一种用于评估叶根轮槽试验精确性的方法及系统技术方案

本发明专利技术属于数据处理技术领域，公开了一种用于评估叶根轮槽试验精确性的方法及系统；所述方法包括：基于预获取的应变片图像，利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取，获得处理后应变片图像，并记录应变片贴附角度；以预获取的数字散斑图像为目标图像，以获取的处理后应变片图像为源图像，通过仿射变换获得散斑应变片重叠图像；基于散斑应变片重叠图像以及记录的应变片贴附角度，计算获得非接触测量数据与接触测量数据的误差；基于误差进行叶根轮槽试验精确性评估，获得精确性评估结果

【技术实现步骤摘要】
一种用于评估叶根轮槽试验精确性的方法及系统


[0001]本专利技术属于数据处理
，涉及透平机械叶片叶根轮槽试验测试领域，特别涉及一种用于评估叶根轮槽试验精确性的方法及系统
。

技术介绍

[0002]叶片是汽轮机
、
燃气轮机
、
航空发动机等透平机械的核心部件，在透平机械运行过程中，复杂工作环境会使叶片在实际运行过程中表现出与设计工况不同的特性
。
具体的，由于温度场压力场的变化
、
安装加工精度的误差等因素，叶片会产生热应力
、
应力集中等问题；其中，叶片的叶根与轮槽相配合的位置由于结构
、
功能的特殊性，往往会承受极大的载荷
。
因此，叶片在设计制造时，需要对叶根和轮槽部分进行试验，以确保透平机械运行的安全性和可靠性
。
[0003]目前，现有传统的叶根轮槽试验的数据处理以评估试验精确性的方法中，通常需要手动选取接触式测量
、
非接触式测量和数值仿真结果中对应的节点进行结果分析，上述传统的处理方法对于精度要求不高
、
体积较小的试验件能够基本满足要求
。
[0004]然而，在处理精度要求高或是大型试验件时，上述传统方法由于人为选取
、
图像角度等问题会产生误差，最终会影响对试验结果的判断与评价；此外，如果试件体积较大
、
接触测量所采用的应变片数量较多，传统方法会大大增加节点选取
、r/>对比的难度以及数据处理的时间成本，可行性较差
。

技术实现思路

[0005]本专利技术的目的在于提供一种用于评估叶根轮槽试验精确性的方法及系统，以解决上述存在的一个或多个技术问题
。
本专利技术提供的技术方案中，通过基于词嵌入的零采样图片区域分割模型可精准识别接触测量的应变片轮廓，再通过仿射变换完成图像的重叠处理；最终能够获得用于精确性评估的指标
(
解释性的，即非接触测量数据与接触测量数据相对的误差
)
，具有较好的可靠性和可行性
。
[0006]为达到上述目的，本专利技术采用以下技术方案：
[0007]本专利技术提供的一种用于评估叶根轮槽试验精确性的方法，包括以下步骤：
[0008]获取叶根轮槽试验中，应变片图像
、
数字散斑图像
、
非接触测量数据以及接触测量数据；
[0009]基于获取的所述应变片图像，利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取，获得处理后应变片图像，并记录应变片贴附角度；
[0010]以获取的所述数字散斑图像为目标图像，以获取的所述处理后应变片图像为源图像，通过仿射变换获得散斑应变片重叠图像；
[0011]基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度，计算获得非接触测量数据与接触测量数据的误差；基于获得的误差进行叶根轮槽试验精确性评估，获得精确性评估结果
。
[0012]本专利技术方法的进一步改进在于，所述基于词嵌入的零采样图片区域分割模型的架构包括：
[0013]可见类预分类模块，用于输入原始应变片图像并进行可见类内部以及可见类和不可见类之间的预分类处理，获得了预分类图像的像素特征；
[0014]词向量语义描述构建模块，用于输入可见类对象和不可见类对象的名称进行词转向量处理，获得可见类的语义描述以及不可见类的语义描述；
[0015]不可见类像素生成模块，用于输入可见类的语义描述以及不可见类的语义描述进行像素特征生成处理，获得不可见类的像素特征；
[0016]二次分类模块，用于输入预分类图像的像素特征和不可见类的像素特征并进行所有类之间的二次分类处理，输出最终图片区域分割图像
。
[0017]本专利技术方法的进一步改进在于，所述基于词嵌入的零采样图片区域分割模型中，
[0018]所述可见类预分类模块由一个全监督模型构成；
[0019]所述词向量语义描述构建模块由两个
word2vec
模型构成；
[0020]所述不可见类像素生成模块由一个生成器构成；
[0021]所述二次分类模块由一个分类器构成
。
[0022]本专利技术方法的进一步改进在于，所述预先训练好的基于词嵌入的零采样图片区域分割模型的训练步骤包括：
[0023]1)
训练数据的定义和收集，包括：
[0024]记图像中的所有识别对象的类别为
C
＝
S∪U
；其中，
S
表示可见类，包括叶根试验件
、
轮槽试验件和紧固外壳；
U
表示不可见类，包括应变片
、
应变片线缆；
[0025]采用
word2vec
模型构建词向量语义描述，通过输入预设关键词，分别嵌入映射到可见类的语义描述以及不可见类的语义描述；
[0026]收集叶根轮槽试验件在不同拍摄角度
、
不同光照下的拍摄图像作为样本，以构建可见类的预训练的训练集；其中，记图像的大小为
m
×
n
，样本数为
M
，可见类的预训练的训练集表示为：式中，为第
i
个样本的
d
x
维像素特征，
1≤i≤M
；表示第
i
个样本的人工标注分割图像；表示
d
a
维语义描述，用于将类的语义嵌入到每一个像素；
[0027]2)
可见类的预训练，包括：
[0028]采用全监督模型，在可见类的预训练的训练集上进行预训练；其中，全监督模型的最后一层输出的像素特征只用于区分可见类下的不同类别，所有不可见类则识别为一个整体；
[0029]3)
构建生成器，包括：
[0030]构建基于词向量语义描述的像素特征其中，
G
为含有可训练参数
ω
的生成器，
a
为词向量语义描述，
z
为来自固定的多元高斯分布的随机样本；
[0031]对生成器的参数
ω
进行训练优化，优化后的生成器通过输入词向量语义描述得到类的像素特征；其中，生成器的输入为输出为可见类的像素特征和不可见
类像素特征根据该输出值构建不可见训练集为式中，为第
i'
个样本的
d
x
维像素特征，
1≤i'≤M'
；表示第
i'
个样本的人工标注分割图像；表示
d
a
维语义描述；
[0032]4)
构建分类器，包括：
[0033]将嵌入
x
S
构造输入像素特征
x...

【技术保护点】

【技术特征摘要】
1.
一种用于评估叶根轮槽试验精确性的方法，其特征在于，包括以下步骤：获取叶根轮槽试验中，应变片图像
、
数字散斑图像
、
非接触测量数据以及接触测量数据；基于获取的所述应变片图像，利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取，获得处理后应变片图像，并记录应变片贴附角度；以获取的所述数字散斑图像为目标图像，以获取的所述处理后应变片图像为源图像，通过仿射变换获得散斑应变片重叠图像；基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度，计算获得非接触测量数据与接触测量数据的误差；基于获得的误差进行叶根轮槽试验精确性评估，获得精确性评估结果
。2.
根据权利要求1所述的一种用于评估叶根轮槽试验精确性的方法，其特征在于，所述基于词嵌入的零采样图片区域分割模型的架构包括：可见类预分类模块，用于输入原始应变片图像并进行可见类内部以及可见类和不可见类之间的预分类处理，获得了预分类图像的像素特征；词向量语义描述构建模块，用于输入可见类对象和不可见类对象的名称进行词转向量处理，获得可见类的语义描述以及不可见类的语义描述；不可见类像素生成模块，用于输入可见类的语义描述以及不可见类的语义描述进行像素特征生成处理，获得不可见类的像素特征；二次分类模块，用于输入预分类图像的像素特征和不可见类的像素特征并进行所有类之间的二次分类处理，输出最终图片区域分割图像
。3.
根据权利要求2所述的一种用于评估叶根轮槽试验精确性的方法，其特征在于，所述基于词嵌入的零采样图片区域分割模型中，所述可见类预分类模块由一个全监督模型构成；所述词向量语义描述构建模块由两个
word2vec
模型构成；所述不可见类像素生成模块由一个生成器构成；所述二次分类模块由一个分类器构成
。4.
根据权利要求3所述的一种用于评估叶根轮槽试验精确性的方法，其特征在于，所述预先训练好的基于词嵌入的零采样图片区域分割模型的训练步骤包括：
1)
训练数据的定义和收集，包括：记图像中的所有识别对象的类别为
C
＝
S∪U
；其中，
S
表示可见类，包括叶根试验件
、
轮槽试验件和紧固外壳；
U
表示不可见类，包括应变片
、
应变片线缆；采用
word2vec
模型构建词向量语义描述，通过输入预设关键词，分别嵌入映射到可见类的语义描述以及不可见类的语义描述；收集叶根轮槽试验件在不同拍摄角度
、
不同光照下的拍摄图像作为样本，以构建可见类的预训练的训练集；其中，记图像的大小为
m
×
n
，样本数为
M
，可见类的预训练的训练集表示为：式中，为第
i
个样本的
d
x
维像素特征，
1≤i≤M
；表示第
i
个样本的人工标注分割图像；表示
d
a
维语义描述，用于将类
的语义嵌入到每一个像素；
2)
可见类的预训练，包括：采用全监督模型，在可见类的预训练的训练集上进行预训练；其中，全监督模型的最后一层输出的像素特征只用于区分可见类下的不同类别，所有不可见类则识别为一个整体；
3)
构建生成器，包括：构建基于词向量语义描述的像素特征其中，
G
为含有可训练参数
ω
的生成器，
a
为词向量语义描述，
z
为来自固定的多元高斯分布的随机样本；对生成器的参数
ω
进行训练优化，优化后的生成器通过输入词向量语义描述得到类的像素特征；其中，生成器的输入为输出为可见类的像素特征和不可见类像素特征根据该输出值构建不可见训练集为式中，为第
i'
个样本的
d
x
维像素特征，
1≤i'≤M'
；表示第
i'
个样本的人工标注分割图像；表示
d
a
维语义描述；
4)
构建分类器，包括：将嵌入
x
S
构造输入像素特征
x
，结合
D
S
和作为训练集，构造像素级分类器采用半监督学习的自我训练策略完成分类器的训练，获得所述预先训练好的基于词嵌入的零采样图片区域分割模型
。5.
根据权利要求1所述的一种用于评估叶根轮槽试验精确性的方法，其特征在于，所述以获取的所述数字散斑图像为目标图像，以获取的所述处理后应变片图像为源图像，通过仿射变换获得散斑应变片重叠图像的步骤具体包括：
(1)
读取源图像并获得源图像大小，记录轮槽上沿左右两侧顶点
A、B
的坐标值
(x1,y1)、(x2,y2)
以及轮槽圆角处点
C
和点
D
的坐标值
(x3,y3)、(x4,y4)
；获取目标图像上
A、B、C、D
四个点的坐标
(u1,v1)、(u2,v2)、(u3,v3)、(u4...

【专利技术属性】
技术研发人员：张荻，赵宇轩，郭鼎，陈由翔，谢永慧，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：