[发明专利]基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统

权利要求书

1.一种基于增强事件视觉数据的滚动轴承智能故障诊断方法，其特征在于，包括以下步骤：

步骤1，数据采集：采用事件相机作为传感器对滚动轴承的健康状态进行非接触式的采集，共采集七类不同健康状态的原始轴承振动信号作为原始事件流数据，七类不同健康状态包括正常状态、外圈故障、内圈故障以及滚动体故障，并且三类故障类型均在轻载以及重载状态下分别进行了采集；

步骤2，数据预处理：首先根据目标区域对原始事件流数据进行筛选，然后将筛选后目标区域事件流数据通过二维特征重构转化为事件帧数据，之后将事件帧数据划分为训练数据集与测试数据集，并且根据轴承的健康状态为其赋予了对应类别的标签，以构建原始数据集；然后结合扩散模型生成额外的样本用于补充原始数据集；最后，对测试数据集进行了加噪处理，从而构建最终的智能诊断数据集；

步骤3，模型构建：将智能诊断数据集输入初始智能诊断模型进行训练，构建事件帧数据与对应标签之间的映射关系，最终训练得出智能故障诊断模型；

步骤4，故障诊断：根据智能故障诊断模型，对滚动轴承的健康状态进行模型测试，并且最终输出诊断结果。

2.根据权利要求1所述的方法，其特征在于：在步骤1中，采用事件相机进行数据采集，其中单个事件表示为e_i：

e_i＝(t_i,x_i,y_i,p_i)

其中e_i表示第i个事件，t_i表示第i个事件发生的时间，x_i表示第i个事件发生位置的横坐标值，y_i表示第i个事件发生位置的纵坐标值，p_i表示事件发生的极性，p_i＝+1代表像素亮度增加，即发生了正事件；p_i＝-1代表像素亮度减小，即发生了负事件；当事件相机捕捉到一系列事件发生后，就会不断生成事件，一段时间内这些事件的集合可以表示为事件流E:

其中，N为这一段时间内发生的事件总数。

3.根据权利要求1所述的方法，其特征在于：在步骤2中，针对原始事件流数据，只保留目标区域发生的事件，剔除其他背景事件。

4.根据权利要求1所述的方法，其特征在于：在步骤2中，将目标区域的事件流数据转化为事件帧的步骤，具体包括：

对筛选后的目标区域事件流数据进行划分，获取一定时间内的事件流信号，并且设置生成单个样本所需的事件数量L以及两个样本之间的步长D，则第一个样本所需的事件流数据表示为E₁＝[e₁,e₂,…,e_L]，第二个样本表示为E₂＝[e_1+D,e_2+D,…,e_L+D]，第k个样本所需的事件流数据表示为E_k＝[e_1+(k-1)D,e_2+(k-1)D,…,e_L+(k-1)D]，以此类推获得生成所有样本所需的事件流数据；

基于事件流转换模型，将事件相机所采集的对应目标区域事件流转换为事件帧；当事件流中有正事件发生时，并且此时刻之前该事件发生的位置没有发生过正事件时，事件流转换模型表示为：

其中，I(x,y)代表在事件帧(x,y)处的像素值，I的下标R、G、B代表需要对事件帧三个通道中的某个通道单独进行操作，V_base为基础像素值，将像素值设为事件帧最高像素值的一半；

当事件流中有正事件发生时，并且此时刻之前该事件发生的位置发生过正事件时，事件流转换模型表示为：

其中M_P与M_N分别表示事件流中在同一位置发生最多次的正事件以及负事件个数；

当事件流中有负事件发生时，并且此时刻之前该事件发生的位置没有发生过负事件时，事件流转换模型表示为：

当事件流中有负事件发生时，并且此时刻之前该事件发生的位置发生过负事件时，事件流转换模型表示为：