米兰体育官方网站,米兰体育平台网址,米兰体育官网链接,米兰体育app下载网址,米兰,米兰体育,米兰集团,米兰体育官网,米兰体育app,米兰体育网页版,米兰真人,米兰电子,米兰棋牌,米兰体育APP,米兰体育下载,米兰体育APP下载,米兰百家乐,米兰体育注册,米兰体育平台,米兰体育登录,米兰体育靠谱吗,米兰平台,米兰比賽,米兰买球振动测量与信号处理是机械装备故障诊断的重要方法。目前，主流的接触式振动测量方法已经取得了显著的成果。然而，此类方法对传感器部署环境有较高要求，在很多工程场景下难以适用。因此，非接触式机械振动测量与故障诊断方法逐渐得到广泛关注。事件相机作为一种受生物启发的非接触式动态视觉传感器，具有极高的时间分辨率、高动态范围、低数据冗余等优秀特性，能够从视觉角度准确捕捉机械装备微振动。提出了一种动态视觉赋能的非接触式机械装备智能迁移诊断方法。首先，基于事件相机采集的机械装备动态视觉振动信号，建立了面向动态事件流数据的跨领域扩散生成模型，实现了对实测场景下装备未知故障状态的动态视觉数据智能生成。在此基础上，提出了一种基于类脑计算的动态视觉数据特征提取与装备故障模式智能识别方法，实现了机械装备变工况下跨领域迁移诊断。最后，所提方法在核电机泵冷却循环试验台上针对关键旋转机械部件进行了验证，试验结果表明所提方法实现了基于动态视觉数据的非接触式机械装备智能迁移诊断，为难以部署接触式振动传感器的工程场景下装备振动测量与故障诊断问题提供了一种新型视觉解决方案。

　　事件相机作为一种受生物启发的非接触式动态视觉传感器，能够采集被测对象的动态视觉信号，具有极高的时间分辨率、高动态范围、低数据冗余的优秀特性，在非接触式机械振动测量与故障诊断领域具有良好的应用前景。事件相机没有传统相机的帧率限制，可以高速、异步地捕捉机械装备表面的光强变化，从而间接获取机械装备的振动特征。虽然传统的计算机视觉方法在处理静态图像的故障诊断任务中已经取得了显著的成果，但是其在动态场景或实时监控任务中的表现往往不尽人意。现有的计算机视觉方法通常具有计算量大，占用内存高，难以实际部署等问题，因而在工程实际中没有获得较好的应用。目前文献中基于动态视觉的机械振动测量与诊断研究非常稀缺，尚未充分利用此类新兴的视觉监测手段。与传统的视觉传感原理不同，动态视觉传感器异步地记录像素级明暗变化信息。事件相机的输出与场景光强的变化密切相关，相机上的每一个像素点都可以独立的感受光强的变化并且输出动态视觉数据。针对每一个像素点，只有在微小时间段内亮度变化超过一定阈值才会记录该像素的极性数据，即亮度升高或降低。因此，动态视觉数据结构特殊，无法采用主流的信号处理方式进行分析。

　　脉冲神经网络中的信息交流是通过脉冲实现的，当神经元受到的刺激超过一定的阈值后，就会通过突触向后输出脉冲，因而更符合生物神经元的变化过程。传统的智能诊断算法无法直接用于脉冲神经网络的训练与优化，脉冲神经网络的研究和应用还需要开发新的结构、学习规则和训练方法，以适应其独特的生物神经元模拟特性。目前，基于脉冲神经网络的机械装备故障诊断研究尚处于起步阶段。相较于基于传统深度神经网络的智能诊断方 法，基于脉冲神经网络的方法具有更好的时域信号处理能力与更小的计算压力。ZUO等提出了一种具有多层结构的概率尖峰响应模型，用于轴承的故障诊断并取得了良好的结果。ALI等针对声发射信号，采用脉冲神经网络提取数据的深层特征。尽管现有研究已经取得了初步的成果，但是由于其使用的数据结构与脉冲神经网络并不匹配，因此需要进行额外的数据编码操作，从而增大了数据处理计算量与复杂度。

　　在机械装备智能诊断中，尽管现有的模型在试验中可以取得较高的诊断精度，但当模型实际部署时，往往效果难以达到预期水平。这是由于当前研究通常以试验数据(源域)和实测数据(目标域)服从相同分布为前提。然而，在工程场景中，装备的实际运行状态与试验数据往往存在巨大差异。为了进一步提升模型的泛化能力，迁移学习的思想被引入跨领域迁移诊断问题，并取得了良好的成果。CHOUDHARY等提出了一种基于被动热成像图的故障诊断技术，用于变工况下的轴承故障诊断问题。SCHWENDEMANN等提出了一种基于中间域的分层迁移学习方法，用于转速和轴承类型差异较大时的跨领域诊断问题。贾思祥等针对转子系统的跨工况故障诊断问题，提出了一种基于对抗熵的域泛化网络模型。然而，现有的迁移学习方法通常假设目标域包含装备所有故障状态的监测数据，该假设在工程场景下往往难以实现。一般而言，可供迁移训练的监测数据以装备在健康状态下运行的监测数据为主，只包含少量甚至不包含故障状态数据，给当前的迁移诊断方法提出了巨大的挑战。

　　使用非接触式事件相机采集机械装备振动的动态视觉数据作为表征装备健康状态的信号。不同于传统相机，事件相机不会逐帧记录目标区域内的绝对亮度信息，而是关注区域内像素级别的亮度变化事件。事件相机采集的动态视觉数据包含了一段时间内由于机械振动引起的像素亮度变化信息。具体而言，单独事件是一个四元组： ，其中 表示该事件发生的 时间，x和y分别表示在相机坐标系中事件发生的横纵坐标位置，p表示事件的极性，一般有-1和1这两个可能的取值。当 p = 1 时，表示发生了一个正极性事件(正事件)，即该像素 亮度增大超过一定阈值；反之当 p = − 1 时，该像 素发生了一个负极性事件(负事件)，即该点亮度降低超过一定阈值。

　　为了降低模型训练的随机性影响，各试验均进行了5次，并计算了试验结果的平均值和标准差，如表5和图7所示。在三个不同的迁移诊断试验中，本文提出的方法均具有92%以上的测试准确率，并且标准差低于2%，验证了所提出方法的有效性。由试验结果可以看出，虽然在目标域仅包含健康状态样本的前提下，各迁移诊断方法的精度对比基准方法均有所提升，但是整体诊断精度仍有较大的提升空间。这主要是由于目标域仅包含有限的健康状态数据，难以充分反映目标域的真实数据分布。本文提出了跨领域动态视觉数据智能生成方法，生成的伪故障状态数据能够良好地融合源域故障状态数据和目标域健康状态数据的特征，因此能够实现对领域间数据分布差异更好地度量，从而提升迁移诊断精度。相较于不采用伪数据生成的对比方法，所提方法的迁移诊断精度可以提升15%以上。

　　为了进一步验证所提方法的迁移诊断效果，图8展示了目标域为20 Hz转速时不同方法的测试结果混淆矩阵。由未使用迁移学习的诊断方法结果可以看出，在源域上训练的智能诊断模型对目标域健康状态数据的分类效果较差。当输入部分目标域健康数据时，使用迁移学习的方法可以有效提升诊断模型对目标域健康状态数据的分类效果，但是整体迁移诊断精度仍较低。当使用扩散模型对目标域故障状态数据进行补充后，模型的迁移诊断效果具有显著提升。相较于基于CNN的方法，SNN方法对于迁移诊断知识的学习能力更强。本文所提方法整体迁移诊断效果较好，除在外圈故障类别上有少量误诊样本外，在其他故障状态数据中均可获得近100%的诊断精度。总体而言，相较于传统的智能诊断方法，所提方法对于时序数据的处理能力更强。所提方法在保障故障诊断精度的同时，极大提升了诊断模型的可部署性，扩展了智能诊断方法的应用前景，并且降低了硬件端的计算压力。

　　图9展示了脉冲神经网络模型在一个小批量数据上输出的诊断结果。诊断模型的输出层包含四个预测通道，分别输出脉冲神经网络对滚珠故障、内圈故障、外圈故障以及正常运行这四种健康状态的预测结果。在一个时间循环内，对于单个待测的动态视觉数据样本，输出层会输出对应时间长度的脉冲输出。统计输出层各预测通道输出的尖峰数量，当某一通道被激发的尖峰个数高于其他预测通道，则认为该通道的预测类别即为诊断模型的预测结果。在示例数据中，模型对某一个数据样本的诊断发生了错误，将外圈故障误诊为健康状态，其余数据的诊断结果均与实际状态标签一致。通过上述分析可知，本文所提方法实现了基于动态视觉的装备迁移诊断，在多种测试任务中均取得了良好的诊断结果。