CN117633700A - 一种基于多传感器多级信息融合的叶片裂纹检测方法 - Google Patents
一种基于多传感器多级信息融合的叶片裂纹检测方法 Download PDFInfo
- Publication number
- CN117633700A CN117633700A CN202311371834.9A CN202311371834A CN117633700A CN 117633700 A CN117633700 A CN 117633700A CN 202311371834 A CN202311371834 A CN 202311371834A CN 117633700 A CN117633700 A CN 117633700A
- Authority
- CN
- China
- Prior art keywords
- fusion
- features
- signal
- signals
- branch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- NTHFOQKLSZUQTR-OICFXQLMSA-N (4r)-4-[(3r,5s,7r,8r,9s,10s,13r,14s,17r)-3,7-dihydroxy-10,13-dimethyl-2,3,4,5,6,7,8,9,11,12,14,15,16,17-tetradecahydro-1h-cyclopenta[a]phenanthren-17-yl]pentanoic acid;sulfuric acid Chemical compound OS(O)(=O)=O.C([C@H]1C[C@H]2O)[C@H](O)CC[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@H]([C@@H](CCC(O)=O)C)[C@@]2(C)CC1 NTHFOQKLSZUQTR-OICFXQLMSA-N 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000007792 addition Methods 0.000 claims description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提出了一种基于多级传感器多级信息融合的叶片裂纹检测方法,包括如下步骤:步骤(1)通过布置在多个位置的传感器采集振动信号;步骤(2)使用基于相关循环平稳度规则的数据级融合方法,融合多通道振动信号,得到具有更明显故障特征的融合信号;步骤(3)通过双分支一维卷积神经网络对融合信号进行特征提取,得到双分支特征;步骤(4)使用基于多尺度通道注意力的动态特征融合模块对提取到的双分支特征进行融合,得到融合特征;步骤(5)将融合特征输入Softmax分类器,完成叶片裂纹检测。本发明设计了数据级和特征级的多级融合方法,充分利用了多传感器信息,可以更好地完成复杂工况下的叶片裂纹检测。
Description
技术领域
本发明涉及多传感器信息融合与叶片裂纹检测领域,尤其是一种基于多传感器多级信息融合的叶片裂纹检测方法。
背景技术
作为一种通用旋转机械,离心风机广泛应用在石化、电力等领域。叶片作为离心风机的唯一做功部件,在强离心力、摩擦力和流体脉动压力的长期作用下,叶片容易发生疲劳破坏,进而产生裂纹故障,严重地发展为叶片断裂。为了避免叶片断裂带来的损失乃至安全事故,需要对离心风机进行叶片裂纹检测。凭借对损伤的敏感性,振动分析在故障诊断领域应用广泛。但是单一振动信号受限于安装位置和自身精度,往往无法很好完成复杂工况下的叶片裂纹检测,导致检测准确率低。因此,如何充分利用多传感器信息实现复杂工况下的叶片裂纹检测值得深入研究。
多传感器信息融合按照融合级别可划分为:数据级融合、特征级融合和决策级融合,其中,
所述数据级融合的对象为采集的多源振动信号,
所述特征级融合的对象是提取到的多分支特征,
所述决策级融合的对象是多源初始决策。
单一的融合方式无法充分发挥信息融合的优势,而多级融合方式的设计往往取决于具体任务,现有的多级融合方法由于缺乏对叶片裂纹损伤特点的考虑,无法很好应用于叶片裂纹检测。
因此,迫切需要一种能够利用叶片损伤信号特点的多传感器多级信息融合方法,实现叶片裂纹的准确检测。
发明内容
针对上述技术问题,本发明提出一种基于多传感器多级信息融合的叶片裂纹检测方法,该方法能够克服单一传感器单一融合方式难以在复杂工况下准确检测叶片裂纹的缺点,充分利用多传感器信息,有效实现叶片裂纹检测。
为了实现上述技术目的,本发明采用的技术方案如下:
一种基于多传感器多级信息融合的叶片裂纹检测方法,包括以下步骤:
S1.通过布置在多个位置的加速度传感器采集叶片的多通道振动信号;
S2.使用基于相关循环平稳度规则的数据级融合方法,对采集的所述多通道振动信号进行融合,得到融合信号;
S3.建立双分支一维卷积神经网络,对融合信号进行特征提取,得到双分支特征;
S4.使用基于多尺度通道注意力的动态特征融合模块对双分支特征进行融合,得到融合特征;
S5.将融合特征经全局平均池化处理后,输入Sotfmax分类器,完成叶片裂纹检测。
步骤S2中,所述基于相关循环平稳度规则的数据级融合的具体方法是:
S2.1.随机初始化各个加速度传感器的权重,通过加权融合方法得到融合信号,计算过程如下:
式中,Si表示第i个传感器采集的原始振动信号,
Wi表示第i个传感器对应的权重,
n表示参与融合的加速度传感器的数量,
Sf表示融合信号;
S2.2.定义融合信号的循环相关平稳度,
首先,定义信号x(t)的对数自相关函数LRx(α)为:
LRx(α)=<log(x(t)2)e-j2παt>
式中:<·>表示时间平均算子,
α表示循环频率;
j表示虚数单位;
t表示时间变量;
π表示圆周率;
在此基础上,定义信号x(t)的对数循环平稳度LDCS(x)为
式中,|·|表示绝对值运算,
LRx(0)表示信号x(t)在循环频率α=0处对应的对数自相关函数值;
为进一步抑制噪声对信号数据级融合的影响,引入融合信号与原始多通道振动信号的相关系数CC作为权值,其计算过程如下:
式中,NS表示原始信号的数量,
xi表示第i个原始信号,
xf表示经数据级融合后的融合信号,
r(·)表示两信号之间的相关系数,其计算过程如下:
式中,x(i)和y(i)分别表示两信号,和/>表示两信号对应的平均值,N表示信号的长度;
将融合信号与原始多通道振动信号的相关系数作为权值,定义相关循环平稳度如下:
CDCS(x)=CC*LDCS(x)
S2.3.以融合信号的循环平稳度值的倒数作为损失函数,使用自适应矩估计优化算法对各传感器权重进行Wi优化,得到最优权重,然后使用加权融合方法,得到多通道振动信号的数据级融合信号。
步骤S3中,所述双分支一维卷积神经网络的两个分支具有相同的网络结构,每个分支由5个卷积模块组成,每个卷积模块包括一层卷积层、一层BN层和一层ReLU层,5个卷积层的卷积核尺寸和卷积核数量分别为(16x1,16),(3x1,32),(3x1,64),(3x1,64),(3x1,64)。
步骤S4中,使用基于多尺度通道注意力的动态特征融合模块对双分支特征进行融合,得到融合特征,包括以下子步骤:
S4.1.对于双分支输入特征X和Y,首先进行逐元素相加,得到两特征之和
S4.2.将两特征之和输入多尺度通道注意力模块,得到注意力权重其计算过程包括以下子步骤:
S4.2.1.对于多尺度通道注意力模块的输入特征F,假设其通道数为C,首先由全局最大池化GMP和全局平均池化GAP提取特征的全局信息,其计算过程如下:
GA(F)=BN(PC2(γ(BN(PC1(GAP(F))))))
GM(F)=BN(PC2(γ(BN(PC1(GMP(F))))))
式中,GA(F)表示基于全局平均池化提取到的全局信息,
GM(F)表示基于全局最大池化提取到的全局信息,
GAP(F)表示全局平均池化操作;
GMP(F)表示全局最大池化操作;
PC1和PC2表示使用逐点卷积的通道维度变换操作,其中PC1将特征图原有通道数C缩减为C/r,r表示维度缩减比,而PC2将缩减后的通道数C/r增加到C;
γ表示ReLU函数,
BN表示批归一化操作;
S4.2.2.使用局部算子提取输入特征的局部信息,其计算过程如下:
L(F)=BN(PC2(γ(BN(PC1(F)))))
式中,L(F)表示输入特征的局部信息;
S4.2.3.综合特征的全局信息和局部信息,得到对应的注意力权重,其计算过程如下:
式中,表示逐元素相加,σ表示Sigmoid函数;
S4.3.将步骤S4.2得到的注意力权重分配给输入特征X,而将分配给另一输入特征Y,加权相加后得到最终的融合特征,其计算过程如下:
式中,X和Y表示提取到的双分支特征,Z表示融合特征。
所述步骤S5中,Sotfmax分类器的输出个数为3。
本发明所产生的有益效果:
(1)本发明通过基于相关循环平稳度规则的数据级融合方法对采集的多通道振动信号进行融合,降低了多通道振动信号的冗余程度,突出了融合信号中的故障特征。
(2)本发明通过提取特征的全局信息和局部信息,完成了注意力权重的自适应分配,实现了双分支特征的动态融合,充分发挥了双分支特征的互补优势。
(3)本发明通过对多通道振动信号进行数据级和特征级融合,充分利用了多传感器信息,克服了单一传感器单一融合方式的缺点,实现了复杂工况下叶片裂纹的准确检测。
附图说明
图1:本发明实施叶片裂纹检测流程图;
图2:数据级融合方法示意图;
图3:动态特征融合模块示意图;
图4:跨转速工况叶片裂纹检测混淆矩阵图。
具体实施方式
下面结合说明书附图以及具体实施例对本发明的技术方案做进一步详细说明。
本实施例的基于一种基于归纳迁移和多维特征融合自编码器的风机叶片损伤识别方法,基于归纳迁移和多维声振融合自编码器AF的叶片损伤识别方法,包括以下步骤:
一种基于多传感器多级信息融合的叶片裂纹检测方法,包括以下步骤:
S1.通过布置在多个位置的加速度传感器采集振动信号;
S2.使用基于相关循环平稳度CDCS规则的数据级融合方法,对采集的多通道振动信号进行融合,得到融合信号;
S3.建立双分支一维卷积神经网络1D-CNN,对融合信号进行特征提取,得到双分支特征;
S4.使用基于多尺度通道注意力的动态特征融合模块对双分支特征进行融合,得到融合特征;
S5.将融合特征经全局平均池化GAP处理后,输入Sotfmax分类器,完成叶片裂纹检测;
进一步技术方案为:
步骤S2中,基于相关循环平稳度规则的数据级融合方法,具体包括以下步骤:
S2.1.随机初始化各个传感器的权重,通过加权融合方法得到融合信号,计算过程如下:
式中,Si表示第i个传感器采集的原始振动信号,Wi表示第i个传感器对应的权重,n表示参与融合的传感器的数量,Sf表示融合信号。
S2.2.定义融合信号的循环相关平稳度。
首先,定义信号x(t)的对数自相关函数LRx(α)为:
LRx(α)=<log(x(t)2)e-j2παt>
式中:<·>表示时间平均算子,
α表示循环频率;
j表示虚数单位;
在此基础上,定义信号x(t)的对数循环平稳度LDCS(x)为
式中,|·|表示绝对值运算,
LRx(0)表示循环频率α=0处对应的对数自相关函数值;
为进一步抑制噪声对信号数据级融合的影响,引入融合信号与原始多通道振动信号的相关系数CC作为权值,其计算过程如下:
式中,NS表示原始信号的数量,xi表示第i个原始信号,xf经数据级融合后的融合信号,r(·)表示两信号之间的相关系数,其计算过程如下:
式中,x(i)和y(i)分别表示两信号,和/>表示两信号对应的平均值,N表示信号的长度。将融合信号与原始多通道振动信号的相关系数作为权值,定义相关循环平稳度(CDCS)如下:
CDCS(x)=CC*LDCS(x)
S2.3.以融合信号的循环平稳度值的倒数作为损失函数,使用自适应矩估计优化算法ADAM对各传感器权重进行Wi更新,其中自适应矩估计优化算法ADAM的参数设置为:样本批量大小为64,学习率为0.001,训练次数为50次。达到最大训练次数后,保存损失函数最小时对应的权重作为最优权重。然后使用加权融合方法,得到多通道振动信号的数据级融合信号。
步骤S3中,双分支一维卷积神经网络的两个分支具有相同的网络结构,每个分支主要由5个卷积模块组成,每个卷积模块包括一层卷积层、一层BN层和一层ReLU层。5个卷积层的卷积核尺寸和卷积核数量分别为(16x1,16),(3x1,32),(3x1,64),(3x1,64),(3x1,64)。
步骤S4中使用基于多尺度通道注意力的动态特征融合模块对双分支特征进行融合,得到融合特征,其流程如图3所示,具体包括以下步骤:
S4.1.对于双分支输入特征X和Y,首先进行逐元素相加,得到两特征之和
S4.2.将特征之和输入多尺度通道注意力模块,得到注意力权重/>其计算过程如下:
S4.2.1.对于多尺度通道注意力模块的输入特征F,假设其通道数为C,首先由全局最大池化GMP和全局平均池化GAP提取特征的全局信息,其计算过程如下:
GA(F)=BN(PC2(γ(BN(PC1(GAP(F))))))
GM(F)=BN(PC2(γ(BN(PC1(GMP(F))))))
式中,式中,GA(F)表示基于全局平均池化提取到的全局信息,
GM(F)表示基于全局最大池化提取到的全局信息,
GAP(F)表示全局平均池化操作;
GMP(F)表示全局最大池化操作;
PC1和PC2表示使用逐点卷积的通道维度变换操作,其中PC1将特征图原有通道数C缩减为C/r,r表示维度缩减比,而PC2将缩减后的通道数C/r增加到C;
γ表示ReLU函数,
BN表示批归一化操作;
S4.2.2.使用局部算子提取输入特征的局部信息,其计算过程如下:
L(F)=BN(PC2(γ(BN(PC1(F)))))
式中,L(F)表示特征的局部信息。
S4.2.3.综合特征的全局信息和局部信息,得到对应的注意力权重,其计算过程如下:
式中,表示逐元素相加,σ表示Sigmoid函数。
S4.3.将得到的注意力权重分配给输入特征x,而将/>分配给另一输入特征Y,加权相加后得到最终的融合特征,其计算过程如下:
式中,X和Y表示提取到的双分支特征,Z表示融合特征。
步骤S5中,Sotfmax分类器的输出个数为3。
为进一步验证发明方法的有效性,采用离心风机叶片裂纹试验台对本申请方法进行进一步说明:
叶片状态共有3种:正常状态,10mm裂纹状态和20mm裂纹状态,并在1200rpm、1800rpm和2400rpm3种转速下进行信号采集。采集布置在风机6个不同位置处的加速度传感器采集振动信号,并使用基于CDCS规则的数据级融合方法融合6通道振动信号,得到融合信号。
然后将融合信号输入双分支1D-CNN网络进行特征提取,并使用基于多尺度通道注意力的动态特征融合模块对双分支特征进行融合,在经过全局平均池化处理后,输出Softmax分类器,对样本状态进行分类,完成叶片裂纹检测。
设置跨转速工况对本发明方法的有效性进行检验,共有6种跨转速工况:1200→1800,1200→2400,1800→1200,1800→2400,2400→1200和2400→1200。其中箭头左侧表示训练样本所处转速,箭头右侧表示测试样本所处转速。
6种跨转速工况下的叶片裂纹检测混淆矩阵如图4所示,其中0,1,2分别对应正常状态、10mm裂纹状态和20mm裂纹状态。可以看出,所提出的方法可以在跨转速工况下较好分区3种叶片状态,准确地完成叶片裂纹检测,验证了本申请方法的有效性。
为进一步说明本发明方法在叶片裂纹检测中的优势,与其它融合方法进行了比较。包括基于空洞卷积的数据级融合方法(FAC-CNN)、多尺度卷积神经网络方法(MSCNN)、基于相关峭度的数据级融合和基于金字塔网络的特征级融合方法(2MNet)、和基于自适应加权融合层的数据级融合和基于串联的特征级融合方法(MLVAF-CNN)。分别使用上述四种方法处理采集的6通道振动信号,检测结果如表1。
表1跨转速工况下不同方法检测结果
可以发现,在6种跨转速工况下,本发明所提出的方法都取得了最高的检测准确率,说明本发明方法可以充分利用多传感器信息,发挥多级融合的优势,准确地完成复杂工况下的叶片裂纹检测。
与现有技术相比,采用本发明的一种基于多传感器多级信息融合的叶片裂纹检测方法,通过基于相关循环平稳度规则的数据级融合方法得到融合信号,使用双分支一维卷积神经网络从融合信号提取特征,并通过基于多尺度通道注意力的动态特征融合模块融合双分支特征,最后通过Softmax分类器完成叶片裂纹检测。克服了单一传感器单一融合方式难以在复杂工况下准确检测叶片裂纹的缺点,充分利用多传感器信息,实现了叶片裂纹的准确检测。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种基于多传感器多级信息融合的叶片裂纹检测方法,其特征在于,包括以下步骤:
S1.通过布置在多个位置的加速度传感器采集叶片的多通道振动信号;
S2.使用基于相关循环平稳度规则的数据级融合方法,对采集的所述多通道振动信号进行融合,得到融合信号;
S3.建立双分支一维卷积神经网络,对融合信号进行特征提取,得到双分支特征;
S4.使用基于多尺度通道注意力的动态特征融合模块对双分支特征进行融合,得到融合特征;
S5.将融合特征经全局平均池化处理后,输入Sotfmax分类器,完成叶片裂纹检测。
2.根据权利要求1所述的基于多传感器多级信息融合的叶片裂纹检测方法,其特征在于,步骤S2中,所述基于相关循环平稳度规则的数据级融合的具体方法是:
S2.1.随机初始化各个加速度传感器的权重,通过加权融合方法得到融合信号,计算过程如下:
式中,Si表示第i个传感器采集的原始振动信号,
Wi表示第i个传感器对应的权重,
n表示参与融合的加速度传感器的数量,
Sf表示融合信号;
S2.2.定义融合信号的循环相关平稳度,
首先,定义信号x9t)的对数自相关函数LRx(α)为:
LRx(α)=<log(x(t)2)e-j2παt>
式中:<·>表示时间平均算子,
α表示循环频率;
j表示虚数单位;
t表示时间变量;
π表示圆周率;
在此基础上,定义信号x(t)的对数循环平稳度LDCS(x)为
式中,|·|表示绝对值运算,
LRx(0)表示信号x(t)在循环频率α=0处对应的对数自相关函数值;
为进一步抑制噪声对信号数据级融合的影响,引入融合信号与原始多通道振动信号的相关系数CC作为权值,其计算过程如下:
式中,NS表示原始信号的数量,
xi表示第i个原始信号,
xf表示经数据级融合后的融合信号,
r(·)表示两信号之间的相关系数,其计算过程如下:
式中,x(i)和y(i)分别表示两信号,和/>表示两信号对应的平均值,N表示信号的长度;
将融合信号与原始多通道振动信号的相关系数作为权值,定义相关循环平稳度如下:
CDCS(x)=CC*LDCS(x)
S2.3.以融合信号的循环平稳度值的倒数作为损失函数,使用自适应矩估计优化算法对各传感器权重进行Wi优化,得到最优权重,然后使用加权融合方法,得到多通道振动信号的数据级融合信号。
3.根据权利要求1所述的一种基于多传感器多级信息融合的叶片裂纹检测方法,其特征在于,步骤S3中,所述双分支一维卷积神经网络的两个分支具有相同的网络结构,每个分支由5个卷积模块组成,每个卷积模块包括一层卷积层、一层BN层和一层ReLU层,5个卷积层的卷积核尺寸和卷积核数量分别为(16x1,16),(3x1,32),(3x1,64),(3x1,64),(3x1,64)。
4.根据权利要求1所述的一种基于多传感器多级信息融合的叶片裂纹检测方法,其特征在于,步骤S4中,使用基于多尺度通道注意力的动态特征融合模块对双分支特征进行融合,得到融合特征,包括以下子步骤:
S4.1.对于双分支输入特征X和Y,首先进行逐元素相加,得到两特征之和
S4.2.将两特征之和输入多尺度通道注意力模块,得到注意力权重/>其计算过程包括以下子步骤:
S4.2.1.对于多尺度通道注意力模块的输入特征F,假设其通道数为C,首先由全局最大池化GMP和全局平均池化GAP提取特征的全局信息,其计算过程如下:
GA(F)=BN(PC2(γ(BN(PC1(GAP(F))))))
GM(F)=BN(PC2(γ(BN(PC1(GMP(F))))))
式中,GA(F)表示基于全局平均池化提取到的全局信息,
GM(F)表示基于全局最大池化提取到的全局信息,
GAP(F)表示全局平均池化操作;
GMP(F)表示全局最大池化操作;
PC1和PC2表示使用逐点卷积的通道维度变换操作,其中PC1将特征图原有通道数C缩减为C/r,r表示维度缩减比,而PC2将缩减后的通道数C/r增加到C;
γ表示ReLU函数,
BN表示批归一化操作;
S4.2.2.使用局部算子提取输入特征的局部信息,其计算过程如下:
L(F)=BN(PC2(γ(BN(PC1(F)))))
式中,L(F)表示输入特征的局部信息;
S4.2.3.综合特征的全局信息和局部信息,得到对应的注意力权重,其计算过程如下:
式中,表示逐元素相加,σ表示Sigmoid函数;
S4.3.将步骤S4.2得到的注意力权重分配给输入特征X,而将/>分配给另一输入特征Y,加权相加后得到最终的融合特征,其计算过程如下:
式中,X和Y表示提取到的双分支特征,Z表示融合特征。
5.根据权利要求1所述的一种基于多传感器多级信息融合的叶片裂纹检测方法,其特征在于,所述步骤S5中,Sotfmax分类器的输出个数为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371834.9A CN117633700A (zh) | 2023-10-20 | 2023-10-20 | 一种基于多传感器多级信息融合的叶片裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371834.9A CN117633700A (zh) | 2023-10-20 | 2023-10-20 | 一种基于多传感器多级信息融合的叶片裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117633700A true CN117633700A (zh) | 2024-03-01 |
Family
ID=90018892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371834.9A Pending CN117633700A (zh) | 2023-10-20 | 2023-10-20 | 一种基于多传感器多级信息融合的叶片裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633700A (zh) |
-
2023
- 2023-10-20 CN CN202311371834.9A patent/CN117633700A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN110849627A (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 | |
CN112860183B (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN110928237A (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN113269221A (zh) | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN117633700A (zh) | 一种基于多传感器多级信息融合的叶片裂纹检测方法 | |
CN114021275B (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |