[发明专利]一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统

说明书

本发明公开了一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统，属于故障诊断技术领域。本发明采集到轴承原始振动信号后，对每个处理样本构建一个时频图作为故障样本，将其作为故障诊断系统的输入，由于时频图蕴含振动信号完整时频信息，提高故障诊断的实时响应效率与准确率。本发明采用学生模型同时学习教师模型的Softmax的输出软标签和多个样本在最后一个池化层输出之间的多元关系，即，学生网络从教师结构和单个样本在教师网络输出两个方面学习，在不增加内存和训练时间的情况下有效提升故障诊断系统的分类性能。本发明使用关系知识蒸馏迁移学习方法实现轴承故障诊断，通过以小模型代替大模型的思想，有效降低计算复杂度。

技术领域

本发明属于故障诊断技术领域，更具体地，涉及一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统。

背景技术

滚动轴承是旋转机械的关键组成部分，同时也是高故障率元件之一，据不完全统计，旋转设备的30％的故障由滚动轴承故障引起。滚动轴承的状态监测与故障诊断对了解设备运行性能以及发现潜在的故障起着重要的作用，可以有效提升机械设备的管理水平以及维修的效率。

目前，以深度学习为代表的新一轮人工智能技术使建立端到端深度集成的智能故障诊断方法成为工业智能时代的新目标。深度学习模型相比于传统模型网络层数更深，非线性运算能力强，能够更好的逼近复杂函数关系，在故障诊断领域也有不少成功的应用。但是深度学习故障诊断的成功依赖于大量有标签的优质数据，且深度学习在训练大规模数据集时，为了处理复杂的数据分布，往往会增加网络层数，模型参数量可达百万级，因此训练时需要耗费大量的算力和资源来达到较高的准确率。但是模型规模大，从头训练成本高，实际工程部署时受计算资源，响应速度等限制难以部署。

专利CN110162018A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，主要思想为：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，支持量数据学习与处理。专利CN112504678A公开了一种基于知识蒸馏的电机轴承故障诊断方法，主要思想为：利用振动信号训练模型做教师模型，利用电流信号和转速信号输入作为学生模型，利用教师模型带来的暗知识，训练学生模式，使得学生模型能稳定收敛，进行有效的诊断。

然而，均存在以下缺陷：1)多通过对采集的时序信号进行分析提取有效特征，如对通过对采集的振动信号预处理、特征筛选等多重筛选提取出与最为相关的故障特征作为故障分类器的输入，但是人为筛选用时长，且容易丢失有效信息；2)学生模型仅学习对教师模型末端Softmax的输出进行学习，即只考虑了单个样本在教师模型上的表现，导致学生模型的故障诊断准确率不高。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统，其目的在于提高了故障诊断模型的实时响应效率与准确率。

为实现上述目的，按照本发明的第一方面，提供了一种基于关系型知识蒸馏的滚动轴承故障诊断方法，该方法包括：

准备阶段：

获取滚动轴承正常状态和故障状态下的振动信号段，每种状态进行多次测量；以相同状态类型的多个连续采样点作为一个处理样本，将每个处理样本构建为一个时频图，将时频图，对应状态类型作为训练样本，得到训练样本集；构建教师模型-学生模型；

训练阶段：

使用训练样本集预训练教师模型；将多个训练样本同时输入至预训练好的教师模型，得到教师模型最后一个池化层输出的多个对应特征，作为特征集合T；