摘要:针对三相异步牵引电机在长期高温、高湿和强振动等复杂工况下运行过程中关键部件易发生劣化,以及传统深度学习模型在车载环境中因资源受限而难以兼顾诊断精度与计算效率的问题,提出一种基于多因子自适应蒸馏的牵引电机轻量化故障诊断方法。以定子匝间短路与转子断条两类典型故障为诊断对象,实现牵引电机运行状态智能监测与故障诊断。首先,提出一种多因子自适应知识蒸馏模型,以深度可分离卷积替代传统卷积运算,构建基于深度可分离卷积的残差神经网络轻量化模型作为故障诊断学生模型,在保持较强特征提取能力的同时显著减少模型参数量与计算量,提高车载系统诊断快速性;提出多因子自适应知识蒸馏策略,根据样本的不确定性动态调整样本权重,使学生模型在训练过程中更加关注易混淆样本,提高对难分类运行状态的识别能力,综合软硬损失比、训练进度和不确定性三种因子自适应调整蒸馏系数,实现软损失与硬损失的自适应平衡。然后,提出基于多因子自适应知识蒸馏模型的牵引电机故障诊断方法,配置模型末端轻量化分类器以完成端到端的故障判别。最后,通过仿真验证所提方法有效性,结果表明该方法在显著降低模型复杂度的同时,在准确率、召回率和 F1 值等指标上均优于传统轻量化深度学习模型与固定蒸馏策略的故障诊断方法,并且对高不确定性样本具有更强的鲁棒性。综合看来,所提方法能够在保障高精度诊断性能的同时实现模型轻量化与实时化,适用于车载系统与边缘计算设备的实时部署,为轨道交通车辆牵引系统车载在线故障诊断与运行安全监测提供了有效的技术支持与工程化实现路径。