An Integrated Framework for Bearing Fault Diagnosis: Convolutional Neural Network Model Compression Through Knowledge Distillation
Notice bibliographique
Résumé
The industrial application of rolling bearing fault diagnosis necessitates achieving high classification accuracy while minimizing the number of model parameters to reduce the computational resources and storage space required for the model. To meet this requirement, this study proposes a knowledge distillation convolutional neural network-deep forest (KDCNN-DF) hybrid model framework. The proposed method integrates the continuous wavelet transform (CWT) for signal data processing, a convolutional neural network (CNN) optimized by knowledge distillation (KD) for feature extraction, and a simplified multigranular scanning (MGS) process using deep forest (DF) for fault classification. Besides, during the construction of the student models, this study found that the arrangement order of kernel sizes in the CNN convolutional layers significantly impacts the extraction of bearing fault features. Experimental validation confirmed that architecture with a smaller kernel size preceding a larger kernel size in shallow-level models is more effective. This effect is particularly pronounced after the KD process and adoption in hybrid models, resulting in higher classification accuracy. The proposed KD method reduces the parameter count of the CNN model to 5% of the original number while maintaining relatively high accuracy and significantly reducing computing time. In addition, the modeling architecture of DF has been simplified by adopting a streamlined MGS process. The proposed model achieves the highest accuracy on the original Case Western Reserve University (CWRU) datasets, with 99.75% on the 48-kHz dataset, 99.90% on the 12-kHz dataset, and a perfect 100% on the Ottawa dataset. These results surpass the accuracy of existing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».