[发明专利]一种多深度网络融合迁移蒸馏多工况旋转机械故障诊断模型

权利要求书

1.一种多深度网络融合迁移蒸馏多工况旋转机械故障诊断模型，其特征在于：包括特征图转化模块、多深度网络融合迁移模块和知识蒸馏模块,特征图转化模块用于将原始信号数据和负载工况数据，分别归一化后，编码转化到图像的三个通道中；多深度网络融合迁移模块根据特征图转化模块得到的数据，采用parmeter based transfer learning的方式对多个网络同时进行迁移和训练；知识蒸馏模块用于对多深度网络融合迁移模块的模型进行压缩。

2.根据权利要求1所述的一种多深度网络融合迁移蒸馏多工况旋转机械故障诊断模型，其特征在于：多深度网络融合模块包括融合的WideResNet模块、ResNeSt模块和ResNet152模块，ResNet152模块使用残差连接，采用BatchNorm对模型进行正则化；WideResNet模块在ResNet152模块基础上减少深度，增加宽度，从宽度方向探索模型优化思路，WideResNet模块采用dropout模块的方法进行正则化，ResNeSt模块在保留ResNet152模块残差连接的思想的基础上，将输入特征图沿着通道维度分为G个基数组，并进一步将基数组拆分为N个模块，于是，第g个基数组的平均池化组合表示如公式(1)所示：

其中，N表示基数组内的拆分数，H和W分别表示图像的高和宽，F_k(i,j)表示对特征图X上(i,j)像素点在第k个拆分上执行的变换操作，第g个基数组中第n个拆分的注意力计算公式如公式(2)所示：

式中，f_j表示对第j个输入的变换函数，f_n表示对第n个输入的变换函数，变换函数是神经网络训练出来的映射；

因此，第g个基数组的注意力加权表示如公式(3)所示：

其中，F_N(g-1)+i(X)表示特征图X在第N(g-1)+i个拆分上执行的变换操作；最终基数组组合并加上残差项后的表达式如公式(4)所示：

Y＝V^b+Concat{V¹,V²,...,V^G} (4)

其中，V^b表示残差项。

3.根据权利要求2所述的一种多深度网络融合迁移蒸馏多工况旋转机械故障诊断模型，其特征在于：模型融合公式：

式中，h_i(x)表示第i个模型的输出；i表示第i个模型；N表示总共集成了N个模型；w_i表示第i个模型的权重；H(x)表示整体输出。

4.根据权利要求1-3任一所述的一种多深度网络融合迁移蒸馏多工况旋转机械故障诊断模型，其特征在于：知识蒸馏模块采用ResNet18作为学生模型，在对多深度网络融合模块的模型进行知识蒸馏，引入温度T后的softmax函数如公式(5)所示：

其中，T表示温度，y因变量，x自变量，i第i个，exp表示指数函数。