CN110057522A - 基于深度学习的加速度信号采集卡采样频率智能升级方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的加速度信号采集卡采样频率智能升级方法，包括数据收集，深度学习和检测三个步骤，数据收集是完成加速度信号数据采集卡采样频率智能升级的前提，深度学习是完成加速度信号数据采集卡采样频率智能升级的核心，检测是评估加速度信号数据采集卡采样频率智能升级结果的重要方法。本发明提升低采样频率数据采集卡的采样能力，从而达到以较低的成本获得较高的测量精度的目的。

Description

基于深度学习的加速度信号采集卡采样频率智能升级方法

技术领域

本发明涉及神经网络领域，尤其是一种基于深度学习理论进行能升级的方法。

背景技术

振动冲击现象广泛存在于产品的设计、制造和使用过程中，比如火箭发射、卫星释放、汽车碰撞、产品运输装卸过程中的颠簸和跌落等。因此，为评估产品在振动冲击环境下的可靠性和生存能力，并进一步提升产品性能，振动冲击测试技术格外重要。

振动冲击测试技术必然伴随着振动冲击响应的测量。而振动冲击响应通常用加速度信号表示，并由加速度计测量感知，经过电荷放大，最后由数据采集卡采集得到。显然数据采集卡是其中的重要一环。

采样频率，即每秒从连续信号中提取并组成离散信号的采样个数(单位：Hz)，是衡量数据采集卡采样性能的重要指标。显然，想要尽可能多地保存加速度信号的信息，必然需要选择采样频率较高的数据采集卡。特别是在冲击测试情况下，因为冲击信号持续时间很短，低采样频率的采集卡往往会遗漏较多的加速度信息，特别是可能会遗漏冲击信号的峰值等重要信息，而这对于冲击测试是很不利的。

当然，数据采集卡的价格也随着其采样频率的提升而逐渐昂贵，并且目前很多高采样频率的数据采集卡还需要依赖进口，个别型号甚至被禁运。而数据采集卡的采样频率主要由采集元件的性能、电路设计、制作工艺等因素决定，上述因素基本都是各制造厂商极力维护的关键技术，因此短时间内通过改进硬件质量和制造水平来提升低采样频率数据采集卡的采样能力是非常困难的。如果能对低采样频率的采集卡进行“训练”，从软件角度提升其采样能力，显然是一个很有前景的方案。

发明内容

为了克服现有技术的不足，本发明提供一种基于深度学习的加速度信号采集卡采样频率智能升级方法，采用纯数据驱动，可以用于快速提升低采样频率数据采集卡的采样频率，也可以用于部分故障数据采集卡的智能修复。

本发明解决其技术问题所采用的技术方案的详细步骤是：

步骤1：数据收集，产生并收集不同量级的加速度信号；

采用振动冲击测试设备产生不同量级的加速度信号，用加速度计采集加速度信号，并通过电荷放大器进行放大，利用至少两个不同采样频率的采集卡采集放大后的加速度信号，并将加速度信号数据进行存储；

步骤2：通过训练深层神经网络构建针对低采样频率数据采集卡测得的加速度信号的修正模型，将低采样频率数据采集卡采集到的加速度信号输入训练完成的深层神经网络，输出修正后的加速度信号，并且修正后的加速度信号与高采样频率数据采集卡的实测加速度信号的误差满足相应振动冲击试验的技术要求；

采用深度学习方法对低采样频率数据采集卡采样频率进行智能升级，所述深度学习为采用自动编码机形式的深度神经网络学习低采样频率数据采集卡采集的信号和高采样频率数据采集卡采集的信号之间的映射；深度神经网络由编码机、解码机和峰值预测网络(Peak Prediction Network，PPN)三部分组成，具体学习过程为：

首先，将所有用于训练深度神经网络的低采样频率数据采集卡采集得到的维数为n’的冲击信号序列x^r归一化为维数为n’的xⁿ，同时，峰值p^x被单独提取并被分别“喂进”编码机和PPN；通过编码机将归一化的信号xⁿ编码为序列维度为n₃的全局编码信息z；利用解码机将序列维度为n₃的全局编码信息z重构解码为序列维度为n的向量 yⁿ，具体表述为：

式(1)中，enc和dec分别是编码和解码函数，θ₁和θ₂分别为编码机和解码机的网络参数；

所述深度神经网络建立的PPN，峰值预测网络的具体学习过程为：

首先，将归一化的全局编码信息z和峰值信息p^x一起“喂进”PPN；输出值记为 表征了输入峰值和准确峰值之间的误差；该误差将反馈回p^x来预测修正的预测峰值p^y；峰值预测网络的具体学习过程表述为：

式(2)中，ppn峰值修正函数，φ为PPN的网络参数；

将所述预测峰值p^y和解码信号yⁿ去归一化，从而获得最终修正的加速度信号序列y^pred；

步骤3：修正信号检测模块用于评估修正后的低采样频率数据采集卡采集的加速度信号和高采样频率数据采集卡采集的加速度信号之间的误差，以高采样频率数据采集卡采集的加速度信号为基准，建立峰值相对误差和确定系数共两个指标来评价对低采样频率数据采集卡采集的加速度信号进行修正之后得到的加速度信号的精确程度；

设y^pred为修复的加速度信号，y^Ref为相应的高采样频率数据采集卡采集的加速度信号；峰值相对误差和确定系数两个指标的具体计算公式分别如下：

峰值相对误差的计算公式为：

式(3)中：和分别为y^pred和y^Ref的最大值，峰值相对误差评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标；

确定系数的计算公式为：

式(4)中，为y^Ref的平均值，确定系数评价指标表征了修复的加速度信号的全局精度。

本发明的有益效果在于在考虑到低采样频率数据采集卡的价格远低于高采样频率数据采集卡的情况下，本发明可以用于提升低采样频率数据采集卡的采样能力，从而达到以较低的成本获得较高的测量精度的目的。同时，在考虑到目前国产数据采集卡受制于材料、工艺、技术等因素，其采样能力一直提升缓慢。本发明通过让国产的低采样频率数据采集卡向进口的高采样频率数据采集卡“学习”，提供了一种新的提升国产加速度信号数据采集卡采样性能的方法。此外，针对部分已损坏的加速度信号数据采集卡，在损坏后的数据采集卡还具备一定的采集能力的情况下，本发明还可以用于对已损坏的加速度信号数据采集卡做智能修复。

附图说明

图1是本发明的数据收集模块示意图。

图2是本发明的深度学习模块示意图。

图3是本发明的深度神经网络结构示意图。

图4是本发明的实例结果展示图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明涉及一种基于深度学习理论，智能升级加速度信号采集卡采样频率的方法。具体为：在不同的加速度加载环境下，用一个低采样频率的数据采集卡和一个高采样频率的数据采集卡同时采集大量加速度信号并构成数据集；再基于深度学习方法让低采样频率的数据采集卡向高采样频率的数据采集卡“学习”，通过训练深度神经网络来提取高采样频率的数据采集卡采集到的加速度信号的特征，从而补足低采样频率的数据采集卡在采集加速度信号方面的不足。

本发明方法尝试利用深度学习技术，通过构建可以恢复低采样频率采集卡采集得到的加速度信号的深度神经网络来实现低采样频率采集卡采样能力的提升。具体实现方法如下：在相同条件下用一个低采样频率的数据采集卡和一个高采样频率的数据采集卡同时测量不同加速度加载环境下的加速度信号；完成大量组试验，并收集两个数据采集卡采集得到的加速度数据；利用深度学习方法让低采样频率的数据采集卡向高采样频率的数据采集卡“学习”，以提高低采样频率的数据采集卡的采样能力。

本发明主要包括三个步骤，分别为数据收集，深度学习和检测。其中数据收集是完成加速度信号数据采集卡采样频率智能升级的前提，深度学习是完成加速度信号数据采集卡采样频率智能升级的核心，检测是评估加速度信号数据采集卡采样频率智能升级结果的重要方法。

本发明的详细步骤如下：

步骤1：数据收集，产生并收集不同量级的加速度信号；

采用振动冲击测试设备(冲击试验机、振动台等)产生不同量级的加速度信号，用加速度计采集加速度信号，并通过电荷放大器进行放大，利用至少两个不同采样频率的采集卡采集放大后的加速度信号，并将加速度信号数据进行存储；该过程的示意图如图1所示。

步骤2：深度学习是完成低采样频率数据采集卡向高采样频率数据采集卡“学习”的过程，通过训练深层神经网络构建针对低采样频率数据采集卡测得的加速度信号的修正模型，将低采样频率数据采集卡采集到的加速度信号输入训练完成的深层神经网络，输出修正后的加速度信号，并且修正后的加速度信号与高采样频率数据采集卡的实测加速度信号的误差满足相应振动冲击试验的技术要求，本发明的要求是峰值相对误差不超过10％，确定系数不小于0.9；学习过程的示意图如图2所示。

本步骤采用深度学习方法对低采样频率数据采集卡采样频率进行智能升级，所采用的深度学习方法的具体内容为：采用自动编码机形式的深度神经网络学习低采样频率数据采集卡采集的信号和高采样频率数据采集卡采集的信号之间的映射。如图3所示，深度神经网络由编码机、解码机和峰值预测网络(Peak Prediction Network，PPN) 三部分组成，具体学习过程为：

首先，将所有用于训练深度神经网络的低采样频率数据采集卡采集得到的维数为n’的冲击信号序列x^r归一化为维数为n’的xⁿ，同时，峰值p^x被单独提取并被分别“喂进”编码机和PPN；通过编码机将归一化的信号xⁿ编码为序列维度为n₃的全局编码信息z；利用解码机将序列维度为n₃的全局编码信息z重构解码为序列维度为n的向量 yⁿ，具体表述为：

式(1)中，enc和dec分别是编码和解码函数，θ₁和θ₂分别为编码机和解码机的网络参数；

所述深度神经网络建立的PPN，考虑到峰值信息是振动冲击测试中的重要参数，在神经网络中设计PPN来进一步对低采样频率数据采集卡采集得到的加速度信号做精确修复；峰值预测网络的具体学习过程为：

首先，将归一化的全局编码信息z和峰值信息p^x一起“喂进”PPN；输出值记为 表征了输入峰值和准确峰值之间的误差；该误差将反馈回p^x来预测修正的预测峰值p^y；峰值预测网络的具体学习过程表述为：

式(2)中，ppn峰值修正函数，φ为PPN的网络参数；

将所述预测峰值p^y和解码信号yn去归一化，从而获得最终修正的加速度信号序列y^pred；

步骤3：修正信号检测模块用于评估修正后的低采样频率数据采集卡采集的加速度信号和高采样频率数据采集卡采集的加速度信号之间的误差，以高采样频率数据采集卡采集的加速度信号为基准，建立峰值相对误差和确定系数共两个指标来评价对低采样频率数据采集卡采集的加速度信号进行修正之后得到的加速度信号的精确程度；

设y^pred为修复的加速度信号，y^Ref为相应的高采样频率数据采集卡采集的加速度信号；峰值相对误差和确定系数两个指标的具体计算公式分别如下：

峰值相对误差的计算公式为：

式(3)中：和分别为y^pred和y^Ref的最大值，峰值相对误差评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标。

确定系数的计算公式为：

式(4)中，为y^Ref的平均值，确定系数评价指标表征了修复的加速度信号的全局精度。R²越接近1，表示修复的加速度信号的全局精度越高。

本实施例是利用基于深度学习的加速度信号采集卡采样频率智能升级方法，以高g值冲击测试实验为例，对某型低采样频率数据采集卡进行智能升级。案例流程为：

步骤1：按如图1所示的流程，在相同的冲击试验机上反复产生不同量级的冲击信号，分别用一个低采样频率数据采集卡(采用频率为6.67kHz)和一个高采样频率数据采集卡(采用频率为20kHz)对产生的冲击信号进行采集，并形成大数据库；

步骤2：如图2和图3所示，图3中n’，n，n₁，...，...n₆为向量维数，并且n’＜n， n＞n₁＞…＞n₆，采用本发明提出的深度学习方法，让低采样频率数据采集卡向高采样频率数据采集卡“学习”，通过深度学习，构建用于修正低采样频率数据采集卡采集到的冲击信号的深度神经网络；

步骤3：该实施例的计算结果如图4所示。由图4可见，相较于高采样频率数据采集卡采集到的冲击信号，低采样频率数据采集卡很难采集到完整的冲击信号，尤其是遗漏了非常重要的峰值信息，而修复后的冲击信号与高采样频率数据采集卡采集得到的冲击信号极其相似。具体而言，修复后的冲击信号和高采样频率数据采集卡采集到的冲击信号二者的峰值误差为5.22％；确定系数为0.92，非常接近1，充分说明修正后的冲击信号的准确性和本发明的有效性。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种基于深度学习的加速度信号采集卡采样频率智能升级方法，其特征在于包括下述步骤：

步骤1：数据收集，产生并收集不同量级的加速度信号；

采用振动冲击测试设备产生不同量级的加速度信号，用加速度计采集加速度信号，并通过电荷放大器进行放大，利用至少两个不同采样频率的采集卡采集放大后的加速度信号，并将加速度信号数据进行存储；

步骤2：通过训练深层神经网络构建针对低采样频率数据采集卡测得的加速度信号的修正模型，将低采样频率数据采集卡采集到的加速度信号输入训练完成的深层神经网络，输出修正后的加速度信号，并且修正后的加速度信号与高采样频率数据采集卡的实测加速度信号的误差满足相应振动冲击试验的技术要求；

采用深度学习方法对低采样频率数据采集卡采样频率进行智能升级，所述深度学习为采用自动编码机形式的深度神经网络学习低采样频率数据采集卡采集的信号和高采样频率数据采集卡采集的信号之间的映射；深度神经网络由编码机、解码机和峰值预测网络(Peak Prediction Network，PPN)三部分组成，具体学习过程为：

首先，将所有用于训练深度神经网络的低采样频率数据采集卡采集得到的维数为n’的冲击信号序列x^r归一化为维数为n’的xⁿ，同时，峰值p^x被单独提取并被分别“喂进”编码机和PPN；通过编码机将归一化的信号xⁿ编码为序列维度为n₃的全局编码信息z；利用解码机将序列维度为n₃的全局编码信息z重构解码为序列维度为n的向量yⁿ，具体表述为：

式(1)中，enc和dec分别是编码和解码函数，θ₁和θ₂分别为编码机和解码机的网络参数；

所述深度神经网络建立的PPN，峰值预测网络的具体学习过程为：

首先，将归一化的全局编码信息z和峰值信息p^x一起“喂进”PPN；输出值记为 表征了输入峰值和准确峰值之间的误差；该误差将反馈回p^x来预测修正的预测峰值p^y；峰值预测网络的具体学习过程表述为：

式(2)中，ppn峰值修正函数，φ为PPN的网络参数；

将所述预测峰值p^y和解码信号yⁿ去归一化，从而获得最终修正的加速度信号序列y^pred；

步骤3：修正信号检测模块用于评估修正后的低采样频率数据采集卡采集的加速度信号和高采样频率数据采集卡采集的加速度信号之间的误差，以高采样频率数据采集卡采集的加速度信号为基准，建立峰值相对误差和确定系数共两个指标来评价对低采样频率数据采集卡采集的加速度信号进行修正之后得到的加速度信号的精确程度；

设y^pred为修复的加速度信号，y^Ref为相应的高采样频率数据采集卡采集的加速度信号；峰值相对误差和确定系数两个指标的具体计算公式分别如下：

峰值相对误差的计算公式为：

式(3)中：和分别为y^pred和y^Ref的最大值，峰值相对误差评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标；

确定系数的计算公式为：

式(4)中，为yRef的平均值，确定系数评价指标表征了修复的加速度信号的全局精度。