[发明专利]一种基于知识蒸馏的电机轴承故障诊断方法

权利要求书

1.一种基于知识蒸馏的电机轴承故障诊断方法，其特征在于，包括以下步骤，

S1:构建教师网络；包括，设采样频率为Fs，轴承的转频为n，轴承滚珠直径为d，轴承的节圆直径为D，压力角为α，基于频域的用于教师网络的特征向量制作包括以下步骤：

S11生成的频谱采用去除直流分量、加汉宁窗、频率分辨率大于0.1Hz，采用3根相邻谱线值进行线性平均的方法设置为特征频率的值；

S12确定第一组特征参数：

设特征频率频谱的一倍频为1X，其频谱幅值为f_1X，则频谱中一倍频到10倍频的谱线值：1X-10X频谱幅值f_X为第一组特征参数:

T₁＝{t₁₀,t₁₁,t₁₂,t₁₃,t₁₄,t₁₅,t₁₆,t₁₇,t₁₈,t₁₉}＝{f_1X,f_2X,f_3X,f_4X,f_5X,f_6X,f_7X,f_8X,f_9X,f_10X}

t表示特征参数；

S13确定第二组特征参数

第二组特征参数考虑内圈故障及其边频，

内圈故障的特征频率f_BPI为滚动体通过内圈频率

对每个内圈特征频率计算2次边频：

t₂₁₁＝f_1BPI+1x＝1f_BPI+f_1X,t₂₁₂＝f_1BPI-1x＝1f_BPI-f_1X

t₂₂₁＝f_2BPI+1x＝2f_BPI+f_1X,t₂₂₂＝f_2BPI-1x＝2f_BPI-f_1X

t₂₃₁＝f_3BPI+1x＝3f_BPI+f_1X,t₂₃₂＝f_3BPI-1x＝3f_BPI-f_1X

t₂₄₁＝f_4BPI+1x＝4f_BPI+f_1X,t₂₄₂＝f_4BPI-1x＝4f_BPI-f_1X

t₂₅₁＝f_5BPI+1x＝5f_BPI+f_1X,t₂₅₂＝f_5BPI-1x＝5f_BPI-f_1X

第二组特征参数共有11个参数：

T₂＝{t₂₀,t₂₁₁,t₂₁₂,t₂₂₁,t₂₂₂,t₂₃₁,t₂₃₂,t₂₄₁,t₂₄₂,t₂₅₁,t₂₅₂}

S14确定第三组特征参数

外圈故障的特征频率f_BPO为滚动体通过外圈频率；

对每个外圈特征频率计算2次边频：

t₃₁₁＝f_1BPO+1x＝f_BPO+f_1X,t₃₁₂＝f_1BPO-1x＝f_BPO-f_1X

t₃₂₁＝f_2BPO+1x＝2f_BPO+f_1X,t₃₂₂＝f_2BPO-1x＝2f_BPO-f_1X

t₃₃₁＝f_3BPO+1x＝3f_BPO+f_1X,t₃₃₂＝f_3BPO-1x＝3f_BPO-f_1X

t₃₄₁＝f_4BPO+1x＝4f_BPO+f_1X,t₃₄₂＝f_4BPO-1x＝4f_BPO-f_1X

t₃₅₁＝f_5BPO+1x＝5f_BPO+f_1X,t₃₅₂＝f_5BPO-1x＝5f_BPO-f_1X

第三组特征参数共有11个参数：

T₃＝{t₃₀,t₃₁₁,t₃₁₂,t₃₂₁,t₃₂₂,t₃₃₁,t₃₃₂,t₃₄₁,t₃₄₂,t₃₅₁,t₃₅₂}

S15确定第四组特征参数

保持架故障的特征频率f_FT为保持架频率；

对每个保持架特征频率计算2次边频：

t₄₁₁＝f_1FT+1x＝f_FT+f_1X,t₄₁₂＝f_1FT-1x＝f_FT-f_1X

t₄₂₁＝f_2FT+1x＝2f_FT+f_1X,t₄₂₂＝f_2FT-1x＝2f_FT-f_1X

t₄₃₁＝f_3FT+1x＝3f_FT+f_1X,t₄₃₂＝f_3FT-1x＝3f_FT-f_1X

t₄₅₁＝f_5FT+1x＝5f_FT+f_1X,t₄₅₂＝f_5FT-1x＝5f_FT-f_1X

四组特征参数共有11个参数：

T₄＝{t₄₀,t₄₁₁,t₄₁₂,t₄₂₁,t₄₂₂,t₄₃₁,t₄₃₂,t₄₄₁,t₄₄₂,t₄₅₁,t₄₅₂}

S16确定第五组特征参数

滚珠故障的特征频率f_BS滚动体自转频率；

对每个滚珠特征频率计算2次边频：

t₅₁₁＝f_1BS+1x＝f_BS+f_1X,t₃₁₂＝f_1BS-1x＝f_BS-f_1X

t₅₂₁＝f_2BS+1x＝2f_BS+f_1X,t₅₂₂＝f_2BS-1x＝2f_BPO-f_1X

t₅₃₁＝f_3BS+1x＝3f_BS+f_1X,t₅₃₂＝f_3BS-1x＝3f_BS-f_1X

t₅₄₁＝f_4BS+1x＝4f_BS+f_1X,t₅₄₂＝f_4BS-1x＝4f_BS-f_1X

t₅₅₁＝f_5BS+1x＝5f_BS+f_1X,t₅₅₂＝f_5BS-1x＝5f_BS-f_1X

第五组特征参数共有11个参数：

T₅＝{t₅₀,t₅₁₁,t₅₁₂,t₅₂₁,t₅₂₂,t₅₃₁,t₅₃₂,t₅₄₁,t₅₄₂,t₅₅₁,t₅₅₂}

利用54个特征参数构建教师网络的输入向量；

S2:构建学生网络,包括，发生故障时，同时接受振动数据和电流数据，利用已经训练好的教师网络作为部分分类目标，利用电流信号和转速信号输入作为学生模型,诱导学生网络的模型收敛，直到最后完全放弃教师网络，建立学生网络模型；

S3训练教师-学生异构网络。