[发明专利]基于知识蒸馏的曲轴内部缺陷检测方法及检测设备

权利要求书

1.一种基于知识蒸馏的曲轴内部缺陷检测方法，其特征在于，包括：

采集曲轴正常状态和缺陷状态下的激振信号，同一状态进行多次采集，将所述激振信号变换得到时域数据、频域数据及时频域数据，构建振动数据集；

构建教师模型-学生模型，所述教师模型包含多条并行的且框架均为ResNet-50的卷积神经网络；所述学生模型包括框架为AlexNet的卷积神经网络；

采用所述振动数据集对所述教师模型进行训练，具体包括：对于所述时域数据和频域数据，采用一维卷积提取特征；对于所述时频域数据，采用二维卷积提取特征，并在最后一层卷积层后，将二维特征图展成一维；使用交叉注意力机制使三种特征进行对齐，然后在特征堆叠融合后通过全连接层输出曲轴的分类类别；保存测试精度最高的权重；

将所述时域数据输入所述学生模型并将所述振动数据集输入教师模型，利用知识蒸馏，使学生模型的输出向教师模型的输出不断靠近，训练出与教师模型的预测精度相当的学生模型，并保存权重；

采集待检测曲轴的激振信号，并将激振信号输入至已训练好的所述学生模型，得到分类结果。

2.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，对所述学生模型进行训练具体包括：

将所述教师模型和学生模型的结果输入到带有温度T的softmax函数中，即；其中为输出概率，是以自然常数e为底的指数函数，为神经网络的逻辑输出；

构建损失函数，损失函数由两部分损失组成，第一部分为软损失，指的是学生模型与教师模型两者的软化输出的KL散度；第二部分为硬损失，指的是学生模型输出与真实标签的交叉熵损失，整个知识蒸馏模型的损失为，其中λ为所述软损失的权重, ;所述学生模型使用Adam参数优化算法和误差反向传播方法来最小化损失函数,得到最优化网络参数，最终保存预测精度最高的学生模型。

3.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，在采集所述激振信号后，对所述激振信号进行预处理；其中，所述预处理包括归一化、间隔采样或数据增强中的至少一种。

4.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，在构建所述教师-学生模型时，所述教师模型采用Adam参数优化算法和误差反向传播方法来最小化损失函数,以得到最优化网络参数。

5.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，在所述学生模型完成训练后，将所述学生模型部署到嵌入式设备中，通过软件实时显示采集的曲轴激振信号和检测结果。

6.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，所述构建教师模型-学生模型时，所述教师模型及学生模型均对应设置包括网络层数、激活函数、批次大小和初始学习率的模型参数。

7.一种基于知识蒸馏的曲轴内部缺陷检测设备，其特征在于，包括计算机可读存储介质及处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读取所述可执行指令，并执行权利要求1-6任一项所述的曲轴内部缺陷检测方法。