[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

说明书

本发明公开了一种基于知识蒸馏的曲轴内部缺陷检测方法及检测设备，检测方法包括：采集曲轴正常状态和缺陷状态下的激振信号，将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；采用振动数据集的三种数据对教师模型进行训练；将时域数据输入学生模型并将振动数据集输入教师模型，利用知识蒸馏训练出与教师模型的预测精度相当的学生模型；采集待检测曲轴的激振信号并输入至已训练好的学生模型，得到分类结果。本发明基于交叉注意力机制，同时对时域、频域和时频域三种数据提取特征，解决了跨模态特征之间的差异性，实现不同特征在特征空间上对齐，有效地实现网络的收敛速度和预测精度的提高。

技术领域

本发明涉及曲轴的缺陷检测技术领域，特别是涉及一种基于知识蒸馏的曲轴内部缺陷检测方法及检测设备。

背景技术

曲轴是发动机的核心零部件，主要用于发动机的功率输出。曲轴缺陷，如肩裂纹、弯曲、轴颈磨损、烧伤以及内部缺陷，直接影响发动机的使用性能和寿命，而诸如表面裂纹、弯曲和磨损可以通过机器视觉的技术进行检测。由于内部缺陷形态各异、位置不定、尺寸不一，利用传统的声发设备进行检测，具有成本高的缺点。因而研究基于振动信号来检测曲轴内部缺陷对曲轴制造工业具有十分重要的意义。近年来，随着深度学习技术的发展，利用基于时间序列信号的深度学习方法来检测机器领部件的故障，通过神经网络提取信号中隐藏的缺陷信息来预测缺陷已成为缺陷检测领域的重要形式。

然而，在相关技术中，大多采用振动信号中的时域、频域或时频域中的一种数据进行特征提取，预测精度及收敛速度受限。

发明内容

针对上述问题，本发明提供了一种基于知识蒸馏的曲轴内部缺陷检测方法及检测设备，基于交叉注意力机制，同时对时域、频域和时频域三种数据提取特征，解决了跨模态特征之间的差异性，将三种模态的特征进行对齐，有效地实现网络的收敛速度和预测精度的提高。

本发明的技术方案是：

第一方面，本发明提供了一种基于知识蒸馏的曲轴内部缺陷检测方法，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。

上述技术方案的工作原理如下：

本发明的曲轴内部缺陷检测方法能实现曲轴内部缺陷的自动化检测，加快了曲轴检测的速度，降低成本；同时利用知识蒸馏技术，将大模型较高的预测性能迁移到小模型上，解决了小模型推理速度快、预测精度差，大模型预测精度高、推理时间慢的问题；并创新性地提出了交叉注意力机制，对时域、频域及时频域分别提取特征，解决了跨模态特征之间的差异性，将三种模态的特征进行对齐，有效地实现网络的收敛速度和预测精度的提高。

在进一步的技术方案中，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；