近几年，随着大数据、云计算以及物联网技术的进步，以德国的“工业4.0”为代表的全球制造业取得了一系列发展，大大提高了生产效率，工业设备的数据采集变得更加容易，如何利用工业设备在生产过程中不断生成的数据，借助工业实时数据降低设备故障率，进行设备故障诊断成为智能制造领域的研究重点。面对海量的实时增量数据和网络限制，传统的集中式云计算架构难以实现数据的实时传输与计算。针对以上问题，课题提出基于知识蒸馏与边缘计算的设备故障诊断方法，具体如下。
　　1、该方法利用基于边云协同的工业边缘计算架构，即由边缘层完成数据处理，由云端提供辅助计算，针对边缘与云端的增量数据采样问题与边缘端和云端数据交互的问题，提出了多目标驱动故障特征数据采样方法，降低了海量工业数据的实时传输对于网络的要求，提高了网络响应的实时性。
　　2、针对传统基于神经网络的设备故障诊断模型对于计算资源的要求较高，边缘设备中仅可运行浅层设备故障诊断模型，故障分类精度差等问题，本课题提出了基于知识蒸馏和隐含层共享的设备故障诊断方法，使用卷积层数较多的教师模型对浅层学生模型进行知识蒸馏，将教师模型的学习能力和学生模型的计算量优势结合，在边缘侧计算能力有限的情况下，实现精准的故障分类效果，接着将教师模型的浅层卷积层与学生模型的卷积层参数共享，进一步提高学生模型的特征提取能力。
　　3、对于增量数据，本文对基于知识蒸馏和隐含层共享的设备故障诊断方法进行增量学习改进，首先将增量数据进行有效样本筛选，然后对训练数据集进行重建，最后使用更新后的数据集对教师网络进行微调训练，并重新训练学生模型，形成基于知识蒸馏和隐含层共享的增量式设备故障诊断方法，实现模型的增量学习。
　　综上所述，该方法能够有效克服海量实时工业设备数据传输过程中对于网络带宽、网络延迟的要求，提高浅层设备故障诊断方法的精确性，支持增量式学习。通过对轴承运行状态数据的模拟实验验证分析，本文提出的基于知识蒸馏与边缘计算的设备故障诊断方法能够提高边云协同数据传输效率，在计算资源有限的情况下，实现较高的故障预测分类精准度，支持增量数据学习与处理。