(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211161953.7 (22)申请日 2022.09.23 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 李响　俞舒鹏　雷亚国　李乃鹏　 武通海　曹军义　王硕　杨彬　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 贺建斌 (51)Int.Cl. G01M 13/04(2019.01) G01M 13/045(2019.01) G06T 7/00(2017.01) (54)发明名称 一种基于事件相机的滚动轴承故障诊断方 法 (57)摘要 一种基于事件相机的滚动轴承故障诊断方 法， 首先利用事件相机获取滚动轴承在不同健康 状态下的视觉事件信号； 其次根据视觉事件的极 性进行事件的划分和构建事件表征数据集； 再次 构建智能诊断模型自动获取监测样本的深层故 障特征， 在训练迭代时同时对与输入样本进行数 据增强和表征聚类； 最后利用构建的聚类损失函 数以及交叉熵损失函数， 迭代优化智能诊断模型 的目标函数； 本发明所构建的智能诊断模型考虑 到视觉事件流数据的特殊性， 对于视觉事件流数 据进行重构， 可以直接利用事件相机记录的数据 完成滚动轴承的健康状态识别， 实现了非接触式 的滚动轴承健康状态采集同时完成新型事件流 信号的诊断识别， 从而实现基于事件相机的滚动 轴承故障诊断。 权利要求书2页 说明书7页 附图2页 CN 115452373 A 2022.12.09 CN 115452373 A 1.一种基于事 件相机的滚动轴承故障诊断方法， 其特 征在于， 包括以下步骤： 步骤1： 利用事件相机获取滚动轴承的一系列时间连续的视觉事件数据 其中， ei 表示第i个视觉事件数据， ne为使用事件相机记录数据的时间段te内记录的视觉事件总数； 事件ei包括四个元素的向量 ei＝[x,y,t,p],为事件相机上位于[x,y]位置处的像素点在t时 刻的事件， p为该事件的极性， 由该位置的像素点的亮度变化决定： 像素点亮度增加时p取值 +1， 事件为正极性； 像素点亮度减少时p取值 ‑1， 事件为负极性； 步骤2： 根据视觉事件的极性构建二维事件表征， 对步骤1中采集的视觉事件数据进行 重构： 式中， ri表示构建的第i个事件表征， 由ri+和ri‑两个通道构成， ri+通道中为正极性事件 样本的累加， ri‑为负极性事件样本的累加， 每个事件样本大小为Nx×Ny的二维数据， 并且是 由时间序列中相同数量的事 件构成； 步骤3： 构建事件训练集 将步骤2中构建的二维事件表 征构建成训练 数据集， hi表示ri事件表征对应的轴承健康状态标签， ntrain表示训练样本的总数； 步骤4： 对步骤3中构建的事件训练集进行采样得到原始事件样本， 对原始事件样本进 行数据增强， 获得增强事件样本 利用设置的事件数量阈值nthre对于事件训练集中的二维 事件样本进行区域筛选， 任意一个 二维事件样本ri中的ri+和ri‑通道里像素数量 大于或等于 nthre时该样本属于事 件密集区域； 对于事 件密集区域内的二维事 件样本增 加高斯噪声， 即： G～N(0,1) 式中,N(0,1)表示标准高斯分布， αnoise表示比例系数， int()表示数值取整， 和 表 示增加了高斯噪声的通道； 步骤5： 将步骤4将采样得到的原始事件样本和经过数据增强得到的增强事件样本送入 初始智能诊断模型， 获得高级特 征表征集 合； 步骤6： 对初始智能诊断模型进行优化， 利用步骤5中获得的高级特征表征集合进行表 征聚类， 最小化模型学习到的相同健康状态的样本特征中间的相互距离， 将相同健康状态 的样本进一 步聚类：权　利　要　求　书 1/2 页 2 CN 115452373 A 2式中， Lcluster表示构建的聚类损失函数， Nc表示滚动轴承健康状态的种类数目， 表示 模型高层中学习到的第i类健康状态的样本的特征表征， 包括原始事件样本和增强事件样 本， 表示 中的第i个样本， 表示 中特征表征的均值向量， ni,aug表示 中样本的数 量； 步骤7： 利用步骤6中得到的聚类损失函数Lcluster计算总的优化目标损失函数Ltotal， 以 此来优化跟新模型参数θ： Ltotal＝Ls+β Lcluster 式中， η表示学习率， Ls为交叉熵损失函数， β 表示 惩罚因子； 步骤8： 重复执 行步骤4‑步骤7迭代优化智能诊断模型， 获得最终智能诊断模型； 步骤9： 将未标记的事件表征数据集输入至训练好的最终智能诊断模型中， 输出所对应 的健康状态即为预测健康状态。 2.根据权利要求1所述的方法， 其特 征在于， 所述的步骤5具体为： 5.1)对于输入的原始事件样本和增 强事件样本进行特征提取， 依次为卷积层、 线性整 流函数激活层和最大池化层； 5.2)神经网络提取的特征利用平铺层平铺为一维向量， 再经过全连接层降维， 最后经 过Softmax函数输出分类结果。权　利　要　求　书 2/2 页 3 CN 115452373 A 3