權利要求書： 1.基于深度學習和聲發射的風機葉片損傷兩步定位方法，其特征在于，包括步驟：步驟一：建立由獲取的監測數據組成的風機葉片結構損傷聲發射數據集；步驟二：特征提?。簭谋O測數據中提供數據特征，數據特征包括聲發射信號的到達時間差特征、信號峰值幅度特征和信號到達峰值的時間特征；步驟三：結構損傷區域分類；用聲發射信號的到達時間差特征形成的訓練集與驗證集，對基于長短期記憶深度學習神經網絡建立的風機葉片結構損傷區域定位模型進行訓練，得到最優的損傷區域定位模型；將聲發射信號的到達時間差特征形成的測試集的數據輸入最優的損傷區域定位模型，由最優的損傷區域定位模型處理后輸出結構損傷區域分類結果；步驟四：損傷坐標定位將聲發射信號的到達時間差特征、信號峰值幅度特征和信號到達峰值的時間特征形成訓練集與驗證集，對基于長短期記憶深度學習神經網絡和卷積神經網絡建立的風機葉片結構損傷坐標定位模型進行訓練，得到最優的損傷坐標定位模型；將聲發射信號的到達時間差特征、信號峰值幅度特征和信號到達峰值的時間特征形成的測試集的數據輸入最優的損傷坐標定位模型，由最優的損傷坐標定位模型處理后輸出損傷坐標定位結果。2.根據權利要求1所述基于深度學習和聲發射的風機葉片損傷兩步定位方法，其特征在于，所述的監測數據獲取時，是在風機葉片上選定有待監測區域布置傳感器網絡，在待監測區域建立劃分采樣網格，在劃分采樣網格點實施斷鉛試驗聲發射源，收集斷鉛試驗聲發射源發出的聲發射信號，獲取監測數據。3.根據權利要求1所述基于深度學習和聲發射的風機葉片損傷兩步定位方法，其特征在于，所述的聲發射信號的到達時間差通過傳感器之間的到達時間差 確定；，對于一對傳感器，聲發射波的實際到達時刻 和 的時間差和根據聲發射信號的首達時間 和 計算得到的到達時間差是相同的。4.根據權利要求3所述基于深度學習和聲發射的風機葉片損傷兩步定位方法，其特征在于，所述聲發射信號的首達時間根據赤池信息準則確定，對任一傳感器信號：，其中，var表示計算方差， 是由選定窗口確定的時間序列信號， 是 信號的時間長度， 是遍歷 中的每個時刻， 值最小時即為聲發射信號的首達時間。5.根據權利要求1所述基于深度學習和聲發射的風機葉片損傷兩步定位方法，其特征在于，所述損傷區域定位模型依次包含一個帶有注意力機制的雙向LSTM
聲明：
“基于深度學習和聲發射的風機葉片損傷兩步定位方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究，如用于商業用途，請聯系該技術所有人。
我是此專利(論文)的發明人(作者)
619
編輯：管理員
來源：天津大學
分享 0
舉報 0
收藏 0
反對 0
點贊 0
2025年07月09日 ~ 11日 
