[论文解读] Brain-Inspired Spiking Neural Networks for Industrial Fault Diagnosis: A Survey, Challenges, and Opportunities

Huan Wang, Yan‐Fu Li+1 more|arXiv (Cornell University)|Nov 13, 2023

Advanced Memory and Neural Computing被引用 4

一句话总结

本综述系统性地回顾了脉冲神经网络（SNNs）在工业故障诊断中的应用，强调其生物合理性、时空建模优势以及能效优势。文章系统分析了基于SNN的工业故障诊断（IFD）模型，识别出训练复杂性与数据稀缺等关键挑战，并展望了在优化、可解释性及实际部署方面的未来研究机遇。

ABSTRACT

In recent decades, Industrial Fault Diagnosis (IFD) has emerged as a crucial discipline concerned with detecting and gathering vital information about industrial equipment's health condition, thereby facilitating the identification of failure types and severities. The pursuit of precise and effective fault recognition has garnered substantial attention, culminating in a focus on automating equipment monitoring to preclude safety accidents and reduce reliance on human labor. The advent of artificial neural networks (ANNs) has been instrumental in augmenting intelligent IFD algorithms, particularly in the context of big data. Despite these advancements, ANNs, being a simplified biomimetic neural network model, exhibit inherent limitations such as resource and data dependencies and restricted cognitive capabilities. To address these limitations, the third-generation Spiking Neural Network (SNN), founded on principles of Brain-inspired computing, has surfaced as a promising alternative. The SNN, characterized by its biological neuron dynamics and spiking information encoding, demonstrates exceptional potential in representing spatiotemporal features. Consequently, developing SNN-based IFD models has gained momentum, displaying encouraging performance. Nevertheless, this field lacks systematic surveys to illustrate the current situation, challenges, and future directions. Therefore, this paper systematically reviews the theoretical progress of SNN-based models to answer the question of what SNN is. Subsequently, it reviews and analyzes existing SNN-based IFD models to explain why SNN needs to be used and how to use it. More importantly, this paper systematically answers the challenges, solutions, and opportunities of SNN in IFD.

研究动机与目标

• 提供对工业故障诊断（IFD）中脉冲神经网络（SNNs）的系统性综述，涵盖其理论基础与实际应用。
• 识别并分析在IFD中部署SNN时面临的核心挑战，包括训练效率低下、数据依赖性强以及可解释性不足。
• 阐明SNN为何相较于传统人工神经网络（ANNs）更适用于捕捉时间动态并降低计算成本。
• 概述基于SNN的IFD中的关键研究空白与未来机遇，如混合训练方法、硬件集成与实时部署。
• 为希望在工业状态监测与预测性维护中采用SNN的研究人员和工程师提供基础参考。

提出的方法

• 对2015至2023年间发表的基于SNN的IFD模型开展系统性文献综述，重点关注网络结构、训练方法与性能指标。
• 根据其脉冲机制（如漏电积分-发放模型、Izhikevich模型）、学习规则（如STDP、BPoT）及应用领域（如旋转机械、电力系统）对现有SNN模型进行分类。
• 分析时间编码与速率编码在表征故障相关信号中的作用，强调时空特征提取能力。
• 绘制SNN的训练流程，包括替代梯度方法与从预训练ANN转换的方法，以评估可行性与性能权衡。
• 利用基准数据集与硬件仿真，对比SNN与ANN在能效与推理速度方面的表现。
• 将研究成果整合为一个面向工业场景的SNN部署框架，涵盖数据预处理、模型压缩与边缘设备兼容性。

实验结果

研究问题

• RQ1 与工业故障诊断相关的类脑脉冲神经网络（SNNs）的核心理论原理与架构组件是什么？
• RQ2 SNN如何在建模时间故障模式与降低计算资源使用方面优于传统人工神经网络（ANNs）？
• RQ3 哪些主要的技术与实际挑战阻碍了SNN在工业故障诊断系统中的应用？
• RQ4 为提升SNN在低数据量与实时场景下的性能，已提出哪些训练与优化策略？
• RQ5 在工业应用中推进基于SNN的IFD方面，未来的研究方向与机遇有哪些？

主要发现

• SNN凭借其事件驱动、基于脉冲的信息编码机制，在捕捉故障信号的时间动态方面表现出更优性能。
• SNN相比ANN具有更低的推理能耗，使其更适合在工业物联网环境的边缘设备中部署。
• 尽管结果令人鼓舞，但大多数基于SNN的IFD模型仍依赖替代梯度反向传播，这会引入近似误差与训练不稳定性。
• 仅有少数研究在真实工业数据集上验证了SNN，凸显了仿真环境与工业部署之间的差距。
• SNN与可解释人工智能（XAI）技术的集成仍研究不足，限制了其在关键安全应用中的可信度与可解释性。
• 未来工作应聚焦于开发端到端可训练的SNN，最大限度减少超参数调优，并提升对噪声传感器数据的鲁棒性。