一种基于动态视觉与类脑计算的非接触式故障诊断方法技术

一种基于动态视觉与类脑计算的非接触式故障诊断方法，首先采用事件相机采集旋转机械的健康状态信息，对采集的事件流数据进行区域筛选，将筛选后事件流数据转化为脉冲神经网络读取的脉冲数据；然后将样本对应的标签与样本进行关联，构建旋转机械智能诊断数据集，划分训练集与测试集；再构建用于提取旋转机械脉冲数据特征的脉冲神经网络，并且将旋转机械智能诊断数据集送入进行深层特征提取；最后将深层旋转机械健康状态脉冲数据表征与对应标签计算MSE损失，并且通过损失函数更新对应的模型参数；本发明专利技术完善了类脑计算式的深度学习方法在旋转机械故障诊断中的应用流程，为智能诊断模型在边缘计算硬件上的部署提供了思路。模型在边缘计算硬件上的部署提供了思路。模型在边缘计算硬件上的部署提供了思路。

【技术实现步骤摘要】
一种基于动态视觉与类脑计算的非接触式故障诊断方法


[0001]本专利技术属于旋转机械故障诊断
，具体涉及一种基于动态视觉与类脑计算的非接触式故障诊断方法。

技术介绍

[0002]旋转机械的种类繁多、应用广泛，在工业化的发展中起着至关重要的作用，然而旋转机械构造精密，长时间在高速、重载的条件下工作，容易发生故障，从而影响机械设备整体的性能甚至造成严重的安全事故，因而开发高效的旋转机械故障诊断技术尤为重要。
[0003]深度智能诊断方法具有的深层网络结构可以直接从原始数据信号中学习特征，从而避免了手动提取特征的过程，减少了对专家知识的依赖，因而逐渐成为旋转机械故障诊断领域的主流方法。但是在工程实际中，随着故障诊断任务的复杂程度日趋增加，模型所需的训练数据量同样急剧增多。许多深度智能诊断方法已经逐渐触及瓶颈，模型的表现能力难以进一步得到提升，此外还需要耗费大量的运算资源进行训练，并且模型难以部署到边缘计算硬件上，工程实用性较低。近年来，随着类脑计算研究的不断发展，为了进一步提升模型的表现能力、降低模型训练时的功耗以及部署在边缘计算硬件上的难度，在旋转机械故障诊断领域，现有的依托于第二代神经网络以及传统传感器的旋转机械智能故障诊断方法([1]Zhang B,Pang X,Zhao P,et al.Anew method based on encoding data probability density andconvolutional neural network for rotating machinery fault diagnosis[J].IEEE Access,2023,11,26099
‑
26113；[2]Yu Z,Zhang C,Liu J,et al.SKND
‑
TSACNN:Anovel time
‑
scale adaptive CNN framework for faultdiagnosis of rotating machinery[J].Knowledge
‑
Based Systems,2023,275,110682；[3]胡爱军,孙俊豪,邢磊,等.基于冲击特征提取的旋转机械智能故障诊断[J].航空动力学报,2023,38(X)：1
‑
9.)模型表现能力难以继续提升，训练模型时的功耗高，工程实用价值有待提升；并且现有的类脑计算式的故障诊断研究([4]Zhang C,Xiao Z,Sheng Z.Abearing fault diagnosis method based on a convolutional spiking neuralnetwork with spatial
–
temporal feature
‑
extraction capability[J].Transportation Safety and Environment,2022,5(2),tdac050；[5]Cao S,Li H,Zhang K,et al.ANovel Spiking Graph Attention Network forIntelligent Fault Diagnosis of Planetary Gearboxes[J].IEEE SensorsJournal,2023,23(12),13140
‑
13154；[6]电子科技大学.基于LMD和脉冲神经网络的轴承故障诊断方法:CN202010105681.3[P].2022
‑
10
‑
11.)仅在传统智能故障诊断流程的基础上进行了局部改进，整体流程还不够完善。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的目的在于提供了一种基于动态视觉与类脑计算的非接触式故障诊断方法，采用事件相机作为传感器采集旋转机械的健康状态，并且用脉冲神经网络完成旋转机械的智能故障诊断，从而完善类脑计算式的深度学习方法在
旋转机械故障诊断中的应用流程。
[0005]为了达到上述目的，本专利技术采用的技术方案如下：
[0006]一种基于动态视觉与类脑计算的非接触式故障诊断方法，包括以下步骤：
[0007]步骤1：采用事件相机采集旋转机械在规定时间T内的健康状态信息，即原始事件流数据；
[0008]步骤2：对事件相机采集的原始事件流数据进行ROI区域筛选，得到目标区域事件流；
[0009]步骤3：将目标区域事件流转化为脉冲神经网络读取的脉冲数据；
[0010]步骤4：得到步骤3转化完成的旋转机械脉冲数据集后，将样本对应的标签与样本进行关联，构建旋转机械智能诊断数据集，并且将数据集划分为训练集与测试集其中l
j
表示样本s
j
对应的标签，N
train
表示训练集的样本总数，N
test
表示测试集的样本总数；
[0011]步骤5：构建用于提取旋转机械脉冲数据特征的脉冲神经网络智能诊断模型，网络由两个线性网络层进行连接，并且在两个线性网络层之后均设置了LIF脉冲神经元层，用于接收并且继续向后输出脉冲信号；第一个线性层的输入输出维度分别为(V
input
，V
hidden
)，第二个线性层的输入输出维度分别为(V
hid
，V
output
)，其中V
input
为原始样本的总通道数，V
hid
为隐藏层通道数，V
output
为输出类别数；
[0012]步骤6：将步骤4获得的旋转机械智能诊断数据集送入步骤5构建的脉冲神经网络智能诊断模型进行深层特征提取；
[0013]步骤7：采用步骤6获得的深层旋转机械健康状态脉冲数据表征与样本对应的标签数据计算均方误差损失，并且通过损失函数更新对应的模型参数；
[0014]步骤8：重复执行步骤6以及步骤7迭代优化旋转机械智能诊断模型，直至训练完成，得到最终脉冲神经网络智能诊断模型；
[0015]步骤9：将未做标签的测试集输入已经训练完成的最终脉冲神经网络智能诊断模型，输出对应数据所属的健康状态标签。
[0016]所述的步骤1具体为：
[0017]事件流中的事件按事件发生的时间顺序进行储存，事件流表示为：
[0018][0019]其中E表示规定时间T内事件相机采集的所有事件信号，e
i
表示第i个发生的事件，N
T
表示在规定时间T内事件相机所记录区域发生的事件总数；事件流E由单个事件e
i
组成，单个事件e
i
表示为：
[0020]e
i
＝(t
i
，x
i
，y
i
，p
i
)
[0021]其中t
i...

【技术保护点】

【技术特征摘要】
1.一种基于动态视觉与类脑计算的非接触式故障诊断方法，其特征在于，包括以下步骤：步骤1：采用事件相机采集旋转机械在规定时间T内的健康状态信息，即原始事件流数据；步骤2：对事件相机采集的原始事件流数据进行ROI区域筛选，得到目标区域事件流；步骤3：将目标区域事件流转化为脉冲神经网络读取的脉冲数据；步骤4：得到步骤3转化完成的旋转机械脉冲数据集后，将样本对应的标签与样本进行关联，构建旋转机械智能诊断数据集，并且将数据集划分为训练集与测试集其中l
j
表示样本s
j
对应的标签，N
train
表示训练集的样本总数，N
test
表示测试集的样本总数；步骤5：构建用于提取旋转机械脉冲数据特征的脉冲神经网络智能诊断模型，网络由两个线性网络层进行连接，并且在两个线性网络层之后均设置了LIF脉冲神经元层，用于接收并且继续向后输出脉冲信号；第一个线性层的输入输出维度分别为(V
input
,V
hidden
)，第二个线性层的输入输出维度分别为(V
hidden
,V
output
)，其中V
input
为原始样本的总通道数，V
hidde
为隐藏层通道数，V
output
为输出类别数；步骤6：将步骤4获得的旋转机械智能诊断数据集送入步骤5构建的脉冲神经网络智能诊断模型进行深层特征提取；步骤7：采用步骤6获得的深层旋转机械健康状态脉冲数据表征与样本对应的标签数据计算均方误差损失，并且通过损失函数更新对应的模型参数；步骤8：重复执行步骤6以及步骤7迭代优化旋转机械智能诊断模型，直至训练完成，得到最终脉冲神经网络智能诊断模型；步骤9：将未做标签的测试集输入已经训练完成的最终脉冲神经网络智能诊断模型，输出对应数据所属的健康状态标签。2.根据权利要求1所述的方法，其特征在于，所述的步骤1具体为：事件流中的事件按事件发生的时间顺序进行储存，事件流表示为：其中E表示规定时间T内事件相机采集的所有事件信号，e
i
表示第i个发生的事件，N
T
表示在规定时间T内事件相机所记录区域发生的事件总数；事件流E由单个事件e
i
组成，单个事件e
i
表示为：e
i
＝(t
i
,x
i
,y
i
,p
i
)其中t
i
表示第i个事件发生的时间，x
i
表示第i个事件发生的位置在横坐标上相对于事件相机坐标原点像素距离，y
i
表示第i个事件发生的位置在纵坐标上相对于事件相机坐标原点像素距离，p
i
表示第i个事件的极性，分别为0和1，当p
i
为0时，代表该事件为一个负事件，即在t
i
时刻，在相对于事件相机坐标原点的(x
i
,y
i
)位置发生了亮度减小的事件，且该位置亮度减小的程度超过了事件相机的阈值；当p
i
为1时，代表该事件为一个正事件，即在t
i
时刻，在相对于事件相机坐标原点的(x
i
,y
i
)位置发生了亮度增大的事件，且该位置亮度增大的程度超过了事件相机的阈值。
3.根据权利要求1所述的方法，其特征在于，所述的步骤2具体为：针对步骤1中事件相机采集的原始事件流数据，选定一个设置范围的矩形区域作为筛选边界，并且将矩形区域外的所有事件全部舍去，只保留矩形区域内的事件；由步骤1获得的原始事件流数据表示为其中单个事件相对于事件相机坐标原点的位置表示为(x
i
,y
i
)，原始事件流中事件发生的矩形区域范围表示为：其中x
c
为事件相机所能采集事件相对于事件相机坐标原点的最大横向像素距离，y

【专利技术属性】
技术研发人员：李响，陈欣瑞，雷亚国，李乃鹏，杨彬，曹军义，武通海，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：