[發(fā)明專利]一種基于膠囊網(wǎng)絡(luò)輕量化模型的機械多故障智能識別方法

在審

• 申請?zhí)枺?/td>: 202210958834.8
• 申請日: 2022-08-10
• 公開（公告）號: CN115392358A
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計）人: 劉治汶;郝亮;唐蕙;趙銳東
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

本發(fā)明公開了一種基于膠囊網(wǎng)絡(luò)輕量化模型的機械多故障智能識別方法，該方法首先收集傳感器采集的時間序列數(shù)據(jù)，并將其轉(zhuǎn)換為圖像，存入機械多故障狀態(tài)數(shù)據(jù)庫中；其次構(gòu)建特征提取教師模型并訓(xùn)練到模型收斂；然后構(gòu)建特征提取學生模型并訓(xùn)練到模型收斂，特征提取學生模型總損失定義為KL散度損失和對比損失之和；最后，將上述特征提取學生模型的權(quán)重凍結(jié)，并在后面添加膠囊網(wǎng)絡(luò)分類模塊，分類模塊包含可實現(xiàn)參數(shù)共享的數(shù)字膠囊層。模型的損失函數(shù)為邊沿損失，訓(xùn)練模型直到模型收斂即可得到膠囊網(wǎng)絡(luò)輕量化模型。本發(fā)明主要用于便攜設(shè)備在惡劣環(huán)境下的機械多故障狀態(tài)智能識別場合。

技術(shù)領(lǐng)域

本發(fā)明涉及機械多故障智能故障識別，尤其是涉及一種基于膠囊網(wǎng)絡(luò)輕量化模型的機械多故障智能識別方法。

背景技術(shù)

航空發(fā)動機、風力發(fā)電設(shè)備、船舶推進系統(tǒng)、高速鐵路輪對是結(jié)構(gòu)復(fù)雜的機械設(shè)備，軸承、行星齒輪箱是其中的關(guān)鍵部件，在這些大型裝備中得到了廣泛應(yīng)用。關(guān)鍵部件的健康監(jiān)測結(jié)果對機械設(shè)備的可靠運行和保障安全性具有重大的意義。

當前，機械多故障智能識別方法大致可以分為三種方法。第一種是基于解析模型的方法；第二種是基于信號處理的方法；第三種是基于深度學習的方法，基于深度學習的方法以遞歸神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)為代表，這兩類算法也是當下機械多故障智能識別研究的熱點。然而，基于遞歸神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練是串行計算，模型訓(xùn)練時間較長，且容易產(chǎn)生梯度消失和梯度爆炸的風險。膠囊網(wǎng)絡(luò)不同于常規(guī)卷積神經(jīng)網(wǎng)絡(luò)的是，膠囊網(wǎng)絡(luò)中的一個膠囊是由多個神經(jīng)元組成，上層膠囊和下層膠囊之間的參數(shù)更新是通過動態(tài)路由算法更新。動態(tài)路由可以通過特征間的聚類，強化相似特征，自動做特征選擇，輸出更有表達力的特征向量。并且膠囊網(wǎng)絡(luò)具備向量進向量出的特點，膠囊可以表達更豐富的故障特征信息，從而更容易識別出機械故障。膠囊網(wǎng)絡(luò)的這一特性給機械多故障識別精度的提升帶來了可能。

機械設(shè)備的運動結(jié)構(gòu)多樣，工作條件惡劣，設(shè)備運行常常處于惡劣環(huán)境(高噪聲)下，關(guān)鍵設(shè)備發(fā)生故障時，不及時處理會出現(xiàn)安全風險。如何在高噪聲下提取機械故障特征依然是一個難點。對比學習可以學習到同類樣本之間的共性，學習到不同類樣本之間的特異性。將對比學習融入機械多故障識別能幫助提取到更能表達故障信息的特征。

膠囊網(wǎng)絡(luò)同大量深度學習方法一樣，當前基于膠囊網(wǎng)絡(luò)的機械多故障識別方法大多模型參數(shù)量較大、對設(shè)備的計算能力要求較高，導(dǎo)致實用性較差，難以部署在小型的嵌入式便攜設(shè)備中；而輕量化的膠囊網(wǎng)絡(luò)模型故障識別結(jié)果又難以達到要求。當前探究基于膠囊網(wǎng)絡(luò)的機械多故障識別算法的模型輕量化過程顯得尤為重要。

為了解決這一困境，本文的解決思路之一是采用知識蒸餾技術(shù)。知識蒸餾是模型輕量化方法之一，是將教師網(wǎng)絡(luò)(模型結(jié)構(gòu)復(fù)雜和參數(shù)量較大)的知識遷移到學生網(wǎng)絡(luò)(模型結(jié)構(gòu)簡單和參數(shù)量較小)中。知識蒸餾按照處理方式可分為基于特征的知識蒸餾和基于響應(yīng)的知識蒸餾。由于機械故障信號常常被噪聲淹沒，故障特征提取困難，本文選擇基于特征的知識蒸餾這一方式。本文提供的模型輕量化解決思路之二是對膠囊層之間的參數(shù)進行共享，達到降低模型空間復(fù)雜度的目的。

現(xiàn)有的膠囊網(wǎng)絡(luò)不能適應(yīng)惡劣工況和模型復(fù)雜度較高的情況。

發(fā)明內(nèi)容

本發(fā)明提供一種基于膠囊網(wǎng)絡(luò)輕量化模型的機械多故障智能識別方法，以實現(xiàn)膠囊網(wǎng)絡(luò)輕量化模型對機械多故障進行有效的識別，同時以解決上述背景技術(shù)中所提出的問題。

為實現(xiàn)上述目的，一種基于膠囊網(wǎng)絡(luò)輕量化模型的機械多故障智能識別方法，該方法包括：

S1、按機械故障具體類別收集傳感器采集的一維信號序列數(shù)據(jù)，將數(shù)據(jù)轉(zhuǎn)為圖像，建立機械多故障狀態(tài)數(shù)據(jù)庫；機械多故障狀態(tài)數(shù)據(jù)庫由若干個成對的時間序列數(shù)據(jù)和健康狀態(tài)標簽組成；