面向强噪声干扰环境的演艺装备故障诊断模型构建方法

1.本发明属于演艺装备内部组件的故障诊断技术领域，具体涉及面向强噪声干扰环境的演艺装备故障诊断模型构建方法。


背景技术：

2.在实际剧院场馆工作环境中，演艺装备经常在非理想条件下运行，受各种因素影响，时常发生损坏，会导致演艺装备内部组件迅速失效。早期故障诊断可以在最大化机器利用率和避免灾难性损坏的前提下优化维修计划。
3.在各种机械化设备故障诊断技术中，基于振动的技术已被证明是最有效的机械化设备内部组件故障诊断方法之一，因而得到了广泛的应用。故障诊断方法一般分为两类：基于模型的故障诊断方法和基于数据驱动的故障诊断方法。基于模型的方法依赖于较强的专业知识建立故障模型。旋转机械涉及到电场、机械场和磁场的耦合，因此很难建立精确的模型。目前，数据驱动方法由于能够自动提取特征，且对专业知识的要求较低，在旋转机械故障诊断中得到了广泛的应用。
4.近年来，深度学习的发展为数据驱动的故障诊断提供了机遇。常用的深度学习方法包括自动编码器、卷积神经网络、深度信念网络和循环神经网络。数据驱动的故障诊断方法虽然效果显著，但在实际场景中，采集到的振动信号在时域和频域上都会受到噪声干扰，会严重影响故障诊断精度。因此，如何从噪声振动信号中准确地估计演艺装备故障类型仍是一个挑战。


技术实现要素：

5.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dp
‑
mrtn，应用于现代剧场演艺装备中，解决其内部组件故障诊断问题的故障诊断方法。
6.本发明提供如下技术方案：面向强噪声干扰环境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：
7.1)在演艺装备外壳表面安置无线智能传感器，采集径向x、前向y、垂向z三个方向的振动信号，设置每次进行分析的样本时长，并根据分析的样本时长对前向y方向上的振动信号进行分割，将分割后的数据分为训练集和测试集；
8.2)将训练集的振动信号和测试集的振动信号采用min
‑
max标准化的方法进行比例缩放，使之落入设定的区间，提升模型的收敛速度；
9.3)确定双路径混合域残差阈值网络dp
‑
mrtn的整体结构和超参数，将训练集输入到双路径混合域残差阈值网络dp
‑
mrtn中进行训练，得到一个用于演艺装备的特征提取模型和分类模型，训练集在双路径混合域残差阈值网络dp
‑
mrtn中的具体处理过程如下：
10.3.1)首先，通过卷积层对输入的训练集振动信号中的短时特征进行提取，抑制高频噪声；
11.3.2)输入的训练集振动信号在被宽卷积核压缩后，首先流经批归一化层和relu激
活函数，然后输入到双路径混合域残差阈值块dp
‑
mrtb模型中，在双路径混合域残差阈值块dp
‑
mrtb模型中，数据分为混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径两个路径进行传输；
12.3.3)输入的训练集振动信号经由混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征；
13.3.4)将步骤3.3)中经过两个路径提取的通道域注意力特征和空间域注意力特征分别作为阈值输入到软阈值函数中，对输入数据进行筛选，选取其中的有利于提高不同故障类型数据之间区分度的特征，削弱噪声信息的干扰；
14.3.5)将经过步骤3.4)筛选后的提取特征进行融合，得到最终的双路径混合域残差阈值块dp
‑
mrtb输出的特征；
15.3.6)随后根据resnet网络的构建方式对双路径混合域残差阈值块dp
‑
mrtb进行叠加，得到最终的输入数据故障特征，并将提取的特征输入到softmax激活函数中获取故障诊断结果；
16.4)将测试集的振动信号输入到训练好的双路径混合域残差阈值网络dp
‑
mrtn模型中进行故障诊断。
17.所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于所述具有扩张卷积的混合域残差阈值块路径中，将前两个卷积层替换为扩张卷积层，其他架构与所述混合域残差阈值块路径一样。
18.所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于所述步骤3.3)中，输入的训练集振动信号经由混合域残差阈值块路径或具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征的具体过程如下：
19.3.3.1)在混合域残差阈值块路径或者具有扩张卷积的混合域残差阈值块路径中，输入特征首先通过两个卷积层或两个扩张卷积层，每个卷积层或扩张卷积层后紧跟批归一化层和relu激活函数，然后将经过卷积操作后的特征进行求绝对值和全局平均池化处理，得到特征a，特征a依次流经全连接层、批归一化层、relu激活函数和全连接层，得到通道域注意力系数m
c
，并与特征a做乘法得到通道域注意力特征f
c
，即：
[0020][0021]
3.3.2)将通道域注意力特征f
c
分别进行最大池化和平均池化，并将两种池化后的结果进行融合输入到多尺度卷积模块中，将不同尺度卷积的结果做元素相加运算，得到空间域注意力系数m
s
，并与通道域注意力特征f
c
做乘法得到空间域注意力特征，即:
[0022][0023][0024][0025][0026]
[0027]
其中，表示矩阵对应位置元素相加计算；和分别表示不同尺度的卷积核得到的空间域注意力系数；和分别表示三个不同尺度的卷积核；θ表示relu激活函数；f
avg
和f
max
分别表示沿通道方向的均值池化和最大池化计算所生成的特征；f
input
为输入特征，f
c
和f
s
分别为经过通道域注意力机制模块和空间域注意力机制模块所输出的特征。
[0028]
所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于，所述的步骤3中双路径混合域残差阈值网络dp
‑
mrtn模型采用交叉熵损失函数和周期学习率调整策略进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失。
[0029]
通过采用上述技术，与现有技术相比，本发明的有益效果如下：
[0030]
本发明方法从通道域和空间域上学习和获取表示输入数据重要程度的系数，并将该系数作为软阈值函数的阈值进行重要特征筛选；在此基础上，将扩张卷积加入混合域残差阈值块中，构造一条新的路径，用于捕获振动信号中的长距离依赖关系，并将混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径两条路径提取的通道域注意力特征和空间域注意力特征进行融合，能够显著提高诊断模型在强噪声环境下的故障诊断精度。
附图说明
[0031]
图1为本发明的方法流程图；
[0032]
图2为本发明实施例中的滚动体故障(0.1mm、0.3mm、0.5mm)、内圈故障(0.1mm、0.3mm、0.5mm)、外圈故障(0.1mm、0.3mm、0.5mm)和正常信号的对比图，其中，图(a)是0.1mm滚动体故障信号图，图(b)是0.3mm滚动体故障信号图，图(c)是0.5mm滚动体故障信号图，图(d)是0.1mm内圈故障信号图，图(e)是0.3mm内圈故障信号图，图(f)是0.5mm内圈故障信号图，图(g)0.1mm是外圈故障信号图，图(h)是0.3mm外圈故障信号图，图(i)是0.5mm外圈故障信号图，图(j)是正常信号图；
[0033]
图3为本发明实施例中双路径混合域残差阈值块dp
‑
mrtb的整体结构示意图；
[0034]
图4为本发明实施例中双路径混合域残差阈值网络dp
‑
mrtn网络基本结构示意图。
具体实施方式
[0035]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0036]
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
[0037]
请参阅图1
‑
4，面向强噪声干扰环境的演艺装备故障诊断模型构建方法，如图1所示，包括以下步骤：
[0038]
s1：实验数据来自三相异步电动机故障仿真实验平台的数据，采样频率为16khz。无线传感器被固定在电动机风扇端轴承座的上方，用于采集径向x、前向y、垂向z三个方向
的滚动轴承振动信号，并将y轴方向的振动信号作为原始数据集。设置每次进行分析的样本时长为8s，并根据分析时长对y轴的振动信号进行分割，将分割后的数据分为训练数据集和测试数据集。通过调节电机转速(20hz，30hz，40hz)和扭矩负载(1a，2a，3a)，共设计出9种工况，具体工况信息详见表1；
[0039][0040]
表1三相异步电动机故障仿真实验平台的实验数据组成
[0041]
s2：将分割后的数据采用min
‑
max标准化的方法进行比例缩放，使之落入一个小的特定区间，提升模型的收敛速度，我们将滚动轴承不同状态下的振动信号进行了可视化，如图2所示；
[0042]
s3：构建如图4所示的双路径混合域残差阈值网络dp
‑
mrtn模型，将训练集输入到双路径混合域残差阈值网络dp
‑
mrtn模型中进行训练，采用交叉熵损失函数和周期学习率调整策略进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失，振动信号在双路径混合域残差阈值网络dp
‑
mrtn中的具体处理过程如下：
[0043]
s3.1：首先采用卷积核为64，步长为8的卷积层对输入数据中的短时特征进行提取，抑制高频噪声；
[0044]
s3.2：输入的训练集振动信号在被宽卷积核压缩后，首先流经批归一化层和relu激活函数，然后输入到通道数为16，步长为2的双路径混合域残差阈值网络dp
‑
mrtn模型中，在如图3所示的双路径混合域残差阈值块dp
‑
mrtb中，数据分为两个路径进行传输；
[0045]
s3.3：输入的训练集振动信号经由混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征，具体过程如下：
[0046]
3.3.1)在混合域残差阈值块路径或者具有扩张卷积的混合域残差阈值块路径中，输入特征首先通过两个卷积层或两个扩张卷积层，每个卷积层或扩张卷积层后紧跟批归一
化层和relu激活函数，然后将经过卷积操作后的特征进行求绝对值和全局平均池化处理，得到特征a，特征a依次流经全连接层，批归一化层，relu激活函数和全连接层，得到通道域注意力系数，并与特征a做乘法得到通道域注意力特征，即
[0047][0048]
3.3.2)将通道域注意力特征f
c
分别进行最大池化和平均池化，并将两种池化后的结果进行融合输入到多尺度卷积模块中，将不同尺度卷积的结果做元素相加运算，得到空间域注意力系数，并与特征f
c
做乘法得到空间域注意力特征，即:
[0049][0050][0051][0052][0053][0054]
其中表示矩阵对应位置元素相加计算；和分别表示三个不同尺度的卷积核；f
avg
和f
max
分别表示沿通道方向的均值池化和最大池化计算所生成的特征；f
input
为输入特征，f
c
和f
s
分别为经过通道域注意力机制模块和空间域注意力机制模块所输出的特征；
[0055]
3.4)将步骤3.3)中经过两个路径提取的通道域注意力特征和空间域注意力特征分别作为阈值输入到软阈值函数中，对输入数据进行筛选，选取其中的重要特征，即有利于提高不同故障类型数据之间区分度的特征，削弱噪声信息的干扰；
[0056]
3.5)将经过步骤3.4)筛选后的经过两个路径的提取特征进行融合，得到最终的双路径混合域残差阈值块dp
‑
mrtb输出的特征；
[0057]
3.6)随后根据深度学习网络构建一般规律对双路径混合域残差阈值块dp
‑
mrtb进行叠加，得到最终的输入数据故障特征，并将提取的特征输入到softmax激活函数中获取故障诊断结果；
[0058]
s4：将测试样本数据输入到训练好的双路径混合域残差阈值网络dp
‑
mrtn中进行故障诊断。
[0059]
其中，双路径混合域残差阈值网络dp
‑
mrtn模型采用交叉熵损失函数和周期学习率调整策略进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失。
[0060][0061]
表2本发明中所提出的双路径混合域残差阈值网络dp
‑
mrtn模型与现有故障诊断模型在高斯白噪声干扰下的故障诊断结果
[0062][0063]
表3本发明中所提出的双路径混合域残差阈值网络dp
‑
mrtn模型与现有故障诊断模型在拉普拉斯噪声干扰下的故障诊断结果
[0064]
表2和表3分别为本发明与现有方法在不同数量的高斯白噪声和拉普拉斯噪声下进行比较的结果，通过对故障诊断准确率的对比，可以看出本发明相比于现有方法提高了故障识别的准确率和可靠性，能够有效且准确地诊断出滚动轴承的故障类别。
[0065]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。