[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

说明书

本申请提供了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，包括：由教师模型对采煤机故障信号数据集进行识别，并学习数据集中的属性知识；选择数据集，将教师模型中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；将数据集数输入到学生模型中，重复教师模型相同的操作并得到全连接层的输出值；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；教师模型通过均值混合损失函数训练学生模型。

技术领域

本申请涉及设备故障诊断技术领域，特别涉及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。

背景技术

采煤机是煤矿采煤工作面的核心设备之一，其摇臂是采煤机切割煤层的关键动力部件，承受着采煤机截割载荷及摇臂传动系统非线性内激励，是采煤机的薄弱环节。采煤工作面环境恶劣，采煤机摇臂传动系统的齿轮极易发生故障，不但影响煤炭开采效率，造成企业经济上的损失，更为严重的还会造成人员伤亡事故。由于摇臂传动系统具有传动链长、齿轮类型多及所处环境噪声强等特点，给其齿轮故障诊断带来了极大挑战。当前，大多基于浅层深度学习模型进行齿轮故障诊断，随着网络层数的增加，层与层之间的权重不能随之更新，易导致精度不变或下降。

因此，需要提供一种针对上述现有技术不足的改进技术方案。

发明内容

本申请的目的在于提供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，以解决或缓解上述现有技术中存在的问题。

为了实现上述目的，本申请提供如下技术方案：

本申请提供了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，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全连接层的输出值；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。

优选的，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。

优选的，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。