权利要求书： 1.基于深度学习和声发射的风机叶片损伤两步定位方法，其特征在于，包括步骤：步骤一：建立由获取的监测数据组成的风机叶片结构损伤声发射数据集；步骤二：特征提取：从监测数据中提供数据特征，数据特征包括声发射信号的到达时间差特征、信号峰值幅度特征和信号到达峰值的时间特征；步骤三：结构损伤区域分类；用声发射信号的到达时间差特征形成的训练集与验证集，对基于长短期记忆深度学习神经网络建立的风机叶片结构损伤区域定位模型进行训练，得到最优的损伤区域定位模型；将声发射信号的到达时间差特征形成的测试集的数据输入最优的损伤区域定位模型，由最优的损伤区域定位模型处理后输出结构损伤区域分类结果；步骤四：损伤坐标定位将声发射信号的到达时间差特征、信号峰值幅度特征和信号到达峰值的时间特征形成训练集与验证集，对基于长短期记忆深度学习神经网络和卷积神经网络建立的风机叶片结构损伤坐标定位模型进行训练，得到最优的损伤坐标定位模型；将声发射信号的到达时间差特征、信号峰值幅度特征和信号到达峰值的时间特征形成的测试集的数据输入最优的损伤坐标定位模型，由最优的损伤坐标定位模型处理后输出损伤坐标定位结果。2.根据权利要求1所述基于深度学习和声发射的风机叶片损伤两步定位方法，其特征在于，所述的监测数据获取时，是在风机叶片上选定有待监测区域布置传感器网络，在待监测区域建立划分采样网格，在划分采样网格点实施断铅试验声发射源，收集断铅试验声发射源发出的声发射信号，获取监测数据。3.根据权利要求1所述基于深度学习和声发射的风机叶片损伤两步定位方法，其特征在于，所述的声发射信号的到达时间差通过传感器之间的到达时间差 确定；，对于一对传感器，声发射波的实际到达时刻 和 的时间差和根据声发射信号的首达时间 和 计算得到的到达时间差是相同的。4.根据权利要求3所述基于深度学习和声发射的风机叶片损伤两步定位方法，其特征在于，所述声发射信号的首达时间根据赤池信息准则确定，对任一传感器信号：，其中，var表示计算方差， 是由选定窗口确定的时间序列信号， 是 信号的时间长度， 是遍历 中的每个时刻， 值最小时即为声发射信号的首达时间。5.根据权利要求1所述基于深度学习和声发射的风机叶片损伤两步定位方法，其特征在于，所述损伤区域定位模型依次包含一个带有注意力机制的双向LSTM
声明：
“基于深度学习和声发射的风机叶片损伤两步定位方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
607
编辑：管理员
来源：天津大学
分享 0
举报 0
收藏 0
反对 0
点赞 0
2025年06月13日 ~ 15日 
