷积核尺寸为[1,1]，等同于对模拟电路故障数据特征图在深度方向加权组合，能够起到模拟电路故障数据特征降维并增加非线性的作用。
6.根据权利要求1所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于：步骤s232中的故障数据轻量化模型的主干部分具备特征提取能力的部分，在深度可分离卷积网络输入端放置3×3标准卷积网络，能够在输入端处提取故障数据特征。
7.根据权利要求1所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于：步骤s232中的两类主干部分的第一主干部分结构ds_v1和第二主干部分结构ds_v2，具体为：
8.根据权利要求1所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法，其特征在于：步骤s3中的时序数据增强算法具备统一的api接口，能够控制每一个功能实现的发生概率以便随机增强故障数据具备所需分布。
9.一种基于权利要求1-8之一所述的基于深度可分离卷积的模拟电路实时故障数据轻量化方法的模型构建系统，其特征在于：其包括深度可分离卷积网络模块、点卷积网络模块、残差网络模块和故障数据轻量化模型的主干模块；
