[发明专利]基于知识蒸馏与隐含层共享的增量式设备故障诊断方法

摘要

本发明公开了一种基于知识蒸馏与隐含层共享的增量式设备故障诊断方法，涉及轴承设备故障诊断领域。本发明利用知识蒸馏与隐含层共享技术，保证浅层设备故障诊断模型具有较好的数据特征提取能力，提高浅层设备故障诊断模型的故障分类性能。针对工业数据持续增加和边缘设备故障诊断模型更新，本发明使用有效样本识别、重建数据集、预训练模型微调等方法实现模型的增量学习。本发明克服海量实时工业设备数据传输过程中对于网络带宽、网络延迟的要求，提高浅层设备故障诊断方法的精确性，支持增量式学习。通过对轴承运行状态数据的模拟实验，在计算资源有限情况下，本发明提高边云协同数据传输效率并实现故障预测分类精准度，支持增量数据学习与处理。

主权项

1.一种基于知识蒸馏与隐含层共享的增量式设备故障诊断方法，其特征在于，包括下述步骤：步骤S1：对深沟球轴承使用电火花加工技术分别在轴承上对内圈、外圈和滚动体布置了3个故障等级的单点故障，选择电机驱动端振动传感器采集正常状态、内圈故障、外圈故障和滚动体故障状态下的振动信号，采样频率为12kHz；步骤S2：对轴承设备故障数据进行预处理，随机抽样按比例划分为训练数据集和测试数据集，并对测试样本进行标签化处理，将训练样本等量划分为两组，其中一组用于训练深度学习模型，其余一组添加至已有模型进行增量学习；步骤S3：构建教师模型，并对教师模型进行训练，得到精准的教师网络模型，修改教师模型的Softmax层结构，加入温度参数，此时教师模型的Softmax层输出即为经过软化的软目标，使其能够输出软目标辅助学生模型进行学习；步骤S4：初始化学生模型，学生模型的Softmax层由两部分组成，一部分为带有温度参数T的Softmax层，另一部分未经修改的Softmax层，使用训练数据集与教师模型的软标签对学生网络进行知识蒸馏，并将教师模型的卷积层参数与学生模型卷积层进行共享；步骤S5：对增量数据进行有效样本筛选，根据故障类型与模型预测类型，将样本数据分为新增故障数据、原有故障失效数据、原有故障误报数据；步骤S6：如新增样本中存在新增故障类型数据，则对新增故障数据进行重采样，并将新增数据重新合并至原始数据集，完成数据集的重建；步骤S7：加载原教师模型结构参数，如新增样本中存在新增故障类型数据，则对教师模型的全连接层进行初始化，重置全连接层参数，得到经过初始化预训练的教师模型，进行增量学习过程。