本发明涉及轴承故障，特别是涉及一种采煤机用轴承部件故障监测方法。
背景技术：
1、采煤机用轴承部件是旋转设备中旋转部件的重要元件，例如机械设备、汽车发动机、电机和航空发动机等。它们承受着高速、高负荷的工作环境，长期使用可能引发各种故障。若轴承发生故障则必然会影响设备系统的稳定运行，甚至产生危险。因此故障监测技术是提高设备无故障运行时间，减少意外停机，保证机械运行安全的有效手段。
2、在实际工况下，轴承数据更多是以非平稳的数据流的形式进行输入，且这些数据可能来自不同工况，对应着不同故障。如何能在新故障数据到达时，学习完如何识别新故障同时保证模型依然能够准确的识别出之前所学的旧故障是亟待解决的难题，需要更好的方法来实现故障诊断。
3、随着互联网技术及ai领域的快速发展，深度学习模型在各个领域取得了极其重大的活动。应用深度学习模型对采煤机用轴承部件进行故障监测也成为了主流方法。然而，高效、精确的深度模型往往受限于其高昂的计算成本和资源消耗，在实际应用场景中的使用受到诸多限制。为解决这一问题，轻量模型应运而生，而知识蒸馏技术则是实现大模型至轻量模型的关键手段。知识蒸馏即将大模型中丰富的知识迁移至轻量模型中，其中大模型称为教师模型，轻量模型称为学生模型。其核心思想是通过让学生模型学习教师模型的特征表示和预测能力，从而达到改善轻量模型性能的目的。
4、然而，目前的知识蒸馏算法多为单独的特征对齐方式，即从学生模型和教师模型中选择一层的输出特征进行比较和对齐。这一方法虽然在一定程度上实现了知识的蒸馏，但忽略了最优层次间的语义信息差异，可能会导致训练出的学生模型效果不稳定，不具备良好的泛化性能。
技术实现思路
1、本发明的目的是提出一种采煤机用轴承部件故障监测方法，以解决上述现有技术存在的问题，具备良好的泛化性能。
2、为实现上述目的，本发明提供了如下方案：
3、一种采煤机用轴承部件故障监测方法，包括：
4、获取采煤机用轴承部件中待预测的故障数据；
5、构建多层次的教师模型和单一轻量化的学生模型；其中，所述教师模型和所述单一轻量化的学生模型利用故障训练集训练获得，并获取所述多层次的教师模型处理所述故障训练集所输出的各个层的特征向量以及所述单一轻量化的学生模型处理所述故障训练集所输出的特征向量，所述故障训练集包括：振动信号和与所述振动信号对应的故障类型；
6、根据所述多层次的教师模型所输出的各个层的特征向量和所述单一轻量化的学生模型所输出的特征向量，获取所述学生模型的对齐损失函数；
7、基于所述对齐损失函数对所述学生模型中的参数进行迭代更新，获取最优学生模型；
8、将所述待预测的故障数据输入所述最优学生模型进行轴承故障监测，获取故障监测结果。
9、可选地，获取所述多层次的教师模型处理所述故障训练集所输出的各个层的特征向量包括：
10、通过第一层教师网络中的残差结构对所述故障训练集进行残差处理，得到所述第一层教师网络输出的残差结果，将所述第一层教师网络输出的残差结果输入至下一层教师网络中的残差结构进行残差处理，以及将所述下一层教师网络输出的残差结果输入至与其相邻的教师网络进行残差处理，直至得到所述教师模型中最后一层教师网络输出的残差结果，从而获各个层的残差结果，即各个层的特征向量。
11、可选地，获取所述学生模型的对齐损失函数包括：
12、根据各个层的教师模型训练出的特征向量，确定各个层的训练任务的准确率，获取准确率最高的单层中的特征向量；
13、对所述单层中的特征向量与所述单一轻量化的学生模型所输出的特征向量进行计算，获取所述单一轻量化的学生模型所对应的相似度以及欧式损失；
14、基于所述单一轻量化的学生模型所对应的相似度以及欧式损失，确定所述学生模型的对齐损失函数。
15、可选地，获取所述单一轻量化的学生模型所对应的相似度包括：
16、通过空间池化层对准确率最高的单层中的特征向量进行空间池化处理，得到所述准确率最高的单层的空间特征向量；
17、基于所述空间池化层对所述学生模型对应的残差结果进行空间池化处理，得到所述学生模型的空间特征向量；
18、根据所述准确率最高的单层的空间特征向量以及所述学生模型的空间特征向量，计算所述学生模型对应的相似度。
19、可选地，获取所述单一轻量化的学生模型所对应的欧式损失包括：
20、通过通道池化层对准确率最高的单层中的特征向量进行通道池化处理，得到所述准确率最高的单层的通道特征向量；
21、基于所述通道池化层对所述学生模型对应的残差结果进行通道池化处理，得到所述学生模型的通道特征向量；
22、根据所述准确率最高的单层的通道特征向量以及所述学生模型的通道特征向量，计算所述学生模型对应的欧式损失。
23、可选地，获取所述学生模型的对齐损失函数后包括：
24、在每一轮迭代中更新所述学生模型，获取最优学生模型的同时，所述教师模型通过所述学生模型参数的指数移动平均进行参数更新。
25、可选地，所述教师模型通过所述学生模型参数的指数移动平均进行参数更新包括：
26、预设动量参数阈值，确定在迭代过程中所述教师模型和所述学生模型的可训练参数；
27、基于所述动量参数阈值结合所述教师模型和所述学生模型的可训练参数对所述教师模型进行参数更新。
28、可选地，基于所述动量参数阈值结合所述教师模型和所述学生模型的可训练参数对所述教师模型进行参数更新的方法为：
29、θi←aθi+(1-a)θj,a∈[0,1]
30、其中，θi为教师模型中可训练的参数，θj为学生模型中可训练的参数，a为预设的动量参数阈值。
31、本发明的有益效果为：
32、本发明公开了通过从教师模型和学生模型的多个目标层中获得特征向量，充分利用和挖掘了教师模型层次的信息，相比传统的只对比一个固定层次的特征，提高了学生模型学习和理解教师模型的能力，增强了模型的稳定性和泛化性能。通过循环迭代的方式更新学生模型中的参数，使学生模型能以更低的计算成本和资源消耗获取到教师模型的知识，提高了模型训练的效率。通过对齐损失的定义，可以更有效地减小学生模型与教师模型之间的性能差距，使得经过训练的轻量级学生模型在精度和性能上都可以接近甚至达到大型教师模型的水平。
33、本发明在每一轮迭代中更新学生模型，获取最优学生模型的同时，教师模型通过所述学生模型参数的指数移动平均进行参数更新，通过半监督对齐方法在端到端的训练过程中，学生模型和教师模型交替着进行更新，并不断优化。
1.一种采煤机用轴承部件故障监测方法，其特征在于，包括：
2.根据权利要求1所述的采煤机用轴承部件故障监测方法，其特征在于，获取所述多层次的教师模型处理所述故障训练集所输出的各个层的特征向量包括：
3.根据权利要求1所述的采煤机用轴承部件故障监测方法，其特征在于，获取所述学生模型的对齐损失函数包括：
4.根据权利要求3所述的采煤机用轴承部件故障监测方法，其特征在于，获取所述单一轻量化的学生模型所对应的相似度包括：
5.根据权利要求3所述的采煤机用轴承部件故障监测方法，其特征在于，获取所述单一轻量化的学生模型所对应的欧式损失包括：
6.根据权利要求1所述的采煤机用轴承部件故障监测方法，其特征在于，获取所述学生模型的对齐损失函数后包括：
7.根据权利要求1所述的采煤机用轴承部件故障监测方法，其特征在于，所述教师模型通过所述学生模型参数的指数移动平均进行参数更新包括：
8.根据权利要求7所述的采煤机用轴承部件故障监测方法，其特征在于，基于所述动量参数阈值结合所述教师模型和所述学生模型的可训练参数对所述教师模型进行参数更新的方法为：
