[发明专利]基于时间卷积降噪网络的演艺装备故障诊断模型构建方法

权利要求书

1.基于时间卷积降噪网络的演艺装备故障诊断模型构建方法，其特征在于：包括以下步骤:

S1、原始振动信号数据采集：采集不同故障状态下的剧场演艺装备振动信号作为原始数据集，并将原始数据集分为训练集和测试集；

S2、对训练集和测试集的振动信号进行分割及标准化处理：采用滑动窗口法对训练集振动信号进行分割，为了确保训练集振动信号中每个特征对故障诊断结果的贡献相等，对分割后的训练集振动信号进行标准化处理；

S3、向S2中进行标准化处理后的训练集振动信号中加入随机的高斯白噪声，并将加噪的训练集振动信号输入到改进的卷积降噪自编码器CDAE中进行无监督训练，通过改进的卷积降噪自编码器CDAE中的解码器和编码器完成加噪振动信号的降噪和重构；

S4、建立故障诊断网络模型，利用S3中重构后的训练集振动信号对建立的故障诊断网络模型进行故障诊断训练；所述故障诊断网络模型为带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型，其采用双路径神经网络，其中，路径一由三层时序卷积网络TCN组成，所述时序卷积网络TCN在卷积神经网络CNN的基础上引入了因果卷积、扩张卷积和残差连接；路径二由注意力门控循环单元AGRU构成，注意力门控循环单元AGRU是在门控循环单元GRU的基础上引入了注意力机制，所述注意力机制的计算公式如下：

s_i＝v_itanh(ω_ig_i+q_i)

其中，对于当前时刻i，h是特征向量，a_i是门控循环单元GRU隐藏层输出值对应的当前的注意力权重值，s_i是隐藏层状态向量，g_i是门控循环单元GRU隐藏层输出的状态值，q_i为偏移量，v_i和ω_i为权重系数矩阵；

S5、将测试集中的振动信号样本输入到训练好的带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型中进行故障诊断。

2.根据权利要求1所述的基于时间卷积降噪网络的演艺装备故障诊断模型构建方法，其特征在于所述训练集振动信号在故障诊断网络模型中的具体处理过程如下：

首先采用带有宽卷积核的一维卷积层提取重构后的训练集数据的特征，然后将提取的信息流分别传输到时序卷积网络TCN路径和注意力门控循环单元AGRU路径，获取时间序列数据的长距离依赖性，注意力门控循环单元AGRU对输入数据赋予不同的权重，用于忽略输入数据中的噪声和冗余信息，有利于提高不同故障类型数据之间的区分度，最后，将两条路径获取的特征进行融合，输入到具有Softmax激活函数的全连接层中得到最终故障诊断结果。

3.根据权利要求1所述的基于时间卷积降噪网络的演艺装备故障诊断模型构建方法，其特征在于所述改进的卷积降噪自编码器CDAE由四层卷积层和四层反卷积层组成，编码器的通道数逐层减少，解码器的通道数逐层增加，与传统的卷积降噪自编码器CDAE参数设置方法相反，增加了卷积降噪自编码器CDAE网络输出层的通道数，以提取更多的特征。