[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

说明书

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，属于演艺装备内部组件的故障诊断技术领域。它包括以下步骤：S1、采集原始数据集，并将原始数据集分为训练集和测试集；S2、对训练集振动信号进行分割及标准化处理；S3、对处理后的训练集进行加噪、降噪和重构；S4、建立故障诊断网络模型，利用重构后的训练集进行训练；S5、将测试集输入到训练好的故障诊断网络模型中进行故障诊断。本发明基于时间卷积降噪网络模型，采用改进的卷积降噪自编码器对演艺装备振动信号进行降噪重构，同时引入了时序卷积网络和注意力门控循环单元，并将两条路径提取的特征进行融合，输入到分类器中得到最终的故障诊断结果。

技术领域

本发明属于演艺装备内部组件的故障诊断技术领域，具体涉及一种基于带注意门控循环单元的时间卷积去噪网络AGRU-TCDN的演艺装备故障诊断方法。

背景技术

剧场演艺装备是剧院场馆的重要组成部分，一旦其内部组件发生故障，可能会造成人员伤亡和重大财产损失。在过去的30年里，故障诊断技术发展迅速，基于信号处理技术和模式识别技术的故障诊断方法得到了广泛的应用，通过合理地选择故障特征和设置恰当的分类器参数，取得了较好的故障诊断结果。然而，信号分析和处理过程繁琐而复杂，且依赖专家经验，这极大地限制了模型的泛化，并且效率很低。

随着互联网技术的飞速发展，近些年，深度学习逐渐成为当前的主流。作为机器学习的一个新的领域，深度学习可以获得输入数据的深层次表示，避免了繁琐的手工特征提取过程和高维数据的维度灾难问题。同时，工业互联网为深度学习提供了大量的原始数据，这让快速挖掘数据之间的规律成为了可能，众多的基于深度学习技术的故障诊断方法层出不穷。传统的基于深度学习的故障诊断方法虽然可以实现故障诊断功能，但准确率较低，在噪声环境下尤为明显。卷积神经网络CNN是深度学习常用的算法，已经取得了较高的故障诊断精度，但卷积神经网络CNN不能很好地处理时间序列数据的长距离依赖性，在强噪声环境下具有较高的误诊率。

虽然基于深度学习的故障诊断方法提供了较好的故障诊断结果，但在大多数情况下，仍然需要进行复杂的信号处理来提前提取特征，在噪声环境下不能进行有效的故障诊断。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种基于带注意门控循环单元的时间卷积去噪网络AGRU-TCDN的演艺装备故障诊断方法，其能够有效地解决强噪声环境下的故障诊断精度不高的问题。

本发明提供如下技术方案：

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；

1)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：