基于蒸的轻量级知识转移学习框架,用于滚动轴承故障诊断

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 由于数据分布的显著差异,跨设备的故障诊断存在挑战.
• 现有的转移学习方法不足以解决跨设备故障诊断.
• 在实际应用中,平衡计算资源和诊断准确度至关重要.

研究的目的:

• 为滚动轴承故障诊断提出基于知识蒸的轻量级转移学习框架.
• 解决跨设备故障诊断中当前转移学习方法的局限性.
• 为了提高诊断准确度,同时最大限度地减少计算和参数开销.

主要方法:

• 开发了一个使用可变规模残余网络的深度教师-学生模型,以学习域不变特征.
• 使用温度因子的知识蒸框架将知识从一个大型教师模型转移到一个较小的学生模型.
• 多个内核的域调整被用来最小化源和目标域之间的特征分布距离在重现内核希尔伯特空间 (RKHS).

主要成果:

• 拟议的框架有效地学习了域不变特征,用于在不同设备上进行故障分类.
• 知识蒸显著减少了诊断模型的计算和参数开销.
• 该方法在各种设备类型的数据不完整的场景中证明了有效性和适用性.

结论:

• 开发的框架为滚动轴承的跨设备故障诊断,平衡精度和效率提供了可行的解决方案.
• 知识蒸和域调整的整合提供了一个强大的方法来处理设备之间的数据差异.
• 通过工程案例的验证证实了拟议方法在现实世界操作环境中的实际适用性.