欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024114338553
申请人: 中国计量大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述方法包括以下步骤:第一步、采集电梯轿厢运行加速度的原始振动信号:在电梯轿厢中安装加速度传感器,并通过TCP/IP通信协议实现了远程数据获取;采用串口连接方式将加速度传感器、电梯和网关进行连接,并利用Modbus和RS485协议进行数据通讯;

第二步、获取原始振动信号,处理过程如下:步骤(2.1)通过时域分析法计算时域特征指标并调整电梯轿厢振动加速度信号;

步骤(2.2)对步骤(2.1)中处理后的振动信号进行分割,采用包含M个数据点的滑动窗口对其进行采样,然后将窗口向后滑动数量大于M的数据点截取原始信号,最后得到有效的原始振动信号;

步骤(2.3)通过一维卷积实现信号的降维;

步骤(2.4)将一维卷积得到的信号进行最大池化;

步骤(2.5)获取最终处理后的振动信号;

第三步、优化TCN模型,将门控卷积和神经常微分方程引入扩张卷积和残差连接,构成改进的TCNODE模型,过程如下:步骤(3.1)TCNODE中的扩张卷积引入门控卷积:步骤(3.2)将残差连接方法改进为神经常微分方程方法;

第四步、加入自注意力机制构成改进的SA-TCNODE模型,进行电梯故障诊断,过程如下:步骤(4.1)子块的局部特征输出序列通过自适应线性映射,被转换为Y个向量,并用其生成查询向量Q、键向量K和值向量V;

步骤(4.2)根据Q、K向量计算注意力系数;

步骤(4.3)将注意力系数对值向量V进行加权求和计算各子块权重并串联加权局部特征得到全局特征;

步骤(4.4)将全局特征

2.如权利要求1所述的基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述故障诊断方法还包括以下步骤:第五步、引入伴随灵敏度反向传播法训练模型,过程如下:步骤(5.1)使用交叉熵损失函数来训练模型;

步骤(5.2)损失对网络参数的梯度由伴随函数和ODE求解器直接计算得到。

3.如权利要求1或2所述的基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述步骤(2.1)的过程如下:步骤(2.1.1)计算振动信号样本中的峰峰值其中,

步骤(2.1.2)计算振动信号样本中的平均幅值其中,N为采样点数,∑为求和运算,用于数学和统计学中,其表示将一系列数值相加,步骤(2.1.3)计算振动信号样本中的方根幅值步骤(2.1.4)根据计算出的时域特征调整原始振动信号其中,

4.如权利要求1或2所述的基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述步骤(2.2)得到有效的原始振动信号其中,

所述步骤(2.4)中,最大池化后的输出为,其中,z表示最大池化的宽度,之后对池化结果进行dropout操作;

所述步骤(2.5)中,获取最终处理后的振动信号,

5.如权利要求1或2所述的基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述步骤(3.1)的过程如下:步骤(3.1.1)采用卷积层和循环结构构建门控卷积,在门控卷积中,每个卷积层的输出都通过一个门控机制,该机制采用一个sigmoid激活函数来决定每个通道的信息传递量,门控卷积层中卷积核宽度为其中,

步骤(3.1.2)采用卷积层和循环结构构建扩张卷积,扩张卷积通过增加卷积核中每个单元之间的间距,即膨胀率P来扩大其感受野,而不增加参数数量,膨胀率P取1,卷积核宽度其中,

步骤(3.1.3)获得TCNODE的卷积层公式,其中,

6.如权利要求5所述的基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述步骤(3.2)的过程如下:步骤(3.2.1)TCN通过堆叠多个残差卷积块,以非递归的方式提取和聚合时序信息,子块的局部特征L经过如下公式得到,其中,其中

步骤(3.2.2)神经常微分方程如下,其中,

步骤(3.2.3)将TCNODE中的传播深度步骤(3.2.4)对于终止时间

其中,

7.如权利要求1或2所述的基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述步骤(4.1)中,子块的局部特征输出序列其中,

所述步骤(4.2)中,根据Q、K向量计算注意力系数其中

所述步骤(4.3)中,全局特征G表示为,步骤(4.4)中,归一化表示为,其中,c为softmax函数输入的维度,

8.如权利要求2所述的基于短序列时间卷积网络的电梯故障诊断方法,其特征在于,所述步骤(5.1)中,使用交叉熵损失函数来训练模型,计算公式如下,其中,

所述步骤(5.2)中,损失

其中,