[发明专利]一种基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法

权利要求书

1.一种基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法，其特征在于，包括：

步骤S101、构建教师网络：

训练教师模型，由教师模型对采煤机故障信号数据集进行识别，并学习采煤机故障信号数据集中的属性知识；

根据采煤机故障信号数据集，将教师模型中的全连接层的输出值除以设定参数之后，基于归一化指数函数进行计算，得到软标签值；其中，设定参数的取值范围为[1，20]；

步骤S102、构建学生网络：

将采煤机故障信号数据集输入到学生模型中，重复教师模型相同的操作并得到输出层的输出；

将学生模型中的全连接层的输出值除以与教师模型相同的设定参数之后，基于归一化指数函数进行计算，得到预测值，并与软标签值比较，得到相对熵损失函数；

将预测值与真实标签值进行比较，得到多分类交叉熵损失函数；

根据相对熵损失函数和多分类交叉熵损失函数，得到均值混合损失函数；

步骤S103、训练教师-学生异构网络：

教师模型通过均值混合损失函数训练学生模型。

2.根据权利要求1所述的基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法，其特征在于，在步骤S102中，相对熵损失函数和多分类交叉熵损失函数等比例相加，得到均值混合损失函数。

3.根据权利要求1所述的基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法，其特征在于，均值混合损失函数为：

KD Loss＝KL(m₂，n)·θ·T²+CE(Label，m₁)·(1-θ)

其中，KD Loss表征均值混合损失函数，KL为相对熵，CE为交叉熵，q为教师模型输出经过蒸馏后的结果，m₁为学生模型中对软标签值的预测值，m₂为学生模型中硬预测值经过蒸馏后的结果，label为数据集的真实标签，θ为比例系数，取值为0.5；T为设定系数；

分别根据下述公式：

计算相对熵KL和交叉熵CE；

其中，p，q分别表示数据的真实分布概率和理论分布概率；q(x)、p(x)分别表示x取值的两个概率分布；N为数据样布的总个数；c表示数据样本的类别，c取正整数；M为数据样本类别的数量，M取正整数，y_ic取值为0或1；p_ic为数据样本的类别c的概率。

4.根据权利要求1-3任一所述的基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法，其特征在于，采煤机故障信号数据集包括：采煤机摇臂直齿轮在正常、磨损、断裂、点蚀和裂纹5种状态下的振动信号。

5.根据权利要求4所述的基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法，其特征在于，利用加速度传感器对采煤机摇臂直齿轮不同状态下的振动信号进行采集，其中，加速度传感器与振动信号采集设备连接。

6.根据权利要求5所述的基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法，其特征在于，加速度传感器安装在摇臂直齿轮侧的壳体上。

7.根据权利要求5所述的基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法，其特征在于，振动信号采集设备的采样频率设置为12kHz，灵敏度为500mV/g。