【技术实现步骤摘要】
本专利技术属于电梯故障诊断、振动故障诊断领域，具体涉及一种短序列时间卷积网络电梯故障诊断方法。
技术介绍
1、随着计算能力的提高和先进的网络训练技术，深度学习在故障诊断领域得到了广泛的应用。电梯作为人们生活中最常用的特种设备，其运行状态直接关系到建筑的功能性和用户的安全。对于电梯轿厢振动信号的诊断一直是一个难题。时间卷积神经网络由shaojie bai等人于2018年提出，其现已经成为用于处理序列数据的主流方法，并且时间卷积神经网络在处理振动信号的故障诊断时具有很好的效果。
2、深度学习在故障诊断方法中显示出极大的优势，因为它能够通过大量数据学习特征。并通过深度学习架构构建具有多个隐藏层的神经网络，可以从原始数据中学习分层表示。在机器故障诊断中，深度架构可以自动学习有用的表征，并从大量传感器数据中识别出某些故障模式。例如，ince等人采用重叠分割预处理方法构建了电机各种故障状态的训练和测试样本，并将每个训练样本按一定尺度划分为“时间步长”，作为所建立的一维卷积神经网络模型的输入。zheng等人利用tcn模型，通过扩张卷积、d...
【技术保护点】
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：
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：
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：
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；所述步骤（2.3）中，卷积核为16，卷积核宽度为12，步长为4，
5.如权利要求1或2所述的基于...
【技术特征摘要】
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：
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：
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：
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；所述步骤（2.3）中，卷积核为16，卷积核宽度为12，步长为4，
5.如权利要求1或2所述的基于短序列时间卷积网络...
【专利技术属性】
技术研发人员：陆佳炜，陈晗远，王琪冰，肖刚，陈坚伟，何雨辰，陆超，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。