爱游戏平台官网:

　　李响, 陈欣瑞, 雷亚国, 李乃鹏, 杨彬, 俞舒鹏. 动态视觉赋能的非接触式装备迁移诊断[J]. 机械工程学报, 2024, 60(24): 1-10.

　　摘要：振动测量与信号处理是机械装备故障诊断的重要方法。目前，主流的接触式振动测量方法已经取得了显著的成果。然而，此类方法对传感器部署环境有较高要求，在很多工程场景下难以适用。因此，非接触式机械振动测量与故障诊断方法逐渐得到普遍关注。事件相机作为一种受生物启发的非接触式动态视觉传感器，具有极高的时间分辨率、高动态范围、低数据冗余等优秀特性，能够从视觉角度准确捕捉机械装备微振动。提出了一种动态视觉赋能的非接触式机械装备智能迁移诊断方法。首先，基于事件相机采集的机械装备动态视觉振动信号，建立了面向动态事件流数据的跨领域扩散生成模型，实现了对实测场景下装备未知故障状态的动态视觉数据智能生成。在此基础上，提出了一种基于类脑计算的动态视觉数据特征提取与装备故障模式智能识别方法，实现了机械装备变工况下跨领域迁移诊断。最后，所提方法在核电机泵冷却循环试验台上针对关键旋转机械部件进行了验证，试验根据结果得出所提方法实现了基于动态视觉数据的非接触式机械装备智能迁移诊断，为难以部署接触式振动传感器的工程场景下装备振动测量与故障诊断问题提供了一种新型视觉解决方案。

　　机械装备在人机一体化智能系统、交通运输、航空航天等领域至关重要，及时、准确的故障诊断是保证其安全可靠运行的关键。尽管现有方法在试验场景下已经取得了良好的故障诊断效果，然而，如何在工程场景下实现高效、准确的故障诊断仍是亟待解决的问题。

　　为了获取机械装备的健康状态信息，一般会用接触式测量方法收集装备的振动信号，以此评估其健康状态。然而，由于接触式振动测量方法需要将传感器直接部署于装备上，因此可能会影响被测装备的运作时的状态。同时，这类方法对传感器安装空间、部署环境等因素的要求比较严格。因此，接触式振动测量与故障诊断方法在很多工程场景下往往难以适用。近年来，多种非接触式测振方法发展迅速，如电涡流测振、激光测振、高速相机测振等。然而，现有的非接触式测振方法往往存在部署困难、鲁棒性差、数据冗余等不足。

　　事件相机作为一种受生物启发的非接触式动态视觉传感器，能够采集被测对象的动态视觉信号，具有极高的时间分辨率、高动态范围、低数据冗余的优秀特性，在非接触式机械振动测量与故障诊断领域拥有非常良好的应用前景。事件相机没有传统相机的帧率限制，可以高速、异步地捕捉机械装备表面的光强变化，从而间接获取机械装备的振动特征。虽然传统的计算机视觉方法在处理静态图像的故障诊断任务中已经取得了显著的成果，但是其在动态场景或实时监控任务中的表现往往不尽人意。现有的计算机视觉方法通常具有计算量大，占用内存高，难以实际部署等问题，因而在工程实际中没获得较好的应用。目前文献中基于动态视觉的机械振动测量与诊断研究非常稀缺，尚未充分的利用此类新兴的视觉监测手段。与传统的视觉传感原理不同，动态视觉传感器异步地记录像素级明暗变化信息。事件相机的输出与场景光强的变化紧密关联，相机上的每一个像素点都可以独立的感受光强的变化并且输出动态视觉数据。针对每一个像素点，只有在微小时间段内亮度变化超过一定阈值才会记录该像素的极性数据，即亮度升高或降低。因此，动态视觉数据结构特殊，无法采用主流的信号解决方法进行分析。

　　近年来，一类模拟生物神经元动力学的脉冲神经网络(Spiking neural networks，SNN)框架被提 出。相较于传统神经网络，脉冲神经网络可以更好地处理时间序列数据中的时域信息，以此来实现对数据时空信息的高效表征与处理。同时，由于脉冲神经网络具有特殊的拓扑结构，可以直接实现对异步动态视觉数据的分析与处理。由于脉冲神经网络是对大脑神经元信息处理方式的进一步模拟，因此这类模型也被称为类脑计算或神经形态计算模型。脉冲神经网络具有能耗低、时序信息处理能力强、生物学基础更完善等优势，在机械装备故障诊断领域具有广阔的应用前景。

　　脉冲神经网络中的信息交流是通过脉冲实现的，当神经元受到的刺激超过一定的阈值后，就会通过突触向后输出脉冲，因而更符合生物神经元的变化过程。传统的智能诊断算法无法直接用于脉冲神经网络的训练与优化，脉冲神经网络的研究和应用还需要开发新的结构、学习规则和训练方法，以适应其独特的生物神经元模拟特性。目前，基于脉冲神经网络的机械装备故障诊断研究尚处于起步阶段。相较于基于传统深度神经网络的智能诊断方 法，基于脉冲神经网络的方法具有更加好的时域信号解决能力与更小的计算压力。ZUO等提出了一种具有多层结构的概率尖峰响应模型，用于轴承的故障诊断并取得了良好的结果。ALI等针对声发射信号，采用脉冲神经网络提取数据的深层特征。尽管现有研究已经取得了初步的成果，但是由于其使用的数据结构与脉冲神经网络并不匹配，因此就需要进行额外的数据编码操作，从而增大了数据处理计算量与复杂度。

　　在机械装备智能诊断中，尽管现有的模型在试验中能取得较高的诊断精度，但当模型实际部署时，往往效果难以达到预期水平。这是由于当前研究通常以试验数据(源域)和实测数据(目标域)服从相同分布为前提。然而，在工程场景中，装备的实际运作时的状态与试验数据往往存在巨大差异。为了逐步提升模型的泛化能力，迁移学习的思想被引入跨领域迁移诊断问题，并取得了良好的成果。CHOUDHARY等提出了一种基于被动热成像图的故障诊断技术，用于变工况下的轴承故障诊断问题。SCHWENDEMANN等提出了一种基于中间域的分层迁移学习方法，用于转速和轴承类型差异较大时的跨领域诊断问题。贾思祥等针对转子系统的跨工况故障诊断问题，提出了一种基于对抗熵的域泛化网络模型。然而，现有的迁移学习方法通常假设目标域包含装备所有故障状态的监测数据，该假设在工程场景下往往难以实现。一般而言，可供迁移训练的监测数据以装备在健康状态下运行的监测数据为主，只包含少量甚至不包含故障状态数据，给当前的迁移诊断方法提出了巨大的挑战。

　　针对以上问题，提出了动态视觉赋能的非接触式机械装备智能迁移诊断方法，该方法整体框架如图1所示。首先，采用非接触式事件相机收集机械振动的动态视觉数据；其次，建立了面向动态视觉事件流数据的跨领域扩散生成模型，实现了对测试场景下装备未知故障状态的动态视觉数据智能生成；在此基础上，提出了一种基于类脑计算技术的动态视觉数据特征提取与故障模式智能识别方法，解决了目标域无法获取故障数据场景下的跨领域诊断难题，实现了非接触式装备智能迁移诊断。

　　使用非接触式事件相机采集机械装备振动的动态视觉数据作为表征装备健康状态的信号。不同于传统相机，事件相机不会逐帧记录目标区域内的绝对亮度信息，而是关注区域内像素级别的亮度变化事件。事件相机采集的动态视觉数据包含了一段时间内由于机械振动引起的像素亮度变化信息。具体而言，单独事件是一个四元组： ，其中 表示该事件发生的 时间，x和y分别表示在相机坐标系中事件发生的横纵坐标位置，p表示事件的极性，一般有-1和1这两个可能的取值。当 p = 1 时，表示发生了一个正极性事件(正事件)，即该像素 亮度增大超过一定阈值；反之当 p = − 1 时，该像 素发生了一个负极性事件(负事件)，即该点亮度降低超过一定阈值。

　　经过一段连续时间的拍摄，就可以获得一系列事件构成的动态视觉事件流数据，具体可以表示为 ，其中 e i 表示第 i 个发生的事件， N e 表示发生的事件总数。 在三维空间中，如图2所示，事件流可以视为一类包含空间信息的像素级时序脉冲数据。

　　将事件相机采集的事件流数据记为 。 其中，源域数据定义为 ， 目标域数据定义为 。 在 目标域中，使用部分装备健康状态数据用于模型训练，定义为 ，其余数据用于模型测试，定义为 。 因此，本文使用的训练集 D train 与测试集 D test 可以表示为

　　式中， N s 与 N t 分别表示源域以及目标域事件总数， N t,train 与 N t,test 分别表示在目标域中用于模型训练和测试的事件总数。

　　由于用于模型训练的目标域数据Et,train仅包含装备在健康状态下的监测数据，因而会导致迁移诊断模型对目标域分布估计不准确，从而没办法实现高精度的迁移诊断。因此，为了更准确地估计目标域数据分布以提升迁移诊断效果，本文提出面向动态视觉事件流数据的扩散模型，实现对目标域未知故障状态数据的智能生成。

　　扩散模型是一类生成式模型，能够从噪声中生成有着非常丰富特征的数据。 扩散模型包含两个主要过程，分别是前向扩散过程以及逆向生成过程。 前向扩散过程对原始样本逐步施加高斯噪声，逆向生成过程对加噪数据逐步去噪，从而逐步生成符合真实数据分布的样本。

　　具体而言，本文所提方法有两个主要过程，分别为训练过程与采样过程。在训练过程中，对于源域数据 ，取全部健康状态数据 输入前向扩散过程进行加噪， 为源域中全部健康状态事件数量。 定义噪声序列为 ，从 T 中任取一个值 k ，表示对原始样本叠加k次高斯噪声。 前向扩散过程可以表示为

　　式 中， 表示输入的原始健康状态样本， 表示 叠加k次噪声的样本， 表示由原始样本推得噪声样本的条件概率分布， I 为单位矩阵， 是与噪声相关的参数。 获得噪声样本 后，可通过逆向过程逐步生成样本。

　　为 扩散模型的待优化参数， 表示由样本 推得上一步样本 的条件概率分布， 为逆向过程噪声分布的均值。 逆向过程中所需预测的高斯噪声方差通常直接给定，而高斯噪声的均值是无法直接获得的，需要采用深度神经网络对其进行近似的预测，并且通过神经网络的训练不断地迭代和更新，直到找到可以轻松又有效地将噪声还原为原始样本的高斯噪声均值。 预测出逆向过程中所需去除的噪声分布后，即可通过扩散模型生成伪样本。 不同于原始扩散模型，本文为了通过源域健康状态数据生成源域故障状态数据，采用源域故障样本 对逆向生成过程做监督， N s , fault 为源域中故障数据事件数量。 因此优化函数 L k 定义为

　　式中， 为故障状态样本前向扩散过程中真实的噪声分布均值， 为根据健康状态样本预测得到的噪声分布均值， 以及 分别为原始故障状态样本以及加噪 k 次后的样本。 通过上述过程即可训练得到由健康状态数据生成对应故障状态数据的智能扩散生成模型。

　　在 采样过程中，取目标域中部分健康状态样本 输入训练好的扩散模型，即可生成对应的故障状态样本 ， N t,diff 为扩散模型生成的目标域故障数据事件数量。 生成的故障状态样本包含了源域故障状态样本以及目标域健康状态样本的特征，因此能认为是对目标域故障状态数据分布更加准确的估计。 使用扩散模型生成的伪数据对整体训练数据集进行增强，更新后的训练集可以表示为

　　脉冲神经网络作为新一代神经网络模型，具有更加好的时域信号处理与特征提取能力。脉冲神经网络依照生物神经元的行为模式构建，使用离散的脉冲信号作为输入和输出，因而更贴近生物大脑的工作机制。在脉冲神经网络中，积分泄漏模型(Leaky integrate and fire，LIF)类脑计算神经元较为流行并在很多任务中取得了良好的效果。LIF神经元对输入的脉冲数据来进行类生物神经元的计算，包括积分、泄漏、发放以及传递四个过程。

　　为时间常数， u 为LIF神经元的膜电位， 为静息电位， 为重置电位， u th 为点火阈值电位， 为第 m 个突触的权重， 为积分时间窗口， 为延时核函数， o s 为神经元输出。 LIF神经元接收前一层神经元的脉冲，当输入脉冲积分值超过阈值 u th 时，即向后层发放一个脉冲，并且电位重置为 。 LIF脉冲神经元与传统神经元的主要区别如图3所示。

　　基于LIF神经元模型，本文提出的深度脉冲神经网络结构如表1所示。具体而言，脉冲数据的时间维度将首先被合并。然后，通过四个脉冲卷积模块(SpikeConv2d+IAFSqueeze)提取数据的深层特征。在前三个相邻的脉冲卷积模块之间，穿插使用了两个求和池化层(SumPool2d)压缩数据特征。之后，这些深层脉冲特征被展平至一维，通过线性脉冲层(SpikeLinear)输出。最后，解压输出特征的时间维度，并通过分类器进行故障诊断。

　　在当前文献中，采用以领域自适应为代表的迁移学习方法在隐藏层缩小源域和目标域的数据分布差异是提升迁移诊断精度的有效途径。本文的迁移诊断问题如图4所示，相较于传统的迁移诊断问题，本文主要是针对目标域无法获取装备故障状态数据的场景，因此所解决的问题更贴合工程实际。

　　对于脉冲神经网络，首先计算诊断分类损失函数 L cls ，将式(6)、(7)以可迭代的形式表示为

　　式中， 表示在第 q 层，第 m 个LIF神经元的第 n 个网络权重， t s 为时间步， f (·) 为阶跃函数， 与 表示在 t s + 1 时刻第 q + 1 层上第 m 个神经元的膜电位与输出。 因此，模型的分类损失 L cls 可以表示为

　　式中， 为最后一层的输出脉冲， L 为源域样本标签， N ts 是时间通道数。 此外，为了度量源域数据与目标域数据的分布差异，本文使用最大均值差异(Maximum mean discrepancy，MMD)作为度量指标。 通过度量脉冲神经网络输出的源域与目标域之间深层特征的差异，从而优化损失函数的构造，进而实现机械装备的迁移诊断。 具体而言，源域数据和目标域数据的分布距离差异可以表示为

　　与 分别表示源域特征 和目标域特征 的分布， E 表示期望。 因此，模型的总体优化目标可以表示为

　　为分布距离度量损失的权重。 基于LIF模型的脉冲神经网络时空反向传播算法如下式所示

　　为学习率。 该时空反向传播算法同时考虑了时域信息和空间信息的多维度参数更新方法，模型能够准确的通过前层输入脉冲以及当前膜电位判断该时刻是否应该输出一个脉冲。 通过执行上述流程，就可以获得具有迁移诊断能力的脉冲神经网络模型。

　　本文所提动态视觉赋能的非接触式机械装备振动测量与迁移诊断方法执行流程如图5所示。

　　(1) 使用非接触式事件相机采集机械振动的动态视觉数据，并定义所要解决的迁移诊断问题。

　　(2) 在源域中取健康状态数据 输入扩散模型作为扩散起点，同时使用源域中的故障状态数据 进行监督学习，从而获得扩散模型。

　　(3) 在目标域取部分健康状态数据 输入扩散模型，生成目标域未知故障状态样本 ，从而丰富并扩充训练数据集。

　　(4) 将上述训练集输入脉冲神经网络模型进行特征提取，计算领域间分布距离度量损失 L MMD 以及分类损失 L cls ，更新模型参数。

　　(5) 迭代训练至模型收敛，将测试集 D test 输入训练完成的迁移诊断模型，获得测试结果。

　　本文所提动态视觉赋能的非接触式机械装备智能迁移诊断方法在图6所示的核电机泵冷却循环试验台上进行了验证。试验台的主体包括一个三相异步电动机、一个离心泵、一个水箱、一套循环管道、一套阀门以及一套控制系统。试验台由电机进行驱动，并通过联轴器与轴连接，从而驱动水泵工作。轴通过轴承与底座相连，轴承型号为ER-16K，事件相机正对于轴承位置放置，相机核心参数如表2所示。该试验台可以模拟多种转速及负载下的机泵系统工作状态，为方法的验证提供了充足的数据。

　　试验考虑了关键支撑轴承四类不同的健康状态，包括正常状态、外圈故障、内圈故障以及滚动体故障。源域数据在40 Hz的转速下采集，目标域数据分别在20 Hz、25 Hz与30 Hz的转速下采集，数据集总数据量为4 000个样本，如表3所示。其中，源域数据共包括1 600个带标签样本，含有四类不同健康状态各400个样本。目标域数据包括三种不同转速各800个无标签样本，其中400个样本为目标域中健康状态的数据，剩余400个样本为测试集，包含四类不同健康状态各100个样本。为了进一步验证所提出模型的泛化性能，在测试集上对数据样本施加了标准差为0.6的高斯噪声干扰。

　　为了补充在原始训练数据中缺失的目标域故障状态样本，使用扩散模型对这些未知故障数据来进行生成。具体而言，首先取源域中健康状态的数据作为扩散模型的输入。然后，分别使用另外三类故障状态数据，包括滚珠故障、外圈故障以及内圈故障对扩散结果做监督学习。最后，将目标域中健康状态的数据输入扩散模型，获得目标域的故障状态数据样本。扩散模型的具体参数如表4所示。

　　通过采用扩散模型，在不同转速下均生成了1 200个目标域故障状态伪样本，包含三类不同故障各400个样本。生成的样本用于补充目标域缺失的故障状态数据，从而更好地进行对目标域数据分布的估计与智能迁移诊断。

　　基于脉冲神经网络模型以及上述迁移诊断数据集，本文主要研究在无法获取目标域故障状态数据条件下的迁移诊断问题。其中，源域为轴承在40 Hz的转速下运行时所采集的动态视觉数据，目标域为轴承在分别20 Hz、25 Hz以及30 Hz的转速下运行时所采集的动态视觉数据。源域与各目标域的数据量均为1 600个样本，包含了四类不同健康状态各400个样本。为了验证迁移诊断模型的泛化性，分别考虑了目标域在三种转速下的迁移诊断问题。为了充分验证本文所提方法的有效性，同时考虑了其他五种主流方法进行对比。

　　(1) CNN：作为基准方法，采用目前主流的卷积神经网络(Convolutional neural networks，CNN)作为特征提取与诊断模型，不使用迁移学习方法。

　　(2) TCNN：使用卷积神经网络作为特征提取与诊断模型，同时采用度量分布差异的迁移学习方法。然而，不使用扩散模型补充目标域的故障样本，即目标域仅包含健康状态数据的400个样本。

　　(3) TDCNN：使用卷积神经网路作为特征提取与诊断模型，采用度量分布差异的迁移学习方法，同时使用扩散模型生成目标域故障状态数据，目标域包含了四类不同健康状态共1 600个样本。

　　(4) SNN：使用本文提出的脉冲神经网络作为特征提取与诊断模型，不使用迁移学习方法。

　　(5) TSNN：使用脉冲神经网络作为特征提取与诊断模型，同时使用迁移学习方法，不使用扩散模型补充生成目标域故障状态样本。

　　在使用卷积神经网络的方法中，网络模型的基本结构与本文提出的脉冲神经网络一致。由于脉冲数据不能直接输入卷积神经网络进行特征提取，因此方法CNN，TCNN与TDCNN中将首先把脉冲数据转化为事件帧的数据形式‎。

　　为了降低模型训练的随机性影响，各试验均进行了5次，并计算了试验结果的平均值和标准差，如表5和图7所示。在三个不同的迁移诊断试验中，本文提出的方法均具有92%以上的测试准确率，并且标准差低于2%，验证了所提出方法的有效性。由试验结果可以看出，虽然在目标域仅包含健康状态样本的前提下，各迁移诊断方法的精度对比基准方法均有所提升，但是整体诊断精度仍有较大的提升空间。这主要是由于目标域仅包含有限的健康状态数据，难以充分反映目标域的真实数据分布。本文提出了跨领域动态视觉数据智能生成方法，生成的伪故障状态数据能够良好地融合源域故障状态数据和目标域健康状态数据的特征，因此能够实现对领域间数据分布差异更好地度量，从而提升迁移诊断精度。相较于不采用伪数据生成的对比方法，所提方法的迁移诊断精度可以提升15%以上。

　　相较于主流的CNN方法，SNN方法对迁移诊断任务更加敏感。这是由于在使用基于CNN的方法时，动态视觉数据会被压缩为静态的事件帧，从而丢失了时域特征。基于SNN的方法无需对原始动态视觉数据来进行额外处理，对数据中的时域特征更为敏感。因此，使用CNN的方法在无法获取目标域信息的条件下，其泛化性能相对更好。

　　基于SNN的方法能够学到更加丰富的时域特征，这对旋转机械故障诊断问题至关重要。即使仅能获取目标域有限的健康状态数据，迁移诊断精度也能够提升近10%，而基于CNN的方法仅能提升3%左右。同时，对目标域故障状态数据进一步补充生成后，本文所提方法的平均迁移诊断精度相较于基于CNN的对比方法提升了3.5%左右，并且标准差更小，测试结果更稳定。

　　为了进一步验证所提方法的迁移诊断效果，图8展示了目标域为20 Hz转速时不同方法的测试结果混淆矩阵。由未使用迁移学习的诊断方法结果能看出，在源域上训练的智能诊断模型对目标域健康状态数据的分类效果较差。当输入部分目标域健康数据时，使用迁移学习的方法可以有效提升诊断模型对目标域健康状态数据的分类效果，但是整体迁移诊断精度仍较低。当使用扩散模型对目标域故障状态数据来进行补充后，模型的迁移诊断效果具有显著提升。相较于基于CNN的方法，SNN方法对于迁移诊断知识的学习能力更强。本文所提方法整体迁移诊断效果较好，除在外圈故障类别上有少量误诊样本外，在其他故障状态数据中均可获得近100%的诊断精度。总体而言，相较于传统的智能诊断方法，所提方法对于时序数据的处理能力更强。所提方法在保障故障诊断精度的同时，极大提升了诊断模型的可部署性，扩展了智能诊断方法的应用前景，并且降低了硬件端的计算压力。

　　图9展示了脉冲神经网络模型在一个小批量数据上输出的诊断结果。诊断模型的输出层包含四个预测通道，分别输出脉冲神经网络对滚珠故障、内圈故障、外圈故障以及正常运行这四种健康状态的预测结果。在一个时间循环内，对于单个待测的动态视觉数据样本，输出层会输出对应时间长度的脉冲输出。统计输出层各预测通道输出的尖峰数量，当某一通道被激发的尖峰个数高于其他预测通道，则认为该通道的预测类别即为诊断模型的预测结果。在示例数据中，模型对某一个数据样本的诊断发生了错误，将外圈故障误诊为健康状态，其余数据的诊断结果均与实际状态标签一致。通过上述分析可知，本文所提方法实现了基于动态视觉的装备迁移诊断，在多种测试任务中均取得了良好的诊断结果。

　　本文提出了动态视觉赋能的非接触式机械装备智能迁移诊断方法，并在无法获取目标域故障状态数据的实际场景下取得了良好的迁移诊断效果。综合而言，所提方法在工业机器人、大型工程机械的健康监测领域具有较强的应用前景。对于工业机器人而言，由于其动作幅度通常较大，因此对传感器的安装位置和方式有严格的要求，而所提方法的部署相对更灵活，可以更好地适应机器人的运动范围。而对于大型工程机械而言，由于采集面过大，因而传统的数据采集方式通常难以在短时间内确定合适的采集点，需要部署多个传感器或者进行多次测量。而所提基于动态视觉的故障诊断办法能够实现针对大型工程机械的多点同时监测，从而进一步简化了装备健康监测的流程。

　　(1) 采用非接触式事件相机采集机械装备振动的动态视觉数据，克服了当前接触式振动测量在很多工程场景下难以适用的难题，为机械振动测量与故障诊断提供了一种创新的视觉解决方案。

　　(2) 提出了动态视觉数据的扩散生成模型，实现了对目标域未知故障状态伪数据的生成，为迁移诊断奠定了良好的数据基础。

　　(3) 提出了基于类脑计算的脉冲神经网络模型，实现了动态视觉数据特征智能提取与故障模式识别，相较于传统方法大幅度的提高了数据处理效率与迁移诊断效果。

　　(4) 对基于动态视觉的非接触式机械装备迁移诊断问题考虑的尚不够全面，后续工作将针对不一样视觉角度、不同视觉距离、不同光照条件等迁移诊断场景深入研究，逐步提升方法的工程适用性。

　　(5) 基于动态视觉的方法与光照紧密关联，而工程实际场景中的光照条件总是在细微变化的，因而在采集数据时不可避免地会产生噪声，这可能限制所提方法的诊断效果。因而在后续工作中应注意对动态视觉数据中噪声信号的识别与剔除，从而逐步提升所提方法的泛化性能。

　　(6) 现有的脉冲神经网络缺乏一个基准的设计方法，如何设计脉冲神经网络的结构、采用何种形式的脉冲神经元仍是亟待解决的问题，这样一些问题需要结合工程实际的需求进行选择与判断。

　　JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。

　　有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

　　感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！