基于自适应阈值调控的Leaky-Integrated-and-Fire机制在工业音频诊断中的应用及其对特征保留的增强效应

本文提出一种用于音频工业诊断的Leaky-Integrated-and-Fire（LIF）自适应阈值机制，通过动态调整信息过滤模式，显著提升故障分类精度。该方法在IDMT Engine和MIMII Pump数据集上分别达到99.75%和98.11%的准确率，优于传统固定阈值及其他先进方法，为智能制造中的实时状态监测提供了新思路。

　　

Section snippets

Audio-based industrial diagnosis in smart manufacturing

智能制造通过整合人工智能（AI）、工业物联网（IIoT）与自动化技术，构建高效数据驱动的生产体系。其核心在于智能工业诊断与状态监测，利用机器学习方法监控设备状态并决策维护行为，例如通过重型机械中的加速度传感器进行实时监测。

Method

本节介绍整体分类结构及创新的自适应阈值机制，用于去除非独特信息并保留关键特征。

Experiment, result, and discussion

为验证方法，我们在已知类别标注的基准音频文件上运行软件模拟，测试了无阈值调整、固定阈值调整及自适应阈值调整三种方案。以分类准确率为评估指标，更高百分比代表更优性能。

Conclusion

本文提出一种受生物机制启发的LIF函数自适应阈值机制，能够在训练后动态保留类别特异性特征。传统LIF采用固定阈值，限制了其特征选择的灵活性与精确性。在分类性能上，所提出的自适应阈值显著优于传统固定阈值及其他先进方法。