基于自适应蒸馏的齿轮箱增量故障诊断学习方法

本发明涉及故障诊断，尤其涉及基于自适应蒸馏的齿轮箱增量故障诊断学习方法。

背景技术：

1、在工业生产过程中，许多工业设备需要在严苛的条件下运行，例如长时间，高环境温度，高湿度，高负载等等，最终可能导致设备出现故障，导致经济损失和人员伤亡；因此，机械故障诊断在确保操作安全和减少事故方面发挥着不可或缺的作用。

2、近年来，随着硬件的进步以及人工智能领域的快速发展，越来越多的人工智能领域的方法被引入机械故障诊断领域；例如，卷积神经网络、图神经网络、循环神经网络；相比利用传统的机器学习方法进行机械故障诊断，基于深度神经网络模型的机械故障诊断方法有着更强的特征提取能力，且不依赖专业人员进行手动的特征提取，只需要足够的训练数据便能自动进行训练实现故障的诊断。

3、神经网络方法建立在故障类型以及工况不改变的场景当中，无法识别新的故障；而实际情况中机器的故障种类繁杂，随着时间推移新的故障原因层出不穷，若直接使用新数据进行模型的训练，将会导致模型对旧故障类型的识别率大幅降低；这种问题被称为灾难性遗忘；因此，需要研究适用于机械故障诊断领域的终身学习方法以解决灾难性遗忘问题使得故障诊断模型能够长期稳定的运行。

4、公开号为cn 116108346a专利，仅采用了一个蒸馏，而在不同阶段，任务之间的特点不同，适合的蒸馏方式以及强度也有所不同，固定的一个蒸馏方法将难以一直找到稳定性和可塑性之间的最佳平衡点。

技术实现思路

1、针对现有方法的不足，本发明解决现有深度神经网络模型处理增量机械故障时存在灾难性遗忘问题。

2、本发明所采用的技术方案是：基于自适应蒸馏的齿轮箱增量故障诊断学习方法包括以下步骤：

3、步骤一、采集齿轮箱在不同故障状态下的振动信号，并添加故障类型标签，构建故障数据集；

4、作为本发明的一种优选实施方式，故障状态包括：轴承滚子故障、轴承内圈故障、轴承外圈故障、齿轮缺损、齿轮断齿、齿轮根部裂纹和齿轮磨损。

5、作为本发明的一种优选实施方式，采用格拉姆角和场将振动信号转换为图像。

6、步骤二、训练阶段：构建任务阶段0模型，任务阶段0模型是在resnet18网络的末尾添加投影层，输出特征值为若干维张量；然后将张量输入投影层，投影层中第一层是线性变换层，将若干维张量进行线性变换；再将线性变换后的张量进行relu激活，再通过第二层变换层将若干维张量变换缩小到1/4维张量，得到投影后的特征值；

7、作为本发明的一种优选实施方式，任务阶段0模型采用对比损失函数进行训练阶段模型的训练。

8、作为本发明的一种优选实施方式，任务阶段t！＝0模型训练完成后，随机删除每个类中超出存储上限的回放样本，使用herding算法选取当前任务数据集的部分样本作为回放样本。

9、步骤三、训练阶段：利用任务阶段t的故障数据和任务阶段t-1的回放样本总数据，计算当前任务的故障类型标签集中各个类与学习过的所有旧类之间相似度的均值、并得到任务阶段t的resnet18网络的特征值和投影层的特征值；并构建第t个任务阶段模型的损失函数，其中，t！＝0，旧类指任务阶段t-1所获取的回放样本总数据中所有故障数据包含的所有故障类型，新类指任务阶段t的故障数据包含的所有故障类型；

10、作为本发明的一种优选实施方式，任务阶段t！＝0模型的损失函数的公式为：

11、

12、其中，为对比损失值，为特征相似度蒸馏损失值，为自适应蒸馏损失值。

13、作为本发明的一种优选实施方式，自适应蒸馏损失的公式为：

14、

15、其中，若第i与第j个样本属于同一故障类型则i(i,j)为1，否则为-1；s(syc)为阶段t的故障数据与之间的相似度均值；a为不改变特征维数的一层线性变换层；α1和α2为超参数；zi为第i个样本通过任务阶段t模型经过归一化处理的特征值；为第i个样本通过任务阶段t-1模型训练获得的经过归一化的特征值；τ为超参数；样本与故障数据含义相同，第i个样本对应第i个故障数据，类和类别和故障类别与故障类型含义相同。

16、步骤四、训练阶段：将t阶段的训练数据输入resnet18网络特征提取器，获取故障数据的特征值；将故障数据的特征值输入线性分类器输出线性分类预测结果，利用线性分类预测结果更新线性分类器参数；

17、作为本发明的一种优选实施方式，利用交叉熵损失函数训练线性分类器。

18、测试阶段：将故障数据输入resnet18网络特征提取器，获取故障数据的特征值；将故障数据的特征值输入线性分类器输出线性分类预测结果；计算故障数据与各类回放样本的类特征中心的距离，获取最近邻分类预测结果；

19、作为本发明的一种优选实施方式，步骤五还包括：将线性分类预测结果与最近邻分类预测结果加权求和作为最终分类结果。

20、作为本发明的一种优选实施方式，最终分类结果的公式为：

21、

22、其中λ1、λ2为超参数，为线性分类预测结果，为最近邻分类预测结果。

23、本发明的有益效果：

24、1、本发明自适应蒸馏的齿轮箱增量故障诊断终身学习，在任务初始阶段使用存储的故障数据训练故障诊断网络进行故障诊断；后续任务阶段模拟实际应用时更多种类的故障出现，旧的故障数据大量丢失或新旧故障数据合并后过多，训练困难，使用终身学习模型进行增量训练，仅需要少量的旧故障数据，速度更快，成本更低；

25、2、在后续任务阶段使用自适应蒸馏损失，关注不同任务数据之间特征相似度对遗忘以及蒸馏的影响，充分利用经过大量旧任务数据训练的旧模型，能够更好的平衡终身学习任务中稳定性和可塑性；

26、3、当新旧任务数据之间特征相似度较低，那么新类已经能在一定程度上与旧类进行区分，直接对特征进行强度较高的蒸馏，不仅能更好的保留对旧故障类型的诊能力，配合针对当前任务数据的对比聚类损失也不会对新旧类之间的区分造成过大影响，维持更高的稳定性的前提下，减少了对可塑性的损害；当新旧任务数据之间相关性较高却依然进行高强度的蒸馏，虽然能使遗忘现象有所减少，但是也会严重影响新旧类之间的区分，导致可塑性较差；通过降低蒸馏强度，对特征进行线性映射之后的值蒸馏，减少直接对特征进行的蒸馏，通过间接蒸馏能在保持一定的蒸馏强度的同时，给予网络参数更大的调整空间，加强新旧类之间的区分，提高模型可塑性；

27、4、在后续的任务阶段中，对线性分类器的预测结果进行了调整，传统需要训练的线性分类器，受数据不平衡以及灾难性遗忘问题影响极大，通常表现为倾向于将旧类样本判别为新类；本发明采用不受数据不平衡直接影响的最近邻分类预测结果，调整线性分类预测结果，减少线性分类器的误判。

技术特征：

1.基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，任务阶段0模型采用对比损失函数训练模型。

3.根据权利要求1所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，任务阶段t！＝0模型训练完成后，随机删除每个故障类型中超出存储上限的回放样本，使用herding算法选取任务阶段t！＝0数据集的部分样本作为回放样本。

4.根据权利要求1所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，任务阶段t！＝0模型的损失函数的公式为：

5.根据权利要求4所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，自适应蒸馏损失的公式为：

6.根据权利要求1所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，步骤五还包括：将线性分类预测结果与最近邻分类预测结果加权求和作为最终分类结果。

7.根据权利要求6所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，最终分类结果的公式为：

8.根据权利要求1所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，利用交叉熵损失函数训练线性分类器。

9.根据权利要求1所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，故障状态包括：轴承滚子故障、轴承内圈故障、轴承外圈故障、齿轮缺损、齿轮断齿、齿轮根部裂纹和齿轮磨损。

10.根据权利要求1所述的基于自适应蒸馏的齿轮箱增量故障诊断学习方法，其特征在于，采用格拉姆角和场将振动信号转换为图像。

技术总结本发明涉及故障诊断技术领域，尤其涉及基于自适应蒸馏的齿轮箱增量故障诊断学习方法，包括采集齿轮箱在不同故障状态下的振动信号；通过任务阶段0模型得到投影后的特征值；计算相似度的均值，得到任务阶段t投影层的特征值；构建任务阶段t模型的损失函数；通过任务阶段T获取故障数据的特征值；输出线性分类预测结果，更新线性分类器参数；计算故障数据与各类回放样本的类特征中心的距离，获取最近邻分类预测结果。本发明解决现有深度神经网络模型处理增量机械故障时存在灾难性遗忘问题。技术研发人员：潘星原,郇战,时文雅受保护的技术使用者：常州大学技术研发日：技术公布日：2024/7/29