1.一种基于脉冲神经网络的轴承故障诊断方法,其特征在于,其包括:
构建一个用于根据输入的轴承振动信号预测轴承的故障类型的脉冲神经网络;所述脉冲神经网络依次包括特征提取模块、多尺度注意力模块和分类器;所述特征提取模块依次包括卷积层、最大池化层以及基于LIF神经元模型的脉冲编码层,并用于对输入的轴承振动信号进行特征提取、下采样和脉冲触发式传递进而得到状态特征;所述多尺度注意力模块包括三个注意力分支,每个分支依次包括带残差连接的双脉冲注意力模块和深度可分离脉冲前馈网络,双脉冲注意力模块的卷积核分别为16、8、4;经三个分支提取的注意力加权后的增强特征经过特征拼接后作为融合特征;分类器用于通过平均池化层和全连接层根据融合特征生成分类结果;
获取不同故障类型的原始振动信号,对其进行预处理并添加故障标签后作为样本数据;将包含大量样本数据的样本数据集划分为训练集、测试集和验证集;利用交叉熵损失作为损失函数,采用替代梯度算法对脉冲神经网络进行监督训练,并保留满足性能要求的模型参数;
实时采集目标轴承运行过程中的轴承振动信号,将其输入到预训练后的脉冲神经网络中,以生成故障类型的预测结果。
2.如权利要求1所述的基于脉冲神经网络的轴承故障诊断方法,其特征在于:所述脉冲编码层的膜电位更新公式为:;
上式中,vl(t-1)和vl(t)分别为第l层神经元在t-1时刻和t时刻的膜电位;Wl表示为第l层神经元的层间突触的权重,sl-1(t)为前层神经元的脉冲输出;θl-1表示前层神经元的阈值;表示膜时间常数;
当前层神经元的脉冲输出sl(t)为:
;
上式中,H(·)表示Heaviside阶跃函数,θl表示当前层神经元的阈值。
3.如权利要求2所述的基于脉冲神经网络的轴承故障诊断方法,其特征在于:在训练阶段,替代梯度算法通过如下的连续可微的替代梯度函数计算脉冲编码层中神经元脉冲输出;并利用替代激活函数导出的梯度更新权重:;
上式中,表示偏导符号;表示替代激活函数的导函数,采用sigmoid函数或软阈值的平滑函数;
权重更新规则为:
;
上式中,ΔWl表示更新后的第l层神经元的层间突触的权重,L表示损失函数,η表示学习率。
4.如权利要求1所述的基于脉冲神经网络的轴承故障诊断方法,其特征在于,在所述双脉冲注意力模块中,输入特征分为两路,其中一路依次经过卷积层、脉冲编码层和批归一化层处理后与另一路的输入进行矩阵乘法,运算后得到的特征图特征经脉冲编码层处理后得到注意力图;将注意力图与批归一化层的输出再次进行矩阵乘法,得到的特征再次经脉冲编码层处理后即为双脉冲注意力模块的输出;
其中,每次矩阵乘法运算后还将矩阵的标准差作为缩放因子以调整注意力分数的幅值。
5.如权利要求4所述的基于脉冲神经网络的轴承故障诊断方法,其特征在于:所述深度可分离脉冲前馈网络由3个脉冲编码层、2个点卷积层和1个深度可分离卷积模块构成;输入特征依次经过脉冲编码层、点卷积层和脉冲编码层处理后输入到深度可分离卷积模块,对深度可分离卷积的输入和输出进行残差连接后,再分别经脉冲编码层和点卷积层处理,得到深度可分离脉冲前馈网络的输出特征。
6.如权利要求5所述的基于脉冲神经网络的轴承故障诊断方法,其特征在于:所述脉冲神经网络预测的轴承的故障类型包括:不同尺寸的内圈故障、外圈故障、滚动体故障,以及正常状态。
7.如权利要求1所述的基于脉冲神经网络的轴承故障诊断方法,其特征在于:样本数据的预处理方法包括如下步骤:(ⅰ)采用Z-score归一化方法统一所有原始信号数据分布;
(ⅱ)将原始信号按固定长度进行分段处理后作为样本信号;
(ⅲ)向样本信号中添加信噪比范围为-4dB至4dB的高斯白噪声以实现数据增加,其中,添加的高斯白噪声符合均值为0、方差为特定值的正态分布特性。
8.一种存储介质,其内存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,创建出如权利要求1-7中任意一项所述的基于脉冲神经网络的轴承故障诊断方法中训练出的脉冲神经网络,并用于对输入的轴承振动信号进行故障预测。
9.一种计算机程序产品,其包括计算机程序,其特征在于,所述计算机程序被处理器执行时,创建出如权利要求1-7中任意一项所述的基于脉冲神经网络的轴承故障诊断方法中训练出的脉冲神经网络,并用于对输入的轴承振动信号进行故障预测。
10.一种轴承的故障自监测装置,其特征在于:其包括加速度传感器以及分析仪;所述加速度传感器安装在设备上的轴承处,并用于采集目标轴承的原始振动信号;所述分析仪包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行计算机程序时,创建出如权利要求1-7中任意一项所述的基于脉冲神经网络的轴承故障诊断方法中训练出的脉冲神经网络;所述分析仪用于实时接收加速度传感器采集到的原始振动信号,将其转换为轴承振动信号后输入到所述脉冲神经网络以实现故障预测。