欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024101647436
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多频率注意网络的风机叶片损伤检测方法,其特征在于,包括如下步骤:步骤S1,采集风机叶片历史数据形成数据集;

步骤S2,构建卷积神经网络,将所述数据集输入所述卷积神经网络进行训练,所述卷积神经网络有四层,每一层当中包含数个由八度卷积和通道注意力组合而成的模块,输入在网络的第一层后分离为高频组和低频组,并在第四层中合并,将合并后的特征送入全连接层输出分类结果;训练过程中,任意一个模块首先采用八度卷积提取输入的特征,并将提取的特征分为高频组和低频组,然后通过通道注意力对高频组和低频组的特征进行校准,将校准后的两组特征作为输入送入下一个模块;

其中,在所述卷积神经网络的前三层中,通道注意力采用基于2D-DCT的注意力机制进行特征校准,为高频组和低频组的每个通道赋予不同的权重,利用更多频域隐含信息对高频组和低频组进行通道注意力的泛化,以校准高频组通道和低频组的特征表示;在最后一层网络中,通道注意力采用基于GAP的注意力机制进行特征校准,为高频组和低频组的每个通道赋予不同的权重,以校准高频组通道和低频组的特征表示;

2D-DCT的计算过程如下所示:

选择N个频率分量来泛化通道注意力,将N个频率中较高频的N/2个频率对应的2D-DCT权重分配给高频组,将N个频率中较低频的N/2个频率对应的2D-DCT权重分配给低频组;高频组和低频组中每个通道都使用分配的N/2个2D-DCT权重进行计算,得到N/2个不同频率的一维特征表示;

步骤S3,针对任意一次风机叶片损伤检测,将采集的风机叶片数据输入训练好的所述卷积神经网络,输出对风机叶片损伤的判别结果。

2.根据权利要求1所述的风机叶片损伤检测方法,其特征在于,八度卷积的卷积核分成四部分,分别表示为:(1)高频组到高频组的卷积核;

(2)高频组到低频组的卷积核;

(3)低频组到高频组的卷积核;

(4)低频组到低频组的卷积核;

输入包括高频输入和低频输入,八度卷积神经网络对数据集中输入图像进行特征提取的过程包括:高频特征提取:高频组输入经过卷积核卷积之后得到输出;低频组输入先经过卷积核卷积操作,再进行上采样将分辨率扩大至与高频组输出分辨率相同,得到输出;将和经过相加操作后输出高频特征;

低频特征提取:低频输入经过卷积核卷积之后得到输出;高频输入先经过下采样将分辨率缩小至与低频组输入分辨率相同,再经过卷积核卷积操作,得到输出;将与经过相加操作后输出低频特征。

3.根据权利要求2所述的风机叶片损伤检测方法,其特征在于,2D-DCT的变换公式如下:其中表示2D-DCT的输入,表示2D-DCT的输出,、分别表示2D-DCT输入的高和宽,分别表示二维频率分量;表示像素点索引,即第行第列的像素点;

使用权值来表示2D-DCT的基函数:

。

4.根据权利要求3所述的风机叶片损伤检测方法,其特征在于,高频组的第个通道的N/2个频率分量的一维特征表示为:式中,表示低频组通道总数占总通道总数的比例;表示通道编号,表示频率编号;表示高频组第个频率分量内第行第列像素点的2D-DCT权重;表示通道总数;

高频组所有通道的第个频率分量对应的一维特征表示为:

式中,表示串联操作;

高频组全通道的最终一维特征表示为:

式中,、···表示高频组的全连接层系数;

低频组的第通道的N/2个频率分量的一维特征表示如下:

低频组所有通道的第个频率分量对应的一维特征表示为:

低频组全通道的最终一维特征表示如下:

式中,、··表示高频组的全连接层系数;

故全通道的一维特征表示为:

。

5.根据权利要求4所述的风机叶片损伤检测方法,其特征在于,GAP的计算过程如下:故全通道的一维特征表示为:

6.一种基于多频率注意网络的风机叶片损伤检测系统,其特征在于,包括:数据采集模块,用于采集风机叶片历史数据形成数据集;

网络构建模块,用于构建卷积神经网络,将所述数据集输入所述卷积神经网络进行训练,所述卷积神经网络有四层,每一层当中包含数个由八度卷积和通道注意力组合而成的模块,输入在网络的第一层后分离为高频组和低频组,并在第四层中合并,将合并后的特征送入全连接层输出分类结果;训练过程中,任意一个模块首先采用八度卷积提取输入的特征,并将提取的特征分为高频组和低频组,然后通过通道注意力对高频组和低频组的特征进行校准,将校准后的两组特征作为输入送入下一个模块;

其中,在所述卷积神经网络的前三层中,通道注意力采用基于2D-DCT的注意力机制进行特征校准,为高频组和低频组的每个通道赋予不同的权重,利用更多频域隐含信息对高频组和低频组进行通道注意力的泛化,以校准高频组通道和低频组的特征表示;在最后一层网络中,通道注意力采用基于GAP的注意力机制进行特征校准,为高频组和低频组的每个通道赋予不同的权重,以校准高频组通道和低频组的特征表示;

2D-DCT的计算过程如下所示:

选择N个频率分量来泛化通道注意力,将N个频率中较高频的N/2个频率对应的2D-DCT权重分配给高频组,将N个频率中较低频的N/2个频率对应的2D-DCT权重分配给低频组;高频组和低频组中每个通道都使用分配的N/2个2D-DCT权重进行计算,得到N/2个不同频率的一维特征表示;

损伤判别模块,针对任意一次风机叶片损伤检测,将采集的风机叶片数据输入训练好的所述卷积神经网络,输出对风机叶片损伤的判别结果。