基于短序列时间卷积网络的电梯故障诊断方法

电梯故障可能会导致资源和财产损失,还可能引发严重的安全问题。而故障诊断技术可以及时发现并诊断故障,防止受损设备继续运行。神经网络模型在进行振动信号的故障诊断方面有较好性能,但实时性方面仍有不足。针对电梯轿厢的振动信号故障诊断准确率不高、输入序列长度较大的问题,提出一种基于短序列时间卷积网络(SA-TCNODE)的故障诊断方法。通过为时间卷积网络增加门控卷积,并引入神经常微分方程来构建更深层的网络,从而在较短的振动信号序列中提取特征,实现局部故障特征的快速提取。此外,引入自注意力机制赋予模型全局特征提取的能力,提高诊断的准确性。实验结果表明,SA-TCNODE算法在样本序列长度为150的情况下,故障诊断准确率达到97.2%;且与其他方法相比,该算法还可以在故障发生后的短时间内检测到故障,具备良好的诊断精度和可靠性,可为电梯故障诊断以及其他类似应用领域提供重要的知识共享和重用的方法支撑。

资料为PDF文档格式.

本文档关键词:电梯,序列,网络,卷积,故障诊断