CN117037841A - 基于层级过渡网络的声学信号层级空化强度识别方法 - Google Patents
基于层级过渡网络的声学信号层级空化强度识别方法 Download PDFInfo
- Publication number
- CN117037841A CN117037841A CN202310945885.1A CN202310945885A CN117037841A CN 117037841 A CN117037841 A CN 117037841A CN 202310945885 A CN202310945885 A CN 202310945885A CN 117037841 A CN117037841 A CN 117037841A
- Authority
- CN
- China
- Prior art keywords
- layer
- cavitation
- convolution
- hierarchical
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007704 transition Effects 0.000 title claims abstract description 33
- 230000005236 sound signal Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 37
- 238000010606 normalization Methods 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 27
- 230000005284 excitation Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims 2
- 239000000470 constituent Substances 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012733 comparative method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000004243 E-number Substances 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于层级过渡网络的管道***声学信号层级空化强度识别方法，主要解决现有技术对空化强度识别精度较低的问题。其实现方案为：采集管道***空化声学信号，划分训练样本集和测试样本集；构建包括全局滤波层、子神经网络模型和主神经网络模型的层级过渡网络的声学信号层级空化强度识别模型；利用训练样本集对该识别模型进行迭代训练；将测试样本输入到训练后的声学信号层级空化强度识别模型主获得空化强度识别结果。本发明通过构建的层级识别模型解决不同空化状态被平等对待的假设，并利用全局滤波层捕获空化声音信号在频域空间的全局特征实现特征之间的全局长期交互，提升了空化强度识别的精度，可用于工业管道***设备健康管理。
Description
技术领域
本发明属于管道识别技术领域，特别涉及一种声学信号层级空化强度识别方法，可用于工业管道***设备健康管理。
背景技术
管道***超出正常运行状态通常预示着某种故障的发生，比如空化、裂纹、泄漏等。因此，工业管道***运行状态的监测对于国家和社会的工业管道***故障的早期发现与维护有着重要的意义。
管道运输是一个复杂且精密的管道***，其输送的稳定性和安全性受诸多因素的影响。空化是管道运输***中最常见的主要破坏方式之一，由于液体空泡的破裂会产生巨大的力并撞击管道内壁，进而对管道内壁造成形变甚至发生电化学腐蚀。空化的发生会降低管道运输***的运输效率，缩短管道的使用寿命，甚至出现管道内液体的泄露，造成不可挽回的经济损失和安全事故。因此，寻找一种更加适合非接触式、误差小的管道***的空化强度识别技术有着重要的意义。
目前，根据是否进行物理干预，空化强度识别可分为基于侵入式物理参数的空化强度识别方法和基于非侵入式信号的空化强度识别方法两类，其中，基于非侵入式信号空化强度识别方法，典型的为基于声学、振动、压力和光学信号的空化强度识别方法，该方法使用各种传感器测量管道内壁液体产生空化现象映射的信号，且对管道本身无损伤等特点被广泛应用。
基于声学信号的管道***空化强度识别方法按照是否为学习算法可以分为基于传统信号处理的方法和基于机器学习方法两大类，其中基于机器学习方法分为传统机器学习和深度学习两大类。基于传统机器学习的方法需要手动提取信号的统计或频域特征，然后使用支持向量机、决策树和随机森林等方法实现空化强度识别。基于深度学习的方法，利用神经网络强大的特征提取能力从声学信号中学习模式和特征，实现端到端的空化强度识别。
公布号为CN114997246A的专利文献公开了一种“一种流体机械振动数据驱动的空话状态识别方法”，其采用深度学***等对待这一假设，因而相比其它空化状态，即恒定空化、阻塞流空化和非空化，深度学习网络无法特别注意初始空化状态，因此空化强度识别结果较差。
公布号为CN113255848A的专利文献公开了一种“基于大数据学习的水轮机空化声信号辨识方法”，其采用深度学习的方式，通过使用自组织特征映射神经网络进行聚类分析，并引入随机森林算法进行特征选择，使用门控循环单元建立动态容错模型实现水轮机空化声音辨识，该方法虽然提高了声音信号空化强度识别的精度，但存在的不足之处为受限于深度学习卷积神经网络的卷积核尺寸，导致只能从原始信号提取局部特征，未考虑信号特征之间的全局长期依赖性关系，因此空化强度识别结果较差。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于层级过渡网络的管道***声学信号层级空化强度识别方法，以提高空化强度识别结果精度。
为实现上述目的，本发明的技术方案包括：
(1)采用n个声音传感器固定在管道外壁，并以Fs为采样率采集不同阀门开口率V、上游压强Pu和下游压强Pd下的不同空化状态的N个声音信号：其中，n≥1，Fs≥1562500Hz，M为x的长度，N为x的数量，M≥4669440，N≥356；
(2)获取训练样本集和测试样本集：
(2a)采用长度为W的滑窗，并以s为步长，按照采集的时间顺序分别对每个空化声音信号x进行K次滑动，得到所有空化声音信号段集合：其中，xij表示第i个空化声音信号的第j段，/>
(2b)对所有空化声音信号段集合X进行Z-Score标准化处理，得到处理后的全部空化声音信号段集合并将其80％作为训练集X′r，剩余的20％作为测试集X′e；
(3)构建基于层级过渡网络的声学信号层级空化强度识别模型H：
(3a)构建由层归一化LN和一维傅里叶变换T构成的全局滤波层L；
(3b)构建由依次堆叠的第一卷积层、第一批归一化层、激励层、第二卷积层、第二批归一化层、跨越层和特征跨越层构成的双路层级残差块B；
(3c)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、3个双路层级残差块B层、自适应均值池化层和全连接层构成的子神经网络模型Hs；
(3d)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、4个双路层级残差块B层、自适应均值池化层和全连接层构成的主神经网络模型Hm；
(3e)将全局滤波层L、子神经网络模型Hs和主神经网络模型Hm依次堆叠构成层级过渡网络层级空化强度识别模型H，并将交叉熵损失函数作为该模型的损失函数F；
(4)基于训练样本，采用梯度下降对层级过渡网络层级空化强度识别模型进行迭代训练，得到训练好的层级过渡网络层级空化强度识别模型H*；
(5)将测试样本集X′e作为训练好的层级过渡网络层级空化强度识别模型H*的输入，获得J个测试样本估计的空化强度集合Ye：
其中，为第j个测试样本估计的空化强度。
本发明与现有技术相比，具有以下优点：
1、本发明由于构建了由全局滤波层、子神经网络模型和主神经网络模型依次堆叠构成的层级过渡网络层级空化强度识别模型，可实现管道***声学信号层级空化强度识别，解决当前基于深度学***等对待的这一假设，从根本上提升了空化强度识别的精度。
2、本发明由于构建了由层归一化和一维快速傅里叶变换构成的全局滤波层，可将空化声音信号从时域转换到频域，在不引入任何人类先验知识的情况下帮助深度学习卷积神经网络在频域空间捕获空化声音信号的全局特征，解决了现有技术存在空化声音信号特征之间全局长期依赖关系的问题，进一步提升了空化强度识别的精度。
附图说明
图1是本发明的实现流程框图；
图2是本发明中构建的全局滤波层示意图；
图3是本发明中构建的双路层级残差块示意图；
图4是本发明中构建的子神经网络模型示意图；
图5是本发明中构建的主神经网络模型示意图；
图6是本发明中构建的层级过渡网络层级空化强度识别模型示意图。
具体实施方式
以下结合附图对本发明的实施例和效果作进一步详细描述。
参照图1，本实例的实现步骤如下：
步骤1，采集管道***空化声学信号。
本实例使用的管道***不限于由SAMSON公司在专业声学实验室建立的模拟工业管道***，管道内部的流动液体为水，将n个声音传感器分别固定在管道外壁的不同位置，并以Fs为采样率收集不同阀门开口度V、上游压强Pu和下游压强Pd下的不同空化状态下的N个声音信号：
其中，本实例取但不限于n＝3，Fs＝1562500Hz，M为x的长度，N为x的数量，本实例取但不限于M＝4669440，N＝356。
步骤2，获取训练样本集和测试样本集。
2.1)采用长度为W的滑窗，并以s为步长，按照采集的时间顺序分别对每个空化声音信号x进行K次滑动，得到所有空化声音信号段集合：
其中，xij表示第i个空化声音信号的第j段，本实例取但不限于W＝466944，s＝466944，
2.2)对所有空化声音信号段集合X进行Z-Score标准化处理，得到处理后的全部空化声音信号段集合X′：
其中，为标准化公式，其表示经过Z-Score标准化处理后的第i个空化声音信号的第j段，xij表示第i个空化声音信号的第j段，/>和/>分别为第i个空化声音信号的第j段的均值和方差；
2.3)将全部空化声音信号段集合X′的80％作为训练集X′r，剩余的20％作为测试集X′e：
本实例取但不限于训练集X′r数量为2850，其中非空化状态数量为1200，初始空化状态数量为320，恒定空化状态数量为750，阻塞流空化状态数量为580；
本实例取但不限于测试集X′e数量为710，其中非空化状态数量为300，初始空化状态数量为90，恒定空化状态数量为180，阻塞流空化状态数量为140。
步骤3，构建基于层级过渡网络的声学信号层级空化强度识别模型H。
3.1)参照图2，建立由层归一化LN和一维傅里叶变换T构成的全局滤波层L，其表达式为：
L(x′)＝T(LN(x′))
其中，x′为经过Z-Score标准化处理后的空化声音段信号，LN(·)为层归一化操作，T(·)为一维傅里叶变换操作，L(x′)为x′经过全局滤波层L的输出；
3.2)参照图3，建立由依次堆叠的第一卷积层、第一批归一化层、激励层、第二卷积层、第二批归一化层、跨越层和特征跨越层构成的双路层级残差块B，
该双路层级残差块B的结构参数设置如下：
所述第一卷积层，使用数量为1，卷积核大小为32，步长为1的一维卷积；
所述第二卷积层，使用数量为1，卷积核大小为16，步长为1的一维卷积；
所述特征跨越层，使用数量为1，卷积核大小为32，步长为1的一维卷积；
所述批归一化层，其表达式为：
其中，xk为批归一化层第k个神经元的原始输入数据，为输入数据在第k个神经元的均值，σk为输入数据在第k个神经元的标准差；
所述激励层，使用ReLU激励函数，其表达式为：
ReLU(x)＝max{x,0}；
3.3)参照图4，建立由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、3个双路层级残差块B层、自适应均值池化层和全连接层构成的子神经网络模型Hs，其结构表示如下：
卷积层->批归一化层->激励层->最大值池化层->第1个双路层级残差块B层->第2个双路层级残差块B层->第3个双路层级残差块B层->自适应均值池化层->全连接层；
各层的参数设置如下：
所述卷积层，使用数量为64，卷积核大小为32，步长为1的一维卷积；
所述最大值池化层，使用数量为1，卷积核大小为3，步长为2的一维卷积；
所述第1个双路层级残差块B层，其卷积核数量为64；
所述第2个双路层级残差块B层，其卷积核数量为128；
所述第3个双路层级残差块B层，其卷积核数量为256；
所述自适应均值池化化层，其输出为1；
所述全连接层，使用256个神经单元，其输出为2；
所述批归一化层，其表达式为：
其中，xk为批归一化层第k个神经元的原始输入数据，为输入数据在第k个神经元的均值，σk为输入数据在第k个神经元的标准差；
所述激励层，使用ReLU激励函数，其表达式为：
ReLU(x)＝max{x,0}；
3.4)参照图5，建立由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、4个双路层级残差块B层、自适应均值池化层和全连接层构成的主神经网络模型Hm，其结构表示如下：
卷积层-批归一化层->激励层->最大值池化层->第1个双路层级残差块B层->第2个双路层级残差块B层->第3个双路层级残差块B层->第4个双路层级残差块B层->自适应均值池化层->全连接层；
各层的参数设置如下：
所述卷积层，使用数量为64，卷积核大小为32，步长为1的一维卷积；
所述最大值池化层，使用数量为1，卷积核大小为3，步长为2的一维卷积；
所述第1个双路层级残差块B层，其卷积核数量为64；
所述第2个双路层级残差块B层，其卷积核数量为128；
所述第3个双路层级残差块B层，其卷积核数量为256；
所述第4个双路层级残差块B层，其卷积核数量为512；
所述自适应均值池化层，其输出为1；
所述全连接层，使用512个神经单元，其输出为3；
所述批归一化层，其表达式为：
其中，xk为批归一化层第k个神经元的原始输入数据，为输入数据在第k个神经元的均值，σk为输入数据在第k个神经元的标准差；
所述激励层，使用ReLU激励函数，其表达式为：
ReLU(x)＝max{x,0}；
3.5)参照图6，将全局滤波层L、子神经网络模型Hs和主神经网络模型Hm依次堆叠构成层级过渡网络层级空化强度识别模型H，并将交叉熵损失函数作为该模型的损失函数F，其公式如下：
其中，y和分别为模型输出的真实类别和估计类别，R为观测样本的数量，Y为观测样本类别的数量，/>为第n个观测样本的估计类别，/>为第n个观测样本被估计为类别y的估计概率，sign(·)为符号函数，当第n个观测样本估计的类别/>等于真实类别y时取1，否则取0。
步骤4，对层级过渡网络层级空化强度识别模型H进行迭代训练：
4.1)设迭代次数为e，本实例取但不限于最大迭代次数为E＝100，层级过渡网络层级空化强度识别模型H中各层的权重矩阵W与偏置b取值为范围[-1,1]内的随机数，并令e＝0，He＝H；
4.2)本实例随机从训练样本集X′r取但不限于R＝32个训练样本作为层级过渡网络层级空化强度识别模型He的输入，并使用梯度下降算法进行训练，得到估计概率集合其中/>为第b个训练样本估计概率向量；
4.3)将估计概率集合和/>对应的真实类别ye作为层级过渡网络层级空化强度识别模型损失函数Fe的输入，计算该模型的损失值Fe，并采用反向传播算法对该模型He各层的权重矩阵We和归纳偏置be进行更新，公式分别如下：
其中，η表示学习率，本实例取但不限于η＝0.001，We+1和be+1分别表示We、be更新后的结果；
4.4)判断e＝100是否成立；
若是，则得到训练好的层级过渡网络层级空化强度识别模型H*；
否则，令e＝e+1，并返回步骤4.3)。
步骤5，获取测试样本的空化强度识别结果。
将测试样本集X′e作为训练好的层级过渡网络层级空化强度识别模型H*的输入，获得J个测试样本估计的空化强度集合Ye：
其中，为第j个测试样本估计的空化强度，本实例取但不限于J＝710。
上述步骤的顺序不做限定。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件
本实验的仿真平台为56个CPU和502GB内存的高性能服务器计算平台，其操作***为Linux 4.4.0，使用Python3.8，Pytorch1.1构建神经网络模型，并对其进行训练，使用5块不同型号英伟达显卡和CUDA10.1进行加速，其英伟达显卡型号为2块RTX2080Ti，2块RTX2080Ti Rev和1块TITAN V。
仿真所使用数据集为从SMASOM公司专业声学实验室的模拟工业管道***采集的356个管道***空化声音信号，其包含非空化状态、初始空化状态、恒定空化状态、阻塞流空化状态这4种不同空化状态，通过对数据集进行预处理并将其按照8:2的比例划分，获得训练集和测试集。
2.仿真内容
利用本发明和现有11种对比方法在上述训练集数据进行训练，训练完成后获取测试集中每个空化声音信号识别的空化强度，并计算本发明和现有11种对比方法的空化强度识别准确率Acuracy，结果如表1：
表1本发明和对比方法的空化强度识别准确率对比结果
| 方法 | 准确率Acuracy |
| SVM | 52.00％ |
| DCNN | 79.25％ |
| 1D ResNet | 82.00％ |
| LiftingNet | 84.75％ |
| MIP-LCNet | 86.88％ |
| ResNet-APReLU | 89.44％ |
| LSTM-RDRN | 90.28％ |
| DT | 47.75％ |
| XGboost-ASFE | 82.00％ |
| DNDF | 49.00％ |
| B-CNN | 78.69％ |
| 本发明 | 95.32％ |
表1中的空化强度识别准确率Acuracy的计算公式如下：
其中，J为空化声音信号测试集的样本总数，yj和分别为测试样本中第j个样本的真实空化状态和估计空化状态，sign(·)为符号函数，当第j个测试样本估计的类别/>等于真实类别yj时取1，否则取0；
表1中，SVM为支持向量机方法；
DCNN为深度卷积神经网络方法；
LiftingNet为噪声特征学习层级深度网络方法；
1D ResNet为一维残差网络方法；
MIP-LCNet为多尺度内积局部连接深度网络方法；
ResNet-APReLU为自适应ReLU深度残差网络方法；
LSTM-RDRN为长短时记忆网络深度残差网络方法；
DT为决策树方法；
XGBoost-ASFE为自适应特征工程极端梯度增强决策树方法；
DNDF为深度神经决策森林方法；
B-CNN为分支卷积神经网络方法。
3.仿真结果分析
从表1中可以看出，本发明在测试集数据上的空化强度识别准确率为95.32％，而对比方法在测试集数据上的最高空化强度识别准确率为90.28％，显然与对比方法相比，本发明的空化强度识别准确率更高。
仿真结果表明，本发明基于层级过渡网络的层级空化强度识别方法能有效提高空化强度识别的准确率。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修改和改变仍在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于层级过渡网络的声学信号层级空化强度识别方法，其特征在于，包括如下步骤：
(1)采用n个声音传感器固定在管道外壁，并以Fs为采样率采集不同阀门开口度V、上游压强Pu和下游压强Pd下的不同空化状态的N个声音信号：其中，n≥1，Fs≥1562500Hz，M为x的长度，N为x的数量，M≥4669440，N≥356；
(2)获取训练样本集和测试样本集：
(2a)采用长度为W的滑窗，并以s为步长，按照采集的时间顺序分别对每个空化声音信号x进行K次滑动，得到所有空化声音信号段集合：其中，xij表示第i个空化声音信号的第j段，
(2b)对所有空化声音信号段集合X进行Z-Score标准化处理，得到处理后的全部空化声音信号段集合并将其80％作为训练集X′r，剩余的20％作为测试集X′e；
(3)构建基于层级过渡网络的声学信号层级空化强度识别模型H：
(3a)构建由层归一化LN和一维傅里叶变换T构成的全局滤波层L；
(3b)构建由依次堆叠的第一卷积层、第一批归一化层、激励层、第二卷积层、第二批归一化层、跨越层和特征跨越层构成的双路层级残差块B；
(3c)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、3个双路层级残差块B层、自适应均值池化层和全连接层构成的子神经网络模型Hs；
(3d)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、4个双路层级残差块B层、自适应均值池化层和全连接层构成的主神经网络模型Hm；
(3e)将全局滤波层L、子神经网络模型Hs和主神经网络模型Hm依次堆叠构成层级过渡网络层级空化强度识别模型H，并将交叉熵损失函数作为该模型的损失函数F；
(4)基于训练样本，采用梯度下降对层级过渡网络层级空化强度识别模型进行迭代训练，得到训练好的层级过渡网络层级空化强度识别模型H*；
(5)将测试样本集X′e作为训练好的层级过渡网络层级空化强度识别模型H*的输入，获得J个测试样本估计的空化强度集合Ye：
其中，为第j个测试样本估计的空化强度。
2.根据权利要求1所述的方法，其特征在于，步骤(2b)中所述的对所有空化声音信号段集合X进行Z-Score标准化处理，公式如下：
其中，x′ij表示经过Z-Score标准化处理后的第i个空化声音信号的第j段，和/>分别为第i个空化声音信号的第j段的均值和方差。
3.根据权利要求1所述的方法，其特征在于，步骤(3a)中所述的由层归一化LN和一维傅里叶变换T构建的全局滤波层L，其表达式为：
L(x′)＝T(LN(x′))
其中，x′为经过Z-Score标准化处理后的空化声音段信号，LN(·)为层归一化操作，T(·)为一维傅里叶变换操作，L(x′)为x′经过全局滤波层L的输出。
4.根据权利要求1所述的方法，其特征在于，步骤(3b)中构成双路层级残差块B中的第一卷积层、第一批归一化层、激励层、第二卷积层、第二批归一化层、跨越层和特征跨越层，其结构参数如下：
所述第一卷积层，使用数量为1，卷积核大小为32，步长为1的一维卷积；
所述第二卷积层，使用数量为1，卷积核大小为16，步长为1的一维卷积；
所述特征跨越层，使用数量为1，卷积核大小为32，步长为1的一维卷积；
所述批归一化层，其表达式为：
其中，xk为批归一化层第k个神经元的原始输入数据，为这一批次输入数据在第k个神经元的均值，σk为这一批次输入数据在第k个神经元的标准差；
所述激励层，使用ReLU激励函数，其表达式为：
ReLU(x)＝max{x,0}。
5.根据权利要求1所述的方法，其特征在于，步骤(3c)中构成子神经网络模型Hs中的卷积层、批归一化层、激励层、最大值池化层、3个双路层级残差块B层、自适应均值池化层和全连接层，其结构参数如下：
所述卷积层，使用数量为64，卷积核大小为32，步长为1的一维卷积；
所述最大值池化层，使用数量为1，卷积核大小为3，步长为2的一维卷积；
所述3个双路层级残差块B层，其卷积核数量不同，第1个双路层级残差块B层的卷积核数量为64，第2个双路层级残差块B层的卷积核数量为128，第3个双路层级残差块B层的卷积核数量为256；
所述自适应均值池化层，其输出为1；
所述全连接层，使用256个神经单元，其输出为2；
所述批归一化层，其表达式为：
其中，xk为批归一化层第k个神经元的原始输入数据，为这一批次输入数据在第k个神经元的均值，σk为这一批次输入数据在第k个神经元的标准差；
所述激励层，使用ReLU激励函数，其表达式为：
ReLU(x)＝max{x,0}。
6.根据权利要求1所述的方法，其特征在于，步骤(3d)中构成主神经网络模型Hm中的卷积层、批归一化层、激励层、最大值池化层、4个双路层级残差块B层、自适应均值池化层和全连接层，其结构参数如下：
所述卷积层，使用数量为64，卷积核大小为32，步长为1的一维卷积；
所述最大值池化层，使用数量为1，卷积核大小为3，步长为2的一维卷积；
所述4个双路层级残差块B层，其卷积核数量不同，第1个双路层级残差块B层的卷积核数量为64，第2个双路层级残差块B层的卷积核数量为128，第3个双路层级残差块B层的卷积核数量为256，第4个双路层级残差块B层的卷积核数量为512；
所述自适应均值池化层，其输出为1；
所述全连接层，使用512个神经单元，其输出为3；
所述批归一化层，其表达式为：
其中，xk为批归一化层第k个神经元的原始输入数据，为这一批次输入数据在第k个神经元的均值，σk为这一批次输入数据在第k个神经元的标准差；
所述激励层，使用ReLU激励函数，其表达式为：
ReLU(x)＝max{x,0}。
7.根据权利要求1所述的方法，其特征在于，步骤(3e)中构成层级过渡网络层级空化强度识别模型H中的损失函数F，其公式如下：
其中，y和分别为模型训练输出的真实类别和估计类别，R为每次训练的批尺寸，Y为观测样本类别的数量，/>为第n个观测样本的估计类别，/>为第n个观测样本被估计为类别y的估计概率，sign(·)为符号函数，当第n个观测样本估计的类别/>等于真实类别y时取1，否则取0。
8.根据权利要求1所述的方法，其特征在于，步骤(4)基于训练样本采用梯度下降对层级过渡网络层级空化强度识别模型进行迭代训练，实现如下：
(4a)设迭代次数为e，最大迭代次数为E，E≥100，层级过渡网络层级空化强度识别模型H中各层的权重矩阵W与偏置b取值为范围[-1,1]内的随机数，并令e＝0，He＝H；
(4b)从训练样本集Xr′中随机选取R个训练样本作为层级过渡网络层级空化强度识别模型He的输入并使用梯度下降算法进行训练，得到估计概率集合其中/>为第b个训练样本估计概率向量；
(4c)将和/>对应的真实类别ye作为层级过渡网络层级空化强度识别模型损失函数Fe的输入，计算该模型的损失值Fe，并采用反向传播算法对该模型He各层的权重矩阵We和归纳偏置be进行更新，公式分别如下：
其中，η表示学习率，We+1和be+1分别表示We、be更新后的结果，0＜η≤0.1。
(4d)判断e＝E是否成立；
若是，则得到训练好的层级过渡网络层级空化强度识别模型H*；
否则，令e＝e+1，并返回步骤(4c)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310945885.1A CN117037841A (zh) | 2023-07-31 | 2023-07-31 | 基于层级过渡网络的声学信号层级空化强度识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310945885.1A CN117037841A (zh) | 2023-07-31 | 2023-07-31 | 基于层级过渡网络的声学信号层级空化强度识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117037841A true CN117037841A (zh) | 2023-11-10 |
Family
ID=88601502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310945885.1A Pending CN117037841A (zh) | 2023-07-31 | 2023-07-31 | 基于层级过渡网络的声学信号层级空化强度识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037841A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117476039A (zh) * | 2023-12-25 | 2024-01-30 | 西安理工大学 | 基于声学信号的水轮机初生空化预警方法 |
-
2023
- 2023-07-31 CN CN202310945885.1A patent/CN117037841A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117476039A (zh) * | 2023-12-25 | 2024-01-30 | 西安理工大学 | 基于声学信号的水轮机初生空化预警方法 |
| CN117476039B (zh) * | 2023-12-25 | 2024-03-08 | 西安理工大学 | 基于声学信号的水轮机初生空化预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348059B (zh) | 一种基于结构化网格的通道内流场重构方法 | |
| CN104807589B (zh) | 一种集输－立管***内气液两相流流型的在线识别方法 | |
| CN113988126A (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
| CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
| CN112906892A (zh) | 一种基于深度学习与知识图谱的设备故障智能诊断方法 | |
| CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN111695288B (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
| CN116628592A (zh) | 一种基于改进型生成式对抗网络的动设备故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN115014789A (zh) | 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法 | |
| Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
| CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及*** | |
| CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、***、设备及介质 | |
| CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和*** | |
| Li et al. | Knowledge features enhanced intelligent fault detection with progressive adaptive sparse attention learning for high-power diesel engine | |
| CN116821804A (zh) | 一种基于多特征融合的压裂泵单向阀故障在线监测方法 | |
| CN113191089A (zh) | 一种基于滑动窗口的尾矿砂液化数据聚类方法 | |
| CN113312719B (zh) | 基于类别不平衡权重交叉熵的旋转机械故障诊断方法 | |
| Dong et al. | Hydraulic system fault diagnosis based on EMD and improved PSO-Elman ANN | |
| Zhang et al. | Fault diagnosis for marine engine system based on complex network cluster method | |
| CN114118289B (zh) | 基于数据驱动的成品油管道运行工况识别方法及*** | |
| CN108763728A (zh) | 基于并联型深度神经网络分层特征提取的机械故障诊断方法 | |
| CN115356106A (zh) | 一种基于迁移学习的泵类轴承故障诊断方法 |
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 |