[发明专利]一种基于知识蒸馏的电机轴承故障诊断方法

说明书

本发明提供一种基于知识蒸馏的电机轴承故障诊断方法，包括以下步骤，S1:构建教师网络；S2:构建学生网络；S3训练教师‑学生异构网络。本发明的有益效果是，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。

技术领域

本发明涉及电机领域，具体涉及一种基于知识蒸馏的电机轴承故障诊断方法。

背景技术

电机因为结构简单、使用方便、价位不高、坚固耐用且对各种复杂工况能够进行良好适应等优点，广泛应用于当代社会的生产和生活中。电机的安全运行是工程中非常重要和关键的，在电机故障中，有近乎80％的高几率会体现为轴承故障，占据了很高的比例，所以对电机轴承的运行情况进行准确的诊断，即能解决大部分的电机故障。

电机里面的轴承一般为滚动轴承。仅有不到十分之一的滚动轴承能够使用到既定的年限，大约一半的轴承会因为润滑不足而发生故障，三分之一左右的轴承会因为装配失误而失去作用，剩下的十分之一会因为在制造时便有缺陷或在过载情况下使用等情况得到更换。因此，电机轴承的精确诊断具有非常重要的意义。

在电机轴承故障诊断中，基于振动参数的诊断方法研究较多。基于振动参数的振动方法主要是以电机振动信号为基础，采用时域参数、频域参数、时频参数等为特征参数，方法采用各种机器学习的方法，获得了较好的诊断效果。由于振动信号体现了轴承故障时其动力学的特征，不同的故障对应产生了不同的动态响应，只要选用适当的特征参数，设计可行的诊断模型，就能达到良好的诊断效果；尤其当前深度学习方法可以使得诊断结果达到很高的正确率。

振动法也受到一些限制，如电机处于非常密闭狭小的空间，安装传感器不便，且需要另外建立系统对振动信号进行处理，这将造成诊断系统的复杂度大大增加。

针对上述问题，基于电气参数的诊断方法得到了人们的重视，利用电机本身的电流参数、转速参数、电磁参数进行诊断，取得一定的效果，但主要问题是电气参数的维度和敏感度很低，无论采用有教师监督类型和无教师监督类型去训练诊断模型，都很不容易收敛，尤其面对轴承初期故障，其动力特征不明显，数据样本就算很大，模型也非常不容易收敛。

发明内容

本发明要解决的技术问题是，现有技术中的电机轴承故障诊断方法电气参数的维度和敏感度很低，无论采用有教师监督类型和无教师监督类型去训练诊断模型，都很不容易收敛，尤其面对轴承初期故障，其动力特征不明显，数据样本就算很大，模型也非常不容易收敛。

本发明提供一种基于知识蒸馏的电机轴承故障诊断方法，包括以下步骤，

S1:构建教师网络；

S2:构建学生网络；

S3：训练教师-学生异构网络；

所述步骤S1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: