[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

说明书

本发明公开了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，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。本发明的多深度网络融合迁移学习多工况旋转机械故障诊断模型对WideResNet模块、ResNeSt模块和ResNet152模块进行集成，降低了模型训练所需时间。

技术领域

本发明属于旋转机械故障诊断技术领域，涉及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。

背景技术

随着蒸汽机、电动机的发展，旋转机械替代手工劳动，广泛应用在人类生产、生活、工作等各个领域。而旋转机械又具有一定的使用寿命，若未及时发现旋转机械故障，很可能会遭受很大的损失。因此，许多研究学者相继对旋转机械故障诊断方法进行研究。

然而，现有研究的各个故障诊断模型存在如下问题：(1)单一模型故障诊断效果较差；(2)迁移学习训练时间短；(3)集成后模型效率较低，所需存储空间较大，因此，各个故障诊断模型依然具有各自的优势与局限性，深度故障诊断模型训练依然具有训练时间较长的缺点。

发明内容

本发明要解决的技术问题是：提供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，以解决现有技术中存在的技术问题。

本发明采取的技术方案为：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，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(旋转机械的风扇端、驱动端数据)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。

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)