1.基于蒸馏学习与特征融合的变工况智能故障诊断方法,其特征在于,该方法包括以下步骤:第一步:获取原始振动信号,标记故障类型,构建训练数据集;
第二步:构建故障诊断网络模型,执行以下操作:将采集到的原始振动信号进行快速傅里叶变换,获取信号频域信息,并经过特征提取模块提取频域特征;
对采集到的原始振动信号进行幅相增强,得到幅相增强后的信号样本;对幅相增强后的样本进行蒸馏学习,学习得到相应的幅相增强特征;
将幅相增强特征、时域特征以及频域特征进行拼接得到混合特征,并通过表征自挑战学习进行特征提取;
将提取后的特征输入分类器进行故障类型识别;
第三步:利用训练数据集对所述的故障诊断网络模型进行训练,将采集得到的振动信号输入训练好的网络模型进行故障诊断。
2.根据权利要求1所述的基于蒸馏学习与特征融合的变工况智能故障诊断方法,其特征在于,在训练过程中将若干个样本的特征和标签进行线性插值,使用幅相增强方法,合成新域样本;
将频域中的幅值和相位信息视为两种特征,分别进行处理;
对于幅值信息,采用线性插值;
其中,
对于相位信息,首先计算出
其中
计算增强样本
其中
依据得到的幅值信息和相位信息,利用傅里叶逆变换重构信号,得到幅相增强后的信号样本;
3.根据权利要求1所述的基于蒸馏学习与特征融合的变工况智能故障诊断方法,其特征在于,对幅相增强后的样本进行蒸馏学习,通过一个蒸馏学习框架学习域不变特征,方法如下:将进行幅相增强后的样本作为教师网络的输入,使模型学习到相应的增强特征;教师网络训练过程表示如下:式中,
在经过教师网络训练后,得到教师网络的特征提取器式中,
4.根据权利要求3所述的基于蒸馏学习与特征融合的变工况智能故障诊断方法,其特征在于,网络中各特征提取器结构一致,在教师网络的特征提取器后增加一层全连接层,将教师网络所提取特征的尺寸缩减为原来的一半,并与提取到的时域特征的前半部分构建均方误差损失。
5.根据权利要求1-4任一所述的基于蒸馏学习与特征融合的变工况智能故障诊断方法,其特征在于,将幅相增强特征、时域特征以及频域特征进行拼接后得到混合特征,通过表征自挑战学习增强模型对不同特征的提取利用能力,具体过程为:计算混合特征
式中
表征自挑战学习中,由梯度大小确定需要被抑制的神经元;在对梯度其中,
最后,将位置