基于深度学习的叶片欠采样叶端定时信号压缩重构方法技术

本申请涉及一种基于深度学习的叶片欠采样叶端定时信号压缩重构方法。所述方法包括：获取被测对象的叶端定时测振的multi‑coset采样序列；对multi‑coset采样序列进行傅里叶变换，得到叶端定时测振的压缩感知模型；获取叶端定时传感器对应的观测矩阵，根据观测矩阵和压缩感知模型，得到叶片振动频谱；将叶片振动频谱的频带进行标记，与叶片振动频谱组成训练样本集；将训练样本集输入深度学习模型中，通过梯度下降方式进行训练，得到训练好的深度学习模型；输入到深度学习模型，得到待重构的叶片振动频谱对应的频带标记向量，根据标记向量，得到重构观测矩阵；根据重构观测矩阵和待重构的叶片振动频谱，得到重构叶端定时测振信号。采用本方法能够提高重构速度和准确率。

【技术实现步骤摘要】
基于深度学习的叶片欠采样叶端定时信号压缩重构方法
本申请涉及高速叶片振动在线监测
，特别是涉及一种基于深度学习的叶片欠采样叶端定时信号压缩重构方法。
技术介绍
高速叶片是燃气轮机、航空发动机等旋转机械中的关键动部件，在极端服役环境下高速叶片容易产生各种故障，主要原因包括：高速叶片承受离心力及气动力等循环交变载荷作用，容易诱发高周疲劳损伤，产生微小裂纹；损伤严重时会导致叶片掉角、掉块，甚至直接断裂，产生巨大的安全隐患。统计数据表明，叶片振动引发的故障数占振动故障数的70％以上。为此，对高速叶片产生的振动进行在线监测，研究叶片振动特性并及早发现叶片早期裂纹故障，对于保障旋转机械正常稳定运行、防范重大事故具有重要意义。传统的旋转叶片在线振动监测采用的是基于应变计的接触式方法，它是在旋转叶片上粘贴应变计并通过无线或者滑环方式来传输信号实现振动监测。但是这种方式存在几个严重的不足：应变计自身荷重和体积会直接影响待测叶片的振动特性；安装费时费力、测量代价昂贵；应变计直接暴露在极端服役环境里，使用寿命有限；单个应变计只能监测一个叶片，需要安装多本文档来自技高网...

【技术保护点】
1.一种基于深度学习的叶片欠采样叶端定时信号压缩重构方法，其特征在于，所述方法包括：/n获取被测对象的叶端定时测振的multi-coset采样序列；/n对所述multi-coset采样序列进行傅里叶变换，得到叶端定时测振的压缩感知模型；/n获取叶端定时传感器对应的观测矩阵，根据所述观测矩阵和所述压缩感知模型，得到叶片振动频谱；/n将所述叶片振动频谱的频带进行标记，与所述叶片振动频谱组合组成训练样本集；/n将所述训练样本集中的样本输入预先设置的深度学习模型中，通过梯度下降方式对深度学习模型进行训练，得到训练好的深度学习模型；/n将待重构的叶片振动频谱输入训练好的深度学习模型，得到待重构的叶片振动...

【技术特征摘要】
1.一种基于深度学习的叶片欠采样叶端定时信号压缩重构方法，其特征在于，所述方法包括：
获取被测对象的叶端定时测振的multi-coset采样序列；
对所述multi-coset采样序列进行傅里叶变换，得到叶端定时测振的压缩感知模型；
获取叶端定时传感器对应的观测矩阵，根据所述观测矩阵和所述压缩感知模型，得到叶片振动频谱；
将所述叶片振动频谱的频带进行标记，与所述叶片振动频谱组合组成训练样本集；
将所述训练样本集中的样本输入预先设置的深度学习模型中，通过梯度下降方式对深度学习模型进行训练，得到训练好的深度学习模型；
将待重构的叶片振动频谱输入训练好的深度学习模型，得到待重构的叶片振动频谱的频带对应的标记向量，根据所述标记向量，得到重构观测矩阵；
根据所述重构观测矩阵和待重构的叶片振动频谱，得到重构叶端定时测振信号。


2.根据权利要求1所述的方法，其特征在于，所述获取被测对象的叶端定时测振的multi-coset采样序列，包括：
获取被测对象的叶端定时测振的multi-coset采样序列为：
yi[n]＝x[n],n＝mL+ci
其中，m为非负整数数，L表示叶端定时传感器的数量，i表示叶端定时传感器的序号。


3.根据权利要求1所述的方法，其特征在于，所述获取叶端定时传感器对应的观测矩阵，根据所述观测矩阵和所述压缩感知模型，得到叶片振动频谱，包括：
获取叶端定时传感器对应的观测矩阵，计算所述观测矩阵的逆矩阵；
根据所述压缩感知模型和所述逆矩阵，得到叶片振动频谱。


4.根据权利要求1所述的方法，其特征在...

【专利技术属性】
技术研发人员：陈仲生，盛浩，何静，夏叶媚，刘建华，张昌凡，胡雷，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：湖南;43