[發明專利]基于深度學習的葉片欠采樣葉端定時信號壓縮重構方法

有效

• 申請號: 202010790489.2
• 申請日: 2020-08-07
• 公開（公告）號: CN111898321B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 陳仲生;盛浩;何靜;夏葉媚;劉建華;張昌凡;胡雷
• 申請（專利權）人: 湖南工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;G06N3/04;G01H17/00;G01M13/00
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

1.一種基于深度學習的葉片欠采樣葉端定時信號壓縮重構方法，其特征在于，所述方法包括：

獲取被測對象的葉端定時測振的multi-coset采樣序列；

對所述multi-coset采樣序列進行傅里葉變換，得到葉端定時測振的壓縮感知模型；

獲取葉端定時傳感器對應的觀測矩陣，根據所述觀測矩陣和所述壓縮感知模型，得到葉片振動頻譜；

將所述葉片振動頻譜的頻帶進行標記，與所述葉片振動頻譜組合組成訓練樣本集；

將所述訓練樣本集中的樣本輸入預先設置的深度學習模型中，通過梯度下降方式對深度學習模型進行訓練，得到訓練好的深度學習模型；

將待重構的葉片振動頻譜輸入訓練好的深度學習模型，得到待重構的葉片振動頻譜的頻帶對應的標記向量，根據所述標記向量，得到重構觀測矩陣；

根據所述重構觀測矩陣和待重構的葉片振動頻譜，得到重構葉端定時測振信號；

所述獲取被測對象的葉端定時測振的multi-coset采樣序列，包括：

獲取被測對象的葉端定時測振的multi-coset采樣序列為：

y_i[n]＝x[n],n＝mL+c_i

其中，m為非負整數，L表示葉端定時傳感器的數量，i表示葉端定時傳感器的序號，x[n]表示L個葉端定時傳感器采集的振動信號序列，c_i表示第i個葉端定時傳感器在L個葉端定時傳感器中的編號；

將所述葉片振動頻譜的頻帶進行標記，與所述葉片振動頻譜組合組成訓練樣本集，包括：

將葉片振動頻譜進行L等分得到L個頻帶，若當前頻帶內存在頻率分量，則將當前等分標記為1，若當前頻帶內不存在頻率分量，則當前頻帶標記為0，得到標記向量s＝[s₁,...,s_L]^T，其中，s_i∈{0,1}；

根據所述標記向量和所述葉片振動頻譜，得到訓練樣本集。

2.根據權利要求1所述的方法，其特征在于，所述獲取葉端定時傳感器對應的觀測矩陣，根據所述觀測矩陣和所述壓縮感知模型，得到葉片振動頻譜，包括：

獲取葉端定時傳感器對應的觀測矩陣，計算所述觀測矩陣的逆矩陣；

根據所述壓縮感知模型和所述逆矩陣，得到葉片振動頻譜。

3.根據權利要求1所述的方法，其特征在于，所述方法還包括：

分別對所述葉片振動頻譜的實部和虛部進行歸一化，并提取出實部和虛部，得到葉片振動頻譜對應的三維矩陣；所述三維矩陣用于作為深度學習模型的輸入。

4.根據權利要求1至3任一項所述的方法，其特征在于，將所述訓練樣本集中的樣本輸入預先設置的深度學習模型中，通過梯度下降方式對深度學習模型進行訓練，得到訓練好的深度學習模型，包括：

將所述訓練樣本集中的樣本輸入預先設置的深度學習模型中，通過預先設置的損失函數計算損失值；

通過所述損失值采用梯度下降方式對深度學習模型進行訓練，得到訓練好的深度學習模型。

5.根據權利要求4所述的方法，其特征在于，所述方法還包括：

通過交叉熵確定損失函數為：

其中，是深度學習模型的估計值，是的第k個分量，Q表示樣本集中樣本數量，s表示頻帶標記向量，s_k是s的第k個分量。

6.根據權利要求5所述的方法，其特征在于，通過所述損失值采用梯度下降方式對深度學習模型進行訓練，包括：

通過所述損失值采用梯度下降方式對深度學習模型進行訓練為：

其中，θ_j、分別是第j、j+1次迭代時的模型參數集。