基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统技术方案

本发明专利技术属于曲轴内部缺陷检测技术领域，本发明专利技术公开了一种基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统，该方法包括（1）数据采集及处理；（2）构建并训练教师模型；（3）构建并训练分级知识蒸馏，以训练好的教师模型作为一级知识蒸馏的教师网络，一级知识蒸馏的学生网络作为二级知识蒸馏的教师网络；保证学生网络和教师网络的蒸馏匹配度，分别从中间特征和逻辑输出进行蒸馏，使学生网络的中间特征和逻辑输出不断向教师网络对应部分的特征和逻辑输出对齐，并对特征和逻辑输出联合构建损失函数，本发明专利技术采用的教师网络和学生网络灵活多变，从多个角度构造的损失函数增强了知识蒸馏的强度，弥补了创新性不足的问题。弥补了创新性不足的问题。弥补了创新性不足的问题。

【技术实现步骤摘要】
基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统


[0001]本专利技术属于曲轴内部缺陷检测
，具体涉及一种基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统。

技术介绍

[0002]曲轴是发动机的核心零部件，主要用于发动机的功率输出。曲轴缺陷，如肩裂纹、弯曲、轴颈磨损、烧伤以及内部缺陷，直接影响发动机的使用性能和寿命，而诸如表面裂纹、弯曲和磨损可以通过机器视觉的技术进行检测。由于内部缺陷形态各异、位置不定、尺寸不一，利用传统的声发设备进行检测，具有成本高的缺点。因而研究基于振动信号来检测曲轴内部缺陷对曲轴制造工业具有十分重要的意义。
[0003]近年来，随着以深度学习为代表的数据驱动技术的不断发展，研究人员利用基于时间序列信号的深度学习方法来检测机器领部件的故障，通过神经网络提取信号中隐藏的缺陷信息来预测缺陷已成为缺陷检测领域的重要形式。然而，在相关技术中，由于振动信号固有的非平稳性和非高斯性，很难通过时域的振动信号训练一个收敛且预测精度高的模型。另一方面，训练出的模型参数量大，需要的计算资源巨大，所以可迁移性差，部署到嵌入式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分级知识蒸馏的曲轴内部缺陷检测方法，其特征在于包括如下步骤：（1）数据采集及处理采集内部无缺陷曲轴和内部缺陷曲轴的激振信号，并对采集的激振信号预处理后时频变换为时频图，并按照8:2的比例将曲轴的时频图为训练数据集和测试数据集；（2）构建并训练教师模型所述教师模型包括依次连接的特征提取层、位置编码层、语义编码层和分类器；所述特征提取层用于提取时频图的高维特征，对特征图进行下采样处理，然后把特征图映射成一维特征向量；所述位置编码层用于对一维特征向量添加一个表征类别的Class Token生成特征向量，然后对特征向量的每个位置进行编码；所述语义编码层用于提取位置编码层输出的特征向量中的缺陷语义信息；所述分类器用于对缺陷语音信息进行缺陷分类别预测；（3）构建并训练分级知识蒸馏所述分级知识蒸馏包括一级知识蒸馏和二级知识蒸馏，每级知识蒸馏都包括教师网络和学生网络，一级知识蒸馏的教师网络采用步骤（2）训练好的教师模型，一级知识蒸馏的学生网络作为二级知识蒸馏的教师网络；二级知识蒸馏的教师网络和学生网络采用选择参数量小且模型简单的网络，它包括特征提取网络和分类器；一级知识蒸馏和二级知识蒸馏均在中间特征和逻辑输出进行蒸馏，使学生网络的中间特征和逻辑输出不断向教师网络对应部分特征和逻辑输出对齐；一级知识蒸馏和二级知识蒸馏中对特征和逻辑输出联合构建损失函数，逻辑输出蒸馏损失连接有损失函数，且学生网络的分类器连接有交叉熵损失，交叉熵损失与损失函数连接；所述损失函数为，α、β、λ为权重因子，取值范围0~1，l
F
为教师网络和学生网络的特征蒸馏损失，；为重构后学生网络中间特征，，为学生网络的中间特征，为softmax函数，为线性映射函数，F
T
分别教师网络的中间特征，为二次范数；T为蒸馏温度；l
L
为学生网络和教师网络的逻辑输出经过带有温度的softmax函数软化后的KL散度损失，l
C
为学生网络的逻辑输出与真实标签的交叉熵损失。2.根据权利要求1所述的一种基于分级知识蒸馏...

【专利技术属性】
技术研发人员：谢罗峰，卢后洪，殷鸣，殷国富，刘建华，杨扬，赖光勇，杨敏，余雅彬，
申请(专利权)人：四川飞亚动力科技股份有限公司，
类型：发明
国别省市：