Abstract Fault diagnosis, with the aim of accurately identifying the presence of various faults as early as possible so at to provide effective information for maintenance planning, has been extensively concerned in advanced manufacturing systems. With the increase of the amount of condition monitoring data, fault diagnosis methods have gradually shifted from the model-based paradigm to data-driven paradigm. Intelligent fault diagnosis approaches which can automatically mine useful information from a huge amount of raw data are becoming promising ways to identify faults of manufacturing systems in the context of massive data. In this paper, the Spiking Neural Network (SNN), as the third generation neural network, is tailored as an intelligent fault diagnosis tool for bearings in rotating machinery. Compared to the perceptron and the back propagation neural network (BPNN) which are respectively the first and second generations of neural networks. SNN, which introduces the concept of time into its operating model can more closely mimic natural neural networks and possesses high bionic characteristics. In the proposed SNN-based approach to bearing fault diagnosis, features extracted from raw vibration signals through the local mean decomposition (LMD) are encoded into spikes to train an SNN with the improved tempotron learning rule. The performance of the proposed method is examined by the CWRU and MFPT datasets, and the experimental results show that the method can achieve a promising accuracy in bearing fault diagnosis.

中文翻译：

---

基于脉冲神经网络的轴承故障诊断方法

摘要 故障诊断以尽早准确识别各种故障的存在为目的，为维修计划提供有效信息，已成为先进制造系统中广泛关注的问题。随着状态监测数据量的增加，故障诊断方法逐渐从基于模型的范式转向数据驱动的范式。可以从大量原始数据中自动挖掘有用信息的智能故障诊断方法正在成为在海量数据背景下识别制造系统故障的有希望的方法。在本文中，尖峰神经网络（SNN）作为第三代神经网络，被量身定制为旋转机械轴承的智能故障诊断工具。与分别是第一代和第二代神经网络的感知器和反向传播神经网络（BPNN）相比。将时间概念引入其运行模型的 SNN 可以更接近地模拟自然神经网络，并具有高仿生特性。在提出的基于 SNN 的轴承故障诊断方法中，通过局部均值分解 (LMD) 从原始振动信号中提取的特征被编码为尖峰信号，以使用改进的 tempotron 学习规则训练 SNN。通过CWRU和MFPT数​​据集​​对所提出方法的性能进行了检验，实验结果表明该方法在轴承故障诊断中取得了良好的准确性。将时间概念引入其操作模型，可以更接近地模拟自然神经网络，并具有高仿生特性。在提出的基于 SNN 的轴承故障诊断方法中，通过局部均值分解 (LMD) 从原始振动信号中提取的特征被编码为尖峰信号，以使用改进的 tempotron 学习规则训练 SNN。通过CWRU和MFPT数​​据集​​对所提出方法的性能进行了检验，实验结果表明该方法在轴承故障诊断中取得了良好的准确性。将时间概念引入其操作模型，可以更接近地模拟自然神经网络，并具有高仿生特性。在提出的基于 SNN 的轴承故障诊断方法中，通过局部均值分解 (LMD) 从原始振动信号中提取的特征被编码为尖峰信号，以使用改进的 tempotron 学习规则训练 SNN。通过CWRU和MFPT数​​据集​​对所提出方法的性能进行了检验，实验结果表明该方法在轴承故障诊断中取得了良好的准确性。通过局部均值分解 (LMD) 从原始振动信号中提取的特征被编码为尖峰信号，以使用改进的 tempotron 学习规则训练 SNN。通过CWRU和MFPT数​​据集​​对所提出方法的性能进行了检验，实验结果表明该方法在轴承故障诊断中取得了良好的准确性。通过局部均值分解 (LMD) 从原始振动信号中提取的特征被编码为尖峰信号，以使用改进的 tempotron 学习规则训练 SNN。通过CWRU和MFPT数​​据集​​对所提出方法的性能进行了检验，实验结果表明该方法在轴承故障诊断中取得了良好的准确性。