针对工业场景下滚动轴承信号易受噪声干扰，导致故障诊断准确率低和稳定性差的问题，湖南工业大学轨道交通学院、湖南工业大学计算机学院的李浩、黄晓峰、邹豪杰、孙英杰，提出一种基于软阈值降噪的脉冲卷积神经网络诊断方法。

该方法使用软阈值滤波去噪，运用带时间标签的卷积层处理二维信号，增强动态特征提取能力。同时，通过引入IF和LIF神经元实现对时域和频域信息的联合编码，并采用替代梯度法进行端到端训练。实验结果显示，在信噪比为6dB时，所提方法的诊断准确率达100%，在信噪比为6dB时诊断准确率达77.33%，优于其他常用方法，表明所提方法在噪声下具有良好的诊断效果和稳定性。

以轴承为关键部件的旋转机械设备约占工业设备的40%。轴承故障可能导致设备停机、损坏甚至事故。然而，旋转机械的实际工作环境复杂多变，用于轴承故障诊断的振动信号易受到噪声干扰，严重影响诊断的准确率和稳定性。因此，研究噪声干扰下的轴承故障诊断对保障设备运行安全、降低维修成本、提高设备效率和延长设备寿命都具有重要意义。

复杂的背景噪声常对传感器采集的信号造成干扰，需要综合运用信号处理方法与设备特性和专家知识，对关键的故障特征进行提取。然而，传统信号处理方法如小波变换和频谱分析仅能识别显著特征，存在一定的局限性。

近年来，随着深度学习的快速发展，越来越多的学者将其应用于故障诊断中。基于深度学习的端到端训练方法，可以直接处理复杂的轴承振动信号，实现故障模式的自动识别。相比传统方法，深度学习技术避免了手工特征工程的限制，使故障诊断更加智能化和准确化。常用的基于深度学习的故障诊断方法包括堆叠降噪自动编码器（SDAE）、卷积神经网络（CNN）、门控循环单元（GRU）、对抗神经网络（GAN）等。

为了更好地模拟生物神经元的工作原理，第三代神经网络——脉冲神经网络（SNN）应运而生。SNN采用更符合生物神经元放电机制的脉冲编码和时序处理方法，使神经元能够实时响应输入，并且仅在输入发生变化时消耗能量。因此，SNN能够更快地处理和反馈输入信息，比传统CNN模型更节省计算资源和能源消耗。此外，SNN还可以通过时间间隔、脉冲频率等时间因素对信息进行编码和处理，这使它在处理与时序相关的任务中具有优势。因此，将SNN应用于轴承振动信号的故障诊断是较为合适的选择。

尽管有关研究文献在各自场景中取得了相对不错的轴承故障诊断效果，但对于轴承故障的诊断仍存在以下问题：1）在保持高诊断率的同时，如何确保较好的稳定性，仍需要进一步研究；2）对于含噪信号的轴承故障诊断，表现出诊断准确率一般且不稳定的特点，如何增强算法的抗噪性、鲁棒性，以及加强算法提取深层特征的能力，仍有待进一步研究。

针对工业场景中滚动轴承振动信号易受噪声干扰，导致故障诊断模型的诊断准确率不高且稳定性差的问题，湖南工业大学的研究人员提出一种基于脉冲卷积神经网络的端到端诊断方法。

图1 所提模型的故障诊断流程

他们首先将原始轴承振动信号进行切片和调整，转换为二维矩阵作为网络输入。然后，利用软阈值编码层对输入进行滤波，用可学习的软阈值函数去除噪声干扰，保留有用的故障特征。接着，带时间标记的卷积层可直接处理二维矩阵输入，同时学习提取时域和频域特征。

图2 STSNN模型架构

为了增强模型对动态信号的处理能力，导入IF（integrate-and-fire）神经元增加时间相关性，实现自适应脉冲特征编码。经池化层降维后，全连接层结合LIF（leak integrate-and-fire）神经元进行分类预测。最后，根据输出层神经元的脉冲发放频率分布，判定所属的故障类别。与此同时，使用均方误差损失函数进行监督训练，通过替代梯度法迭代优化模型参数。

图3 凯斯西储大学轴承试验台

研究人员指出，该模型将软阈值应用于卷积层之后，直接对特征层进行处理，从而在平滑去噪的同时保留有用的信号特征。这种方法有效地抑制了噪声对后续网络的影响，提高了模型的鲁棒性和抗噪性，同时避免了信息损失。

此外，该端到端训练的模型融合了时域编码与频域特征提取技术，为了充分提取信号的时空特征，研究者将时空动态特性与卷积神经网络结合，构建了改进模型。实验中，通过给原始故障信号加入噪声，模拟了工业场景下存在的噪声污染问题，并以此验证了该模型在实际场景中的故障诊断效果和稳定性。

本工作成果发表在2024年第2期《电气技术》，论文标题为“基于软阈值降噪的脉冲卷积神经网络轴承故障诊断方法”，作者为李浩、黄晓峰 等。本课题得到湖南省自然科学基金的支持。