CN119443153B 一种基于脉冲神经网络的机械故障诊断方法及系统 （苏州大学）

DiagnosticandPrognostic.2024,页.TimeStep:TowardsLoNeuromorphicObjectRecognitionwSpikingNeuralNetworks.Proce一种基于脉冲神经网络的机械故障诊断方及一种基于脉冲神经网络的机械故障诊断方法为PSN神经元，并在脉冲残差网络中嵌入时间步2构建故障诊断网络，所述故障诊断网络包括经元设为PSN神经元，并在脉冲残差网络中通道数改变的两层卷积层之间嵌入时间步长收由32变为16；在脉冲残差网络的第二基本层与第三基本层之间嵌入第二个时间步长收缩将当前采样周期的机械振动信号输入改进门控注意力编码模块，进行脉冲将当前采样周期的脉冲序列输入脉冲残差网络，输出当前采样周将当前采样周期的机械振动信号输入门控注意力单元，生成当前采将当前采样周期的脉冲输出与注意力权重图进行哈达玛积，得到当将当前采样周期的机械振动信号输入时间注意力通道，输出当前采将当前采样周期的机械振动信号依次通过最大池化层、共享多层将当前采样历史周期的机械振动信号依次通过平均池化层、共享多将当前采样周期的第一机械振动特征与第二机械振动特征相加得到当前采样周期的将当前采样周期的机械振动信号输入空间注意力通道，输出当前采3将当前采样周期的时间注意力特征与空间注意力图逐元素相乘后，通过Sigmoid函数通道数改变的两层基本层之间嵌入时间步长收缩层，并将基础网络中的脉冲神经元设为7.根据权利要求1所述的一种基于脉冲神经网络的机械故障诊断方法，其特征在于，断网络中的脉冲神经元设为PSN神经元，并在脉冲残差网络中通道数改变的两层卷积层之间嵌入时间步长收缩层，时间步长收缩层包括：依次连接的全连接层、最大池化层与Softmax分类器；在脉冲残差网络的第一基本层与第二基本层之间嵌入第一个时间步长收脉冲序列获取模块，用于将当前采样周期的机械振动信号输入改进门预测模块，用于将当前采样周期的脉冲序列输入脉冲残差网络，4上述几种网络模型已经被广泛运用于图像识别和故障智能诊断等领域并取得了优异的效5[0004]然而，现有的门控注意力编码模块是用于处理图像的二的特性限制了并行计算的效率，尤其在大规模神经网络的应用中可能导致较高的时间成[0006]为解决上述技术问题，本发明提供了一种基于脉冲神经网络的机械故障诊断方[0008]将当前采样周期的机械振动信号输入改进门控注意力编得到当前采样周期的脉冲序列；脉冲序列。6[0019]将当前采样周期的第一机械振动特征与第二机械振动特征相加得到当前采样周[0021]将当前采样周期的时间注意力特征与空间注意力图逐元素相乘后，通过Sigmo7络的稀疏性与计算效率，避免了传统图像处理网络结构在处理机械振动信号时的局限性，8[0048]时间步长收缩层具有即插即用的特点，可以自由嵌入到脉冲残差网络的层级之在时间步长收缩层的最后，Softmax分类器的引入有助于对提取到的特征进行最终的分类9样周期的脉冲序列。[0074]获取机械故障数据集并进行预处理，将机械故障数据集划分[0082]以某高铁齿轮箱小轴承故障振动数据集为例，该数包为一个类别标签。预处理中以1000个数据点为一个样本，每种子状态下样本数量均为[0088]本实施例二将PSN神经元的时间步长值的大小设置为32，基于SEW_ResNet18构建故障诊断网络得到的预测故障类别标签和真实标签计算得到测试精度由图3可知，本发明提出的一种基于脉冲神经网络的机械故障诊断方法可以有效地聚集相五种健康状态的640个测试样本只发生了一例分类错误，展现了本发明方法优越的诊断性神经元替换为并行PSN神经元，可以使模型高效提取齿轮箱小轴承故障数据集的深层次特[0099]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特所属领域的普通技术人员来说，在上述说明的基础上还可以