XiaoMi-AI文件搜索系统
World File Search System双击
![[双击插入图片]](/simg/2/2ddf968233451ab56ddf109ee29d8b2b6c752b27.webp)
1>用您的手稿ID替换此线（在此处双击以编辑）
1>用您的手稿ID编号（在此处双击以进行编辑）<以脑为工业故障诊断的尖峰神经网络：调查，挑战和机会Huan Wang，Yan-Fu Li，IEEE和Konstantinos Gryllias高级成员和Konstantinos Gryllias的这项工作已提交给IEE EEE，以供IEE EEE。版权可以在不通知的情况下传输，此后不再可以访问此版本。摘要 - 近几十年来，工业故障诊断（IFD）已成为与检测和收集有关工业设备健康状况的重要信息的关键纪律，从而促进了失败类型和严重性的识别。追求精确有效的故障识别引起了极大的关注，最终集中于自动化设备监控以防止安全事故并减少对人工劳动的依赖。人工神经网络（ANN）的出现在增强智能IFD算法方面发挥了作用，尤其是在大数据的背景下。尽管有这些进步，但ANN是一种简化的仿生神经网络模型，表现出固有的局限性，例如资源和数据依赖性以及受限的认知能力。为了解决这些局限性，建立在脑启发的计算原理的第三代尖峰神经网络（SNN）已成为有希望的替代方案。SNN的特征是其生物神经元动力学和尖峰信息编码，在表示时空特征方面具有出色的潜力。因此，开发基于SNN的IFD模型已获得动力，表现出令人鼓舞的性能。尽管如此，该领域缺乏系统的调查来说明当前情况，挑战和未来的方向。因此，本文系统地回顾了基于SNN的模型的理论进展，以回答SNN是什么问题。随后，它审查和分析了现有的基于SNN的IFD模型，以解释为什么需要使用SNN以及如何使用SNN。更重要的是，本文系统地回答了IFD中SNN的挑战，解决方案和机会。索引术语 - 智能诊断，工业健康监测，尖峰神经网络，深度学习。