本技术涉及机械故障诊断技术领域，尤其涉及一种基于脉冲神经网络的机械故障诊断方法及系统。本发明构建故障诊断网络，所述故障诊断网络包括:改进门控注意力编码模块与脉冲残差网络；其中，通过将门控注意力编码模块的普通卷积层替换为一维稀疏卷积层，将二维批归一化层替换为一维批归一化层，得到改进门控注意力编码模块；将故障诊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嵌入时间步长收缩层；将当前采样周期的机械振动信号输入故障诊断网络，输出当前采样周期的预测故障类别标签。本发明实现了高效高精度的机械故障智能诊断。
背景技术
机械系统作为工业自动化的重要组成部分，一旦发生故障，将会对企业生产的经济效益造成影响，存在安全隐患。因此，机械系统的故障诊断意义重大。现有的故障诊断方法大致分为基于数学建模的方法和基于数据驱动的方法，基于数学建模的方法存在许多局限，如需要大量先验知识、难以建模复杂系统和维护过程资源消耗较多等。随着人工智能和大数据技术的发展，基于数据驱动的方法近年来得到广泛关注，其主要包括信号处理方法和机器学习方法。其中，信号处理和传统的机器学习方法通常需要一定的先验知识和统计学习的理论知识。与此对应地，机器学习中的深度学习可以自主学习，为分析大容量数据进行故障诊断提供了有力的支撑工具。在研究者们的努力下，近年来涌现了很多深度学习网络模型，如卷积神经网络、长短期记忆网络、生成对抗性网络、图神经网络和Transformer。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果。然而，深度学习作为一种黑盒模型，虽然其性能优异，但却缺乏一定的可解释性。
基于对可解释性的诉求，被称为“第三代神经网络”的脉冲神经网络（SNN）被提出，用于模仿生物神经元的信息传输方式。脉冲神经网络不仅具有较强的生物可解释性，其离散的二值特性也使得其部署到硬件上时可以节省一定的能耗。因此，脉冲神经网络（SNN）很快成为深度学习领域的研究热点。在脉冲神经网络（SNN）初步踏入故障诊断领域之际，研究学者首先通过搭建结构简单的单层脉冲神经网络（SNN）来对滚动轴承进行故障诊断，实验结果证实了脉冲神经网络（SNN）用于机械设备故障诊断的可行性和在可解释性上的独特优势。当前对脉冲神经网络（SNN）的研究分为多个方面，涵盖编码方式、训练算法、神经元模型以及网络架构等等。现有常用的脉冲神经网络（SNN）脉冲编码方式是门控注意力编码，它用于二维图像处理，采用普通的二维卷积层提取输入特征，经过批归一化处理层和脉冲神经元后与门控注意力单元的输出进行逐元素相乘。以上述方式得到门控注意力编码的脉冲编码结果。门控注意力单元完成了时间注意力和空间注意力的融合，注意力机制的加入能够更好指导脉冲编码的过程，因此现有的门控注意力编码方式能够很好地进行脉冲编码。与传统人工神经网络不同，脉冲神经网络（SNN）具有时间概念，融入了时间步长参数，研究学者发现时间步长的设置很大程度上影响了脉冲神经网络（SNN）的训练效果。具体来说，时间步长太大会导致内存不足和训练速度过慢，太小又会导致脉冲神经网络（SNN）的时间特性丢失以及训练效果欠佳；现有的脉冲神经网络（SNN）通常会选择一个固定的适中值，比如4或者8用以避免上述问题。对于脉冲神经元，目前使用的最多的是漏积分点火（LIF）神经元，原因是该神经元模型较好地平衡了生物学特性和计算复杂度。漏积分点火（LIF）神经元通过其动态学充放电和触发复位操作进行串行的迭代过程，完成脉冲神经网络（SNN）信息的传输，取得了较好的训练效果。
然而，现有的门控注意力编码模块是用于处理图像的二维结构和空间相关性的，仅适用于二维图像，而不适合处理一维时间序列信号，因而无法直接用于机械振动信号的脉冲编码；同时，门控注意力编码模块采用普通卷积，在每次卷积操作时会涉及到所有输入的特征或像素，没有充分地考虑哪些区域对特征提取更为重要，使得模型的精度与效率降低。并且，现有脉冲神经网络将时间步长设置为一个固定的适中值，虽然能够一定程度上缓解时间步长对网络训练的不良影响，无法适应不同输入数据的动态变化，而且可能导致不必要的计算，尤其在输入信息较简单或冗余时，时间步长过长会浪费计算资源，过短又可能导致信息损失，进而影响模型的学习速率和收敛效果。此外，机械设备的故障诊断通常需要实时处理大量数据，以实现对设备健康状态的快速评估和预测。漏积分点火（LIF）神经元模型为串行运输方式，每次神经元的状态更新通常依赖于前一时间步的状态，这种逐步更新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本。
实现思路