基于深度学习的叶片欠采样叶端定时信号压缩重构方法[CN202010790489.2] - 湖南工业大学

专利申请

2020-08-07
公布公告

2020-11-06
授权日期

2021-06-25
终止

2030-11-04

基于深度学习的叶片欠采样叶端定时信号压缩重构方法

* 专利信息仅供参考，不具有法律效力。有效专利

注册号： CN202010790489.2 申请日期： 2020-08-07 专利主类别： G06F30/27 {{ classMap["G06F30/27"] }}

申请人名称：湖南工业大学

查看申请人名下所有专利

申请人地址：湖南省株洲市天元区泰山西路88号

专利分类项目

G06F30/27 :

G06N3/08 : 学习方法

G06N3/04 : 体系结构，例如，互连拓扑

G01H17/00 : 不包含在本小类其他组中的机械振动或超声波、声波或次声波的测量

G01M13/00 : 机械部件的测试

专利注册信息

初审公告期号	2020-08-07	初审公告日期	2020-11-06
注册公告期号	2021-06-25	注册公告日期	2021-06-25
专用权期限	2020-11-06 - 2030-11-04	专利类型	发明公开
代理组织机构	长沙国科天河知识产权代理有限公司查看该机构代理的所有专利

专利介绍

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。

法律进度