[發明專利]面向強噪聲干擾環境的演藝裝備故障診斷模型構建方法

在審

• 申請號: 202110984638.3
• 申請日: 2021-08-25
• 公開（公告）號: CN113569990A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 陳永毅;葉澤華;張丹
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06K9/00
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 周紅芳;朱盈盈

1.面向強噪聲干擾環境的演藝裝備故障診斷模型構建方法，其特征在于，包括以下步驟：

1)在演藝裝備外殼表面安置無線智能傳感器，采集徑向X、前向Y、垂向Z三個方向的振動信號，設置每次進行分析的樣本時長，并根據分析的樣本時長對前向Y方向上的振動信號進行分割，將分割后的數據分為訓練集和測試集；

2)將訓練集的振動信號和測試集的振動信號采用min-max標準化的方法進行比例縮放，使之落入設定的區間，提升模型的收斂速度；

3)確定雙路徑混合域殘差閾值網絡DP-MRTN的整體結構和超參數，將訓練集輸入到雙路徑混合域殘差閾值網絡DP-MRTN中進行訓練，得到一個用于演藝裝備的特征提取模型和分類模型，訓練集在雙路徑混合域殘差閾值網絡DP-MRTN中的具體處理過程如下：

3.1)首先，通過卷積層對輸入的訓練集振動信號中的短時特征進行提取，抑制高頻噪聲；

3.2)輸入的訓練集振動信號在被寬卷積核壓縮后，首先流經批歸一化層和ReLU激活函數，然后輸入到雙路徑混合域殘差閾值塊DP-MRTB模型中，在雙路徑混合域殘差閾值塊DP-MRTB模型中，數據分為混合域殘差閾值塊路徑及具有擴張卷積的混合域殘差閾值塊路徑兩個路徑進行傳輸；

3.3)輸入的訓練集振動信號經由混合域殘差閾值塊路徑及具有擴張卷積的混合域殘差閾值塊路徑，分別獲取對應路徑的通道域注意力特征和空間域注意力特征；

3.4)將步驟3.3)中經過兩個路徑提取的通道域注意力特征和空間域注意力特征分別作為閾值輸入到軟閾值函數中，對輸入數據進行篩選，選取其中的有利于提高不同故障類型數據之間區分度的特征，削弱噪聲信息的干擾；

3.5)將經過步驟3.4)篩選后的提取特征進行融合，得到最終的雙路徑混合域殘差閾值塊DP-MRTB輸出的特征；

3.6)隨后根據ResNet網絡的構建方式對雙路徑混合域殘差閾值塊DP-MRTB進行疊加，得到最終的輸入數據故障特征，并將提取的特征輸入到Softmax激活函數中獲取故障診斷結果；

4)將測試集的振動信號輸入到訓練好的雙路徑混合域殘差閾值網絡DP-MRTN模型中進行故障診斷。

2.根據權利要求1所述的面向強噪聲干擾環境的演藝裝備故障診斷模型構建方法，其特征在于所述具有擴張卷積的混合域殘差閾值塊路徑中，將前兩個卷積層替換為擴張卷積層，其他架構與所述混合域殘差閾值塊路徑一樣。

3.根據權利要求2所述的面向強噪聲干擾環境的演藝裝備故障診斷模型構建方法，其特征在于所述步驟3.3)中，輸入的訓練集振動信號經由混合域殘差閾值塊路徑或具有擴張卷積的混合域殘差閾值塊路徑，分別獲取對應路徑的通道域注意力特征和空間域注意力特征的具體過程如下：

3.3.1)在混合域殘差閾值塊路徑或者具有擴張卷積的混合域殘差閾值塊路徑中，輸入特征首先通過兩個卷積層或兩個擴張卷積層，每個卷積層或擴張卷積層后緊跟批歸一化層和ReLU激活函數，然后將經過卷積操作后的特征進行求絕對值和全局平均池化處理，得到特征A，特征A依次流經全連接層、批歸一化層、ReLU激活函數和全連接層，得到通道域注意力系數M_c，并與特征A做乘法得到通道域注意力特征F_c，即：

3.3.2)將通道域注意力特征F_c分別進行最大池化和平均池化，并將兩種池化后的結果進行融合輸入到多尺度卷積模塊中，將不同尺度卷積的結果做元素相加運算，得到空間域注意力系數M_s，并與通道域注意力特征F_c做乘法得到空間域注意力特征，即:

其中，表示矩陣對應位置元素相加計算；和分別表示不同尺度的卷積核得到的空間域注意力系數；和分別表示三個不同尺度的卷積核；θ表示ReLU激活函數；F_avg和F_max分別表示沿通道方向的均值池化和最大池化計算所生成的特征；F_input為輸入特征，F_c和F_s分別為經過通道域注意力機制模塊和空間域注意力機制模塊所輸出的特征。

4.根據權利要求1所述的面向強噪聲干擾環境的演藝裝備故障診斷模型構建方法，其特征在于，所述的步驟3中雙路徑混合域殘差閾值網絡DP-MRTN模型采用交叉熵損失函數和周期學習率調整策略進行網絡訓練，并采用交叉熵損失函數來評估網絡的訓練和驗證損失。