基于教师-学生网络的半监督故障诊断模型

来源：振动与冲击杂志2024年第4期北京时间：

作者：高玉才，付忠广，谢玉存，王诗云

单位：1.华北电力大学电站能量传递转化与系统教育部重点实验室，北京102206；2.中国移动杭州研发中心 北京业务支持中心，北京102206

摘要：本文针对神经网络模型在有标签样本数量较少的情况下，容易产生网络过拟合、故障诊断精度低、不能充分利用大量无标签样本数据等问题，提出一种基于连续小波变换和教师-学生网络的半监督学习方法用于旋转机械的故障诊断。该方法以改进的LeNet5卷积神经网络模型为基础，建立具有相同结构和初始化参数的学生网络模型和教师网络模型。首先，将旋转机械振动信号进行连续小波变换，将其转换为三维时频图像。接着，利用教师模型的预测结果生成伪标签，将这些伪标签和真实标签结合起来，训练学生网络。同时，通过指数加权移动平均算法更新教师网络模型参数。实验结果表明，相对于纯监督学习模型，所提出的算法能够在有标签样本数量较少的情况下显著提高模型训练过程的稳定性和故障诊断的精度。

关键词：故障诊断，旋转机械，连续小波变换，半监督学习