基于图卷积网络与增强子域适应的知识蒸馏方法在资源受限故障诊断中的应用

本文提出了一种融合知识蒸馏（KD）与图卷积网络（GCN）的故障诊断框架KAVI，通过增强局部最大均方差异（ELMMSD）解决域偏移和标签噪声问题，并采用自回归滑动平均（ARMA）滤波器提升特征提取能力。其创新性体现在：①首次将多核ELMMSD与标签平滑（LS）结合，精准对齐子域分布；②通过渐进式知识蒸馏实现99%模型压缩；③为工业场景提供端到端轻量化解决方案。

　　

Highlight

突破性进展与创新贡献

• ELMMSD解决对齐与标签噪声问题：我们提出的ELMMSD（增强局部最大均方差异）指标通过捕捉均值与方差统计量，克服了传统方法对齐不精确的缺陷，其集成的标签平滑（Label Smoothing）技术显著提升了对噪声标签的鲁棒性。

• 渐进式知识蒸馏实现部署落地：框架通过渐进式知识蒸馏（Progressive KD）实现超99%的模型压缩率，让高性能模型能在资源受限设备（如工业边缘计算终端）中无损部署。

• ARMA-GCN增强特征提取：教师模型中采用自回归滑动平均（ARMA）滤波器的GCN架构，解决了传统图滤波器（如Chebyshev）的僵化性问题，提取出更具迁移性的几何特征。

• 端到端一体化解决方案：不同于孤立解决单一问题的方案，本工作首次将计算复杂度、域偏移和标签噪声三大挑战纳入统一框架协同优化。

结论

本文提出了一种面向变工况轴承故障诊断的轻量化解决方案。通过结合渐进式知识蒸馏与ARMA增强的GCN教师模型，配合ELMMSD子域对齐技术，在CWRU和JNU数据集上实现了优越的诊断精度（较基线提升15%以上）与98.7%的参数量压缩。该框架为工业物联网（IIoT）环境下的实时故障监测提供了切实可行的技术路径。