【技术实现步骤摘要】
本专利技术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。
技术介绍
1、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。
2、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，
3、所述数据级融合的对象为采集的多源振动信号，
4、所述特征级融合的对象是提取到的多分支特征，
5、所述决策级融合的对象是多源初始决策。
6、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。
7、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。
技术实现思路
1、针对上述技术问题，本专利技术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
2、为了实现上述技术目的，本专利技术采用的技术方案如下：
3、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：
4、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；
5、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；
6、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；
7、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；
8、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。
9、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：
10、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：
11、
12、式中，si表示第i个传感器采集的原始振动信号，
13、wi表示第i个传感器对应的权重，
14、n表示参与融合的加速度传感器的数量，
15、sf表示融合信号；
16、s2.2.定义融合信号的循环相关平稳度，
17、首先，定义信号x(t)的对数自相关函数lrx(α)为：
18、lrx(α)＝<log(x(t)2)e-j2παt>
19、式中：<·>表示时间平均算子，
20、α表示循环频率；
21、j表示虚数单位；
22、t表示时间变量；
23、π表示圆周率；
24、在此基础上，定义信号x(t)的对数循环平稳度ldcs(x)为
25、
26、式中，|·|表示绝对值运算，
27、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；
28、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：
29、
30、式中，ns表示原始信号的数量，
31、xi表示第i个原始信号，
32、xf表示经数据级融合后的融合信号，
33、r(·)表示两信号之间的相关系数，其计算过程如下：
34、
35、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；
36、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：
37、cdcs(x)＝cc*ldcs(x)
38、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。
39、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)。
40、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：
41、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
42、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：
43、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：
44、ga(f)＝bn(pc2(γ(bn(pc1(gap(f))))))
45、gm(f)＝bn(pc2(γ(bn(pc1(gmp(f))))))
46、式中，ga(f)表示基于全局平均池化提取到的全局信息，
47、gm(f)表示基于全局最大池化提取到的全局信息，
48、gap(f)表示全局平均池化操作；
49、gmp(f)表示全局最大池化操作；
50、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；
51、γ表示relu函数，
52、bn表示批归一化操作；
53、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：
54、l(f)＝bn(pc2(γ(bn(pc1(f)))))
55、式中，l(f)表示输入特征的局部信息；
56、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：
57、
58、式中，表示逐元素相加，σ表示sigmoid函数；
59、s4.3.将步骤s4.2得到的注意力权重分配给输入特征x，而将本文档来自技高网...
【技术保护点】
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：
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：
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：
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。
【技术特征摘要】
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：
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：
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，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。