近年来，随着大数据和计算技术的快速发展，智能机器故障诊断方法取得了显著成就。通过端到端特征提取和健康识别范式，实现了高故障诊断精度（Shang等人，2026年；Zhang等人，2025年；Li等人，2023年；Yu等人，2026年）。在当前文献和维护行业中，由加速度计收集的机器振动加速度数据是最常用的状态监测信号，因为机械故障可以通过振动得到很好的反映（Huang等人，2023年）。尽管这种方法有效，但接触式传感器的应用会导致机械结构发生变化。同时，考虑到安装空间限制、温度影响等其他实际因素，在许多实际工业应用中，不太倾向于使用接触式传感器进行状态监测和故障诊断（Sun等人，2022年；Hou等人，2022年）。
在过去几十年中，也开发并采用了非接触式振动传感器进行机器状态监测，包括涡流传感器、激光振动计等。然而，这些传感器在广泛应用方面存在显著局限性。例如，涡流传感器需要金属材料并且安装间隙较小；激光振动计价格昂贵，对使用环境和安装条件要求较高。因此，工业机器故障诊断领域仍在寻求有效且实用的非接触式解决方案。作为新型视觉设备，事件相机是一种基于生物视网膜技术的传感器（Wang等人，2023年；Guang等人，2023年；Chen等人，2022年）。与标准相机不同，标准相机以恒定速率记录整个帧中所有像素的视觉信号，而事件相机仅在像素亮度变化超过一定阈值时记录其极性。每次像素被激活时的极性记录称为一个事件。事件相机具有极高的时间分辨率和低延迟，可以捕捉振动中的高频机器微运动（Li等人，2021年；Chen等人，2020年）。因此，事件相机在利用视觉技术解决机器故障诊断问题方面具有巨大潜力。
图1展示了标准相机和事件相机在旋转机器上的数据记录示例。当机器部件旋转时，会在机器实体上产生振动。结果，只有帧中运动的有限像素区域被事件相机激活并记录下来，而其他区域基本保持静止并被忽略。机器健康状态信息通常包含在振动引起的运动信号中，因此动态视觉数据有望用于故障诊断。
尽管基于事件相机的机器故障诊断具有可行性和前景，但视觉信号通常不太稳定，实际应用中可能会受到环境因素的显著干扰，如照明条件、周围环境等。机器视觉测量中的一个关键因素是相机的位置。在真实的工业场景中，精确固定相机与机器之间的相对位置和视角极其困难，由于实际限制和不确定性，位置变化经常发生。当前文献中成熟的大数据驱动建模方法无法很好地解决位置变化下的基于视觉的故障诊断问题，因为不同相机位置下的视觉数据分布会发生很大变化。因此，在实际应用中，故障诊断性能会显著下降。图2展示了相机位置变化时的跨域故障诊断问题。
为了解决这一挑战性问题，本文提出了一种基于动态视觉的机器智能故障诊断方法。本研究的主要贡献和创新点如下：
- •
提出了一种基于智能深度学习的动态视觉数据处理方法，用于机器故障诊断问题，这是当前文献中首次尝试该主题的方法之一。
- •
提出了一种用于不同事件相机位置泛化的自监督学习方法，通过生成额外的自动生成事件样本变体来引入数据多样性。
- •
对于在不同事件相机位置容易收集到的未标记并行数据，提出了一种交叉监督学习方法，实现了灵活的机器故障诊断中的无监督域对齐。
- •
在旋转机器测试平台上进行了大量实验以验证该方法的有效性。实验结果表明，该方法能够建立具有强鲁棒性的基于动态视觉的故障诊断模型，对相机位置的变化具有很好的适应性。
本文的其余部分在第2节介绍相关工作，在第3节介绍所提出的方法，并在第4节通过实验进行验证。第5节总结全文。
